适用于县级电网的短期负荷预测方法

电力18讯：    
山东省成武供电公司  宋宪福 张广伦 张海燕

摘要：该文介绍了两种改进的ANN算法，并提出预测时应考虑的相关因素。为减少输入神经元节点，提高收敛速度，应将相关因素按预测方案分组，通过在实际应用中的验证，证明该文提出的方法是有效的。

关键词：短期负荷预测；县级电网；相关因素

中图分类号：TM714 文献标志码：B 文章编号：1003-0867(2008)2-0008-03

短期负荷预测是制订电力市场交易计划、安排电网运行方式的依据。多年以来，国内外学者提出了多种短期负荷预测的方法[1，2]，研发了各种原理的负荷预测系统，在地区级电网中已取得了良好的效果。2005年菏泽电网日负荷预测准确率达98.86%。县级电网相对地区级电网具有负荷基数小、负荷变化大的特点，负荷预测存在难点，值得从事短期负荷预测研究的学者和预测人员进行深入研究。

本文在前人研究成果的基础上，联系实际预测工作经验，提出将改进预测算法与相关因素分组方案相结合，这样既能提高预测准确率又加快收敛速度，经实践检验，能够取得较好的预测效果。

1 短期负荷预测的神经网络方法（ANN）

近年来，随着人工智能技术的发展，人工神经网络（ANN）在负荷预测中的应用越来越广泛，其中较多的是采用反向传播（Back-Propagation，BP）算法的前馈型神经网络（BP 网络）。但在应用中发现，BP 网络也具有一些固有的缺陷，如容易陷入局部极小点、收敛速度慢、迭代时间长等。因此，如何克服这些缺陷并提高负荷预测精度，是一个亟待解决的问题。

1.1 遗传算法在神经网络学习中的应用

为克服BP 网络的缺点，将进化计算中的遗传算法引入了人工神经网络，形成了一类综合人工智能方法。遗传算法是一种基于自然选择和自然遗传的全局优化算法，具有本质的并行计算特点，采用从自然选择机理中抽象出来的几种算子对参数进行操作。这种操作针对由多个可行解构成的群体进行，故在其世代更替中可以并行地对参数空间的不同区域进行搜索，并使得搜索朝着更有可能找到全局最优的方向进行，且不至于陷入局部极小[3]。采用前向三层神经网络结构（如图1所示），以遗传算法优化神经网络结构，优化初始权值，改进的神经网络算法[4]进行优化之后，可得到好于传统BP 算法的预测精度，已有预测仿真结果进行了论证[5]。


图1 遗传算法的三层神经网络结构
1.2 基于相关因素库与ANN的短期负荷预测方法

由于影响负荷的各相关因素的量纲各不相同，因此需要把不同量纲的值通过无量纲化处理，映射到特定的区间，使各个量之间可以有数值上的可比性，从而方便相似度和差异度的定量计算。

1.2.1 映射库的构成原始定量指标：温度（最高温度、最低温度、平均温度等）、降雨量、风速、相对湿度等。

分类为定量的指标：日气象类型（阴、晴、多云、雨、雪、风等），星期类型（周一、周二……周日等），日期差（历史日与预测日相差天数，1天、2天等），日分类（正常日、元旦、国庆、春节等）等。

当需要考虑新的特征量时，预测人员可自行加入。指标映射数据库如表1所示。

可以专门设计一个用户设置界面，供用户修改映射数据库。用户可以通过这个界面反复预测，反复修改映射数据库的值，摸索出适合本县区的映射关系，直到满意为止。在以后的预测时，这个值就可以不变了，认为已经适合本县区的映射关系。当然在不断的预测中，各县区的负荷特性也是有可能改变的，虽然这种改变不是很剧烈，以后用户仍然可以根据负荷特性的变化来改变为更适应的映射关系。

表1 相关因素映射举例




若有新的气象因素指标，可以直接在数据库中加入，而不用修改计算程序，大大减轻了工作量，提高了程序的灵活性。

映射库的作用是用户通过输入数据可以随意改变和建立复杂的映射模型，而不是在程序中固化一段“死”的代码。这样，若需要修改映射方程关系，只需要修改数据库中的映射关系就可以了。

1.2.2 确定输出层神经元与隐含层神经元数目

输出层神经元仅1个，即待预测日该时刻的负荷值。隐含层数和隐含节点数的选取与ANN 模型的训练效果是密切相关的。凭经验，ANN 的隐含层节点数约为输入层节点数的2倍左右，可以把隐含层神经元数设为2（n+n（n+1）m），然后在此基础上适当增加或减少神经元数目，根据训练结果选择一个比较合适的神经元数目。

1.2.3 预测方法的优点

采用相关因素库对每天的相关因素进行模糊映射的处理，把各种相关因素值直接数量化，通过本文后面的相<