基于负荷特征提取的神经网络短期负荷预测

口 ｎ
色过程 ” “ ， 随机 变量 ” 当作 “ 变 量 ” 灰 。灰 色 系统 预 测 的实质 是一 次 累加 生成 ， 原 始数 列 一 次 累加 后 ， 将 形
成 明显 的 指 数 规律 ， 后 用 一 条 曲 线 去 拟 和 累 加 生 然 成 ， 累减 还 原 即可 得 到 预 测 值 。在 灰 色 负荷 预 测 再 中 ， 常 以 ＧＭ（ ，） 型 为主进 行 处 理 ， 经 １１模 ＧＭ （， ） １１ 模 型 的建 模过 程主要 有 以下 步骤 ： １ 将历 史负 荷数列 ）
５ ７
科 技 和产 业
第 ８卷
第 ｌ 期 Ｏ
微分 方程 ， 求得 拟合 曲线 对对 象 的将 来 发展值 进行 预
其 中：
［ ｃ
） ２ － Ｘ １（ ） ， （）｛ （ １］ １ － ） ）３ － Ｘ１ ２ ’］ （ ）－ （ （ ） １ ｛ ） －
法进行 短期 的电力 负荷预 测 。
＿ 。
一
１ 灰 色 预 测 的 建模 过 程
电力 系统是 一个 灰色 系统 ， 电力负 荷灰 色预 测是 应用 灰色 系统理 论 ， 通过 对原 始数 据 的ቤተ መጻሕፍቲ ባይዱ理 和灰 色模 型 的建 立 ， 发现 、 掌握 负荷 的发 展规 律 ， 负 荷 的未来 对 状态进 行定 量预 测 ， 实质 上 是 将 “ 随机 过 程 ” 当作 “ 灰
电力 系统 负荷 预测 是 我 国实 现 电力 市 场 化 的一
微 分方 程 ：
ｄｘ（１）
— —
ｄ ｔ
＋纰 （ 一 ６ １ ） 。
（） １
ｈ 负荷 预测 ， 同时 ， 电力 负荷 预 测 也 是 调 度 部 门 的重 要 业 工作 。本 文拟采 用灰 色预 测 和神 经 网络 相 结合 的方

ｈ ｇ ｔ ｅ ａ ａ ｔｂ ｌ ｙ ｉ ｏ ｄ，ｈ ｏ ｖ ｒ ｅ ｃ ｐ ｅ ｓｓｇ ｉ ｃ ｎ ｌ ａ ｔ ｉ ｈ， ｄ ｐ ａ ｉ ｔ ｓ ｇ ０ ｔ ｅ ｃ ｎ ｅ ｇ ｎ ｅ ｓ ｅ ｄ ｉ ｉ ｎ ｆ ａ ｔ ｆ ． ｈ ｉ ｉ ｙ ｓ Ｋｅ ｒ ｓ ｌ ａ ｏ ｅ ａ ｔ ｗａ ｅ ｅ ｅ ｒ Ｉｎ ｔ ｒ ； ｅ ｒ ｌｎ ｔ ｒ ｙ ｗｏ ｄ ：ｏ ｄ ｆ ｒｃ ｓ ； ｖ ｌ ｔｎ ｕ ｅ ｗｏ ａ ｋ ＢＰ ｎ ｕ ａ ｅ ｗｏ ｋ
Ｂａ ｅ ｎ Ｗ ａ ｅ ｅ ｕｒ ｌＮｅ ｗｏ ｋ ｓｄ ｏ ｖ ｌｔ Ｎｅ ａ ｔ ｒ
ＺＵ ｅ ＢＩＧｕ —ｈ ｎｇ ＬＩ Ｌｉ ＨＡＯ ｕ ｎ Ｚｈ ， ｉ ｏ ， Ｕ ， Ｊａ
（ ． ａｕｔ ｏ ｌ ｔｃＰ ｗ ｒ ｎ ｉｅｒ ｇ Ｋ ｎ ｎ ｎｖ ｏ ｃｅｃ ｎ ｅｈ ， ｕ ｍ ｎ ５５ ０ Ｃ ｉａ １Ｆ ｃｌ ｆ ｅ ｒ ｏ ｅ ｇｎｅｉ ， ｕ ｍｉ Ｕ ｉ． ｆ ｉｎｅａｄＴ ｃ ． Ｋ ｎ ｉｇ６ ０ ０ ， ｈｎ ； ｙ Ｅ ｃｉ Ｅ ｎ ｇ Ｓ
中 圈分类 号 ：Ｐ９ Ｔ ３
文 献标 识码 ： Ａ
文章 编号 ： ７ － ２ Ｘ ２ ｌ）０ ０３ － ５ １ ３ ６９ （０２ １－ ２７ ０ ６
Ｒｅ ｅ ｒ ｈ ｏ ｗｅ ｙ ｔ ｍ ｈ ｒ － ｅ ｍ ａ ｏ ｅ ａ ｔＭ ｏ ｅ ｓ ａ ｃ ｎ Ｐｏ ｒ Ｓ ｓｅ Ｓ ｏ ｔ ｔｒ Ｌｏ ｄ Ｆ ｒ ｃ ｓ ｄ ｌ
中所 指的 小波 神经 网络 的优点 ， 例如 所需 网络 节点 少和 预 测精 度 高 ， 经在 电力 负荷 预 测 中得 到 验证 。表 明小 波神 经 网 已 络模 型预 测精度 高 ， 自适应 性好 ， 收敛 速度 也 明显快 。

