第２３卷第１期 ２０１３年３月 洛阳理工学院学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｌｕｏｙａｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖ０Ｉ．２３ ＮＯ．１ Ｍａｒ。２０１３ 基于ＢＰ人工神经网络电力负荷预测 郭 龙 钢 （洛阳理工学院电气工程与自动化系，河南洛阳４７１０２３） 摘要：由于影响电力负荷的因素之间存在着非线性，所以采用神经网络方案来进行短期电力负荷预测 对应用 于实际的神经网络算法进行了具体处理，如数据的归一化，输入向量和输出向量的选择。仿真结果表明其有较好 的预测精度。该模型具有网络结构较小、训练时间短、易于实现的优点 关键词：神经网络；负荷预报；训练样本 ＤｏＩ：１０．３９６９／ｉ．ｉｓｓｎ．１６７４－５０４３．２０１３．Ｏ１．０１５ 中图分类号：ＴＭ７１５ 文献标志码：Ａ 文章编号：１６７４．５０４３（２０１３ １ ００６２．０３ 随着我国电力事业的发展，电网管理目趋现代化，由于电力的生产和使用具有特殊性，即电能难以． 大量的储存，而且各类用户对电力的需求是时刻变化的，这就要求电力系统稳定且高效的运行，以满足 用户的需求。因此，电力负荷预测问题的研究越来越引起人们的注意并成为现代电力系统科学的一个重 要领域。 负荷预测的核心问题是预测的技术问题。传统的数学模型在电力负荷预测中精度较低。人工神经网 络法是一种不依赖于模型的方法，它比较适合那些具有不确定性或高度非线性的对象，具有较强的适应 和学习功能。用于负荷预测时，人工神经网络利用神经网络可以任意逼进非线性系统的特性，在训练过 程中通过学习来抽取和逼近隐含的输入、输出非线性关系。 １ ＢＰ神经网络 １．１ ＢＰ神经网络结构 ＢＰ（Ｂａｃｋ Ｐｒｏｏａｌｚａｔｉｏｎ）网络是１９８６年由Ｒｕｍｅｌｈａｒｔ￣ＨＭｃＣｅｌｌａｎｄ为首的科学家小组提出，是一种按误 差逆传播算法训练的多层前馈网络…，是目前应用最广泛的神经网络模型之一。ＢＰ网络能学习和存贮大量 的输入一输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下 降法，通过误差反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。ＢＰ神经网络模型拓 扑结构包括输入层（ｉｎｐｕｔ）、隐含层（ｈｉｄｅ ｌａｙｅｒ）￣Ｈ输出层（ｏｕｔｐｕｔ ｌａｙｅｒ）。 １．２ ＢＰ神经网络的算法 利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一 层一层的反传下去，就获得了所有其他各层的误差估计ｌ２ｌ。其本质就是在外界输入样本的刺激下不断改变 网络的连接权值，以使网络的输出不断地接近期望的输出。 ＢＰ网络能够实现输入．输出的非线性映射关系，并具有逼近任意非线性函数的能力ｐ１，所以可以适用 于电力负荷预测。 ２电力系统负荷数据 一般来说，电力系统的负荷高峰通常出现在每天的ｌ９时～２ｌ时之间，本文只对每天ｌ８时￣２０时共计３个小 时的负荷数据进行预测。电力系统负荷数据如表１所示，所有数据为真实数据，且已经经过归一化处理。 利用前９天的数据作为网络的训练样本，预测方法采用滚动预测方式，每３天的负荷作为输入向量， 收稿日期：２０１２—０８－２３ 作者简介：郭龙钢（１９７７一），男，河南洛阳人，硕士，讲师，主要从事电力电子、电力系统方面的研究． 第１期 郭龙钢： 基于ＢＰ人工神经网络电力负荷预测 第４天负荷作为目标向量。如此反复直至满足预测精度要求为止完成训练。用第１０天的数据作为网络的测 试样本，验证网络能否合理地预测出当天的负荷数据。 表１电力系统１８时￣２０时的负荷数据 ３电力负荷预测 ３．１ ＢＰ网络设计 根据ＢＰ网络模型的算法，首先确定网络拓扑结构，本文中采用的是３层结构，即输入层、隐层和输出 层。根据输入、输出向量的个数，可确定输入层神经元数９个，输出层神经元３个。为了缩短训练的时 间，隐含层采用单层，即隐含层为一层。