主导频 率 ， 其 周 期分 别 为 ３ 、 ６ 、 １ ２ 、 ２ ４ 、 １ ６ ８ 、 ３ ３ ６ 、 ５ ０ ４ 、 １ ０ ０ ８ ｈ ． 根据 该分 析 结 果 可确 定 Ｂ Ｐ神经 网络 的输 入
排电网设备调度及检修计划 ， 还能提高电力系统运行 的稳定性 ， 减少 电网的发 电成本【 ２ 】 ． 本研究 构造 了基 于人工免疫算法 的神经 网络电力系统短期负荷预测 方法 ， 并通过仿真实验对方法进行 了验证 ．
模型 的神经网络规模相对较小 ， 过度训 练的现象不 容易 出现 ， 预测速度 比较快 ． 多输出模型可 以一次性 得到预测 Ｅ ｌ 的负荷数据 ， 有较好的通用性 ， 缺点是网 络模型比较大， 该网络可能需要数千个 网络权值 、 阈 值等参数 ， 耗费较长的训练时间【 ４ 】 ． 本研究对预测 日
・
１ ６ ０・
成都 大 学学报 （ 自然科 学版 ）
１ ． ３ 层 ． 依据 Ｋ ｏ １ ．
ｍ ｏ ｇ ｏ ｒ ｏ ｖ 定理 ， ３层前 向 网络 可 以满 意再 现任 意 连 续
函数 ， 如果有合理 的结构和适当的权值［ ６ 】 ． 绝大多数
使用人工神经 网络短期负荷研究都是基于单个隐含 层的 ． 对 ３层前 向层 网 络 的 结构 分 析 主 要 是针 对 隐
到 电力系统 的安全运行 和经 济调 度 ， 便 于更合 理 地安
电力市场的负荷数据进行负荷 的频谱分析 ， 采用快
速傅里叶变换 （ Ｆ ａ ｓ ｔ Ｆ ｏ ｕ ｒ ｉ ｅ ｒ Ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ ， Ｆ Ｆ Ｔ ） 对历史负 荷数据进行频谱 分析 ． Ｆ Ｆ Ｉ ｜ 的输人是所有小时负荷 数据构成的数据序列 ， 从 中分析出隐含于负荷数据 中的周 期特 性 ． 分析 结果 显示 ， 负荷 数据 中存在 ８个

２ ． ２ Ｌ ＭＢ Ｐ神 经 网络 Ｌ ＭＢ Ｐ神 经 网络 是 采用 Ｌ — Ｍｆ Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ — Ｍａ ｒ ｑ ｕ ａ ｒ ｄ ｔ） 算法的 Ｂ Ｐ （
３ ． ２ ． ３构建 ｃ ３ 、 ｄ ３ 、 ｄ ２ 、 ｄ １ 分量合适的预测模 型。 根据各分量 的特点构建各 自的神经 网络结构 。由于 ｃ ３分量与 原 始数 据 序 列 形 状 相 似 ， 应 考 虑 系 统 实 际 负 荷 的特 点 ， 加 入 气 象 因 子数据作为输入变量 。预测第 ｄ天 ｔ 时刻 ｃ 分量负荷值 ， 输入参数 为ｔ 时刻前 １ ２点 ，第 ｄ － １ 、ｄ － ２ 、ｄ － ７ 天ｔ 时刻前后三点的 ｃ ３分量 值， 以及 对 应 日期 的天 气 数 据 （ 降雨 量 Ｒ、 日最 高气 温 Ｔ ｍ ａ ｘ 、 日最 低 气温 Ｔ ａ ｒ ｉ ｎ ） 和 日期 类 型共 ３ ４个 输人 数 据 。由于 ｄ ３ 、 ｄ ２ 在 整个 负 荷 中 所 占 比例 较小 ， 并 且 受 天 气 因 素影 响 较 小 ， 因此 ， 预 测 第 ｄ天 ｔ 时刻 ｄ ３ 、 ｄ ２分量负荷值 ， 神经 网络 的输入数据为 ｔ 时刻前 １ ２点 ， 第ｄ － １ 、 ｄ 一 ２及 ｄ 一 ７ 天ｔ 时刻 周 围 三 点对 应 的 ｄ ３ 、 ｄ ２ 分量 ， 各为 ２ ２个 输 入数 据 。 隐含 层节 点 数 采用 试 凑法 ， 因此 ， 对单点（ 每小 时 ） 负荷的 ｃ ３ 分 量采用 Ｌ ＭＢ Ｐ神经网络结构为： ３ ４ — ７ — １ ， ｄ ３ 、 ｄ ２分量 Ｌ ＭＢ Ｐ神经网络 结构为 ： ２ ２ — ６ — １ 。由于 ｄ １ 分 量 呈 现很 强 的 随机 性且 在 整个 负 荷 中 的 占的比例很小 ， 使用加权平均法对其进行近似预测。 ４将 ｃ ３和 ｄ ３ 、 ｄ ２ 、 ｄ ｌ 预测分量结果进行重构 （ 调用 ｗ ａ ｖ ｅ ｒ ｅ ｃ函 数） 得到 ２ ０ １ ２年 ８月 ２ ７日 ２ ４小 时 的 负 荷 预 测值 ， 并 与 实 际 负 荷 比较得到误差 曲线 ， 仿真结果见图 １ ， 图２ 为单独使用 Ｌ Ｍ Ｂ Ｐ神经 网 络进行预测得到的预测值与误差 曲线。