隐含层神经元个数的选择是一个十分复杂的问题，往往需要根 据设计者的经验和多次试验来确定，因而不存在一个理想的解析式来表示。根据ｋｏｌｍｏ￣ｏｒｏｖ定理： ｎ＝２ｍ＋１ 为输入层神经元个数， 为隐含层神经元个数，计算出隐含层神经元的参考值，并通过仿真计算，寻找 理想的隐含层神经元个数。 网络隐含层的神经元传递函数采用ｓ型正切函数ｔａｎｓｉ￣，输出层神经元传递函数采用Ｓ型对数函数 Ｉｏ￣ｓｉｇ。这是因为函数的输出位于区间ＩＯ，１ｌ中，正好满足网络输出的要求。本文采用前向ＢＰ网络，在创建 ＢＰ网络的时候使用ｎｅｗｆｆ函数。 ｎｅｔ＝ｎｅｗｆｆ（１￣ｔｒａｉｎ，ｔ ｔｒａｉｎ，ｎｎ（ｉ），’ｔａｎｓｉｌ’，’Ｉｏａｓｉ￣’，’ｔｒａｉｎｌｍ’）； ｔｒａｉｎｌｍ表示网络的训练函数为ｔｒａｉｎｌｍ，它采用ＬＭ（Ｌｅｖｅｎｂｅｒ￣．Ｍａｒｑｕａｒｄｔ）算法进行网络学习ＨＩ。 ＬＭ算法的收敛速度最快，就训练次数与精确度而言，它明显优于共轭梯度法以及变学习率的ＢＰ算法， ＬＭ算法可大大地提高学习速度，缩短训练时间，使输出向量与期望向量更为接近，它还具有很强的容 错能力。 ３．２网络训练 建立好的网络只有经过训练以后才可以用于电力负荷预测的实际应用。考虑到网络的结构比较复 杂，神经元个数比较多，需要适当增大训练次数和学习速率。学习速率的选取很重要，大了可能导致系 统不稳定，小了会导致训练周期过长、收敛慢，达不到要求的误差。一般倾向于选取较小的学习速率以 保持系统稳定，通过观察误差下降曲线来判断。下降较快说明学习率比较合适，若有较大振荡则说明学 习率偏大。同时，由于网络规模大小的不同，学习率选择应当针对其进行调整。 训练次数、训练目标、学习速率分别为１ ０００、Ｏ．Ｏｌ、Ｏ．１。 训练代码如下： ｎｅｔ．ｔｒａｉｎＰａｒａｍ．ｅｐ０ｃｈｓ＝ｌＯ００； ｎｅｔ．ｔｒａｉｎＰａｒａｍ．￣ｏａｌ＝０．０００１； ＬＰ．Ｉｒ＝Ｏ．１； ｎｅｔ＝ｔｌ’ａｉｎｆｎｅｔ，ｐ ｔｒａｉｎ，ｔ ｔｒａｉｎ）； ３．３预测结果比较 通过Ｍａｔｌａｂ仿真图形可以看出，隐含层神经元个数为１ｌ时，网络的测试误差最小，也就是预测性能 洛阳理工学院学报（自然科学版） 第２３卷 最好。因此，本设计中中间神经元的数目选定１１个。 本例中隐含层神经元个数为１１时仍有较大误差，这是由 于训练样本数量太小导致的。由于训练样本较少，预测时出 现相对较大的误差是可能的，可以通过加大样本量、事先剔 除错误数据等方法避免。 在实现神经网络预测电力负荷的时候，由于网络训练需 要很长的时间，训练的时候具有随机性，不能保证每次的训 练结果都是最佳的，当获得一个比较理想的网络训练结果的 时候，将网络看作一个变量，将其保存为ＭＡＴ文件，在 次做预测的时候就不用重新再对网络训练而可以直接调用 存的网络，这样能够节约很多时间且提高了预测的效率。 ４结语 表２预测误差 通过上述对电力负荷预测方法的介绍说明，可以说采用 人工神经网络对电力负荷进行短期预测是目前一种比较可行 的方法。本文所设计的算法在一定程度上能克服传统算法收 下保 敛速度慢、容易陷入局部积小的缺点，网络结构较小，训练 时间短，预测精度较高，易于使用和推广。 参考文献： Ｉｌｌ闻新．周露．ＭＡＴＬＡＢ神经网络仿真与应用ＩＭＩ．北京：科学出版社，２００３． Ｉ２１张良均．曹晶．蒋世忠．神经网络实用教程ＩＭ１．北京：科学出版社．２００９． Ｉ３ｌ李国勇．智能预测控制及其ＭＡＴＬＡＢ实现ＩＭ１．北京：电子工业出版社．２００９． １４１张德丰．ＭＡＴＬＡＢ神经网络仿真与应用ＩＭＩ．北京：电子工业出版社，２００９． Ｓｈｏｒｔ－ｔｅｒｍ Ｅｌｅｃｔｒｉｃ Ｌｏａｄ Ｐｒｅｄｉｃｔｉｏｎ Ｂａｓｅｄ ０ｎ ＢＰ ＡｒｔｉｆｉｅｉａＩ ＮｅｕｒａＩ Ｎｅｔｗｏｒｋ ＧＵＯ Ｌｏｎｇ－ｇａｎｇ （Ｌｕｏｙａｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｌｕｏｙａｎｇ ４７１０２３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｏｗｉｎｇ ｔｏ ｔｈｅ ｎｏｎｌｉｎｅａｒｉｔｙ ｏｆ ｔｈｅ ｆａｃｔｏｒｓ ａｆｆｅｃｔｉｎｇ ｐｏｗｅｒ ｌｏａｄ，ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｈａｓ ｂｅｅｎ ａｐｐｌｉｅｄ ｔｏ ｔｈｅ ｓｈｏｒｔ－ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔ．Ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｌｇｏｒｉｔｈｍ ｈａｓ ｂｅｅｎ ｐｒｏｃｅｓｓｅｄ ｉｎ ａｐｐｌｉｃａｔｉｏｎ，ｉｎｃｌｕｄｉｎｇ ｔｈｅ ｎｏｒｍａｌｉｚａｔｉｏｎ ｏｆ ｄａｔａ，ａｎｄ ｔｈｅ ｃｈｏｉｃｅ ｏｆ ｉｎｐｕｔ ａｎｄ ｏｕｔｐｕｔ ｖｅｃｔｏｒｓ．Ｒｅｓｕｌｔｓ ｏｆ ｓｉｍｕｌａｔｉｏｎ ｐｒｏｖｅ ｔｈａｔ ｉｔ ｈａｓ ａ ｂｅｔｔｅｒ ｆｏｒｅｃａｓｔ ａｃｃｕｒａｃｙ，ｆｏｒ ｔｈｉｓ ｍｏｄｅｌ ｐｏｓｓｅｓｓｅｓ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｓｍａｌｌｅｒ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ，ｓｈｏｒｔｅｒ ｔｒａｉｎｉｎｇ ｔｉｍｅ ａｎｄ ｍｏｒｅ ｃｏｎｖｅｎｉｅｎｃｅ ｔｏ ｒｅａｌｉｚｅ，ｅｔｃ．． Ｋｅｙ ｗｏｒｄｓ：ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｌｏａｄ ｆｏｒｅｃａｓｔ；ｔｒａｉｎｉｎｇ ｓａｍｐｌｅ （上接第５７页） Ａ Ｒｅｓｅａｒｃｈ ｏｎ ｔｈｅ Ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｅ—ｇｏｖｅｒｎｍｅｎｔ Ｕｎｉｆｏｒｍ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｌａｔｆｏｒｍ ｕｎｄｅｒ Ｃｌｏｕｄ Ｃｏｍｐｕｔｉｎｇ Ｅｎｖｉｒｏｎｍｅｎｔ ＬＩＵ Ｌｉｎｇ，ＪＩＡＮＧ Ｃｈｕｎ—ｙａｎ，ＳＨＡ Ｆｅｎｇ （Ｘｉａｍｅｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｘｉａｍｅｎ ３６１０２４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｅ－ｇｏｖｅｒｎｍｅｎｔ ｕｎｉｆｏｒｍ ｉｎｆｏｒｍａｔｉｏｎ ｐｌａｔｆｏｒｍ ｕｎｄｅｒ ｔｈｅ ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔ ｈａｓ ｂｅｅｎ ｄｉｓｃｕｓｓｅｄ ｔｏ ｒｅａｌｉｚｅ ｒｅｓｏｕｒｃｅ ｓｈａｒｉｎｇ ｏｆ Ｅ－ｇｏｖｅｒｎｍｅｎｔ ｉｎｆｏｒｍａｔｉｏｎ ｗｉｔｈ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ．Ｗｉｔｈ ｔｈｅ ｇｉｖｅｎ ｆｒａｍｅｗｏｒｋ，ｔｈｅ ｒｅｓｏｕｒｃｅ ｓｕｂ—ｃｌｏｕｄ，ｓｅｒｖｉｃｅ ｓｕｂ—ｃｌｏｕｄ ａｎｄ ｄａｔａ ｓｕｂ－ｃｌｏｕｄ ｏｆ Ｅ—ｇｏｖｅｒｎｍｅｎｔ ｓｕｐｐｏｒｔｅｄ ｂｙ ｖｉｒｔｕａｌｉｚａｔｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ＳＯＡ ｔｅｃｈｎｏｌｏｇｙ，ａ ｎｅｗ ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｅ—ｇｏｖｅｒｎｍｅｎｔ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍ ｗｉｌｌ ｂｅ ｓｅｔ ｕｐ ｉｎ ｔｈｅ ｅｒａ ｏｆ ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ． Ｋｅｙ ｗｏｒｄｓ：ｃｌｏｕｄ ｃｏｍｐｕｔｉｎｇ；Ｅ－ｇｏｖｅｒｎｍｅｎｔ；ｉｎｆｏｒｍａｔｉｏｎ ｐｌａｔｆｏｒｍ；ｖｉｒｔｕａｌｉｚａｔｉｏｎ
