基于BP神经网络的日负荷预测

基于行业聚类的负荷特性分析及预测袁鸣峰; 刘陶; 山宪武; 徐一晨【期刊名称】《《电气自动化》》【年(卷),期】2019(041)005【总页数】4页(P77-79,88)【关键词】行业聚类; 日负荷曲线; 负荷特性分析; 神经网络; 负荷预测【作者】袁鸣峰; 刘陶; 山宪武; 徐一晨【作者单位】国网新疆电力有限公司新疆乌鲁木齐 830000; 国网新疆电力有限公司电力科学研究院新疆乌鲁木齐 830000【正文语种】中文【中图分类】TM7140 引言电力工业在国民经济中扮演着越来越重要的角色，供电负荷特性研究是电网规划建设的依据和基础，通过对区域负荷特性的深入分析，掌握负荷变化的主要因素和机理，从而实施高效的电网调控措施[1-2]。

电力企业须对负荷进行合理聚类，归纳同类负荷的统一特征。

负荷特性分析将影响负荷分类和负荷预测的结果，良好的负荷特性分析不仅可以提高负荷预测的准确性还可以提高负荷预测效率。

只有掌握了负荷特性和变化规律才能建立适应性高、符合实际的负荷模型，提高预测精度[3-4]。

本文结合A地区调度运行、用电信息采集等实测数据，采用聚类分析、关联性分析等分析方法，在行业、产业分类的基础上对地区用户进行详细分类，并详尽分析负荷特性，找出不同行业用电负荷时空分布、用电实际负荷与装接容量等规律。

详细挖掘不同用电行业负荷信息，利用上述分析规律，建立BP神经网络负荷预测模型，并针对不同隐含层节点数进行对比分析。

1 基于行业聚类的用户分类方法本节运用模糊C均值聚类和模式识别原理，给出一种基于日负荷曲线的用户负荷聚类方法[5]，假设针对N个用户进行用户所属行业归类，行业类别为K个，实现流程如下：(1)设U=[U1,U2,…,Ui,UN]T∈RN×n，为N个用户每日n个功率采样点所形成的初始矩阵，其中Ui=[ui1,ui2,…,uij,uin]T∈R1×n为第i个用户的n点功率值[6]。

8《电气卄矣》(2019.No.1)文章编号：1004-289X(2019)01-0008-04一种基于自适应神经模糊推理系统的短期负荷预测方法鲍伟强I,陈娟2,谢伟-熊涛3(1・国网南平供电公司，福建南平353000；2.国网南平市延平区供电公司，福建南平353000；3.武汉工程大学电气信息学院，湖北武汉430205)摘要：随着智能电网技术的发展，电网问题的管理变得尤为重要，负荷预测是电网管理的主要内容之一。

本文针对小区域范围内电力系统负荷预测问题，提出了一种基于自适应神经模糊推理(ANFIS)方法，在每小时测量和记录电力负荷数据的基础上，利用提出的ANFIS模型进行了负荷预测。

在所提的ANFIS模型中，只需要确定历史负荷参数,模型中的其他参数可由历史负荷参数计算得到。

将实际负荷及其对时间的一阶导数、时间信息作为ANFIS模型的输入，预测下一个小时的负荷需求。

采用均方根误差、标准均方根误差和平均偏差误差作为模型评价指标。

实验结果表明，该方法适用于小区域的负荷预测。

关键词：电力系统；负载预测；神经网络;模糊推理系统；自适应学习中图分类号:TM715文献标识码：BShort-term Load Forecasting Approach Using Adaptive Neuro-fiizzy Inference SystemBAO Wei-qiang],CHEN Juan2,XIE Wei,XIONG Tao2,(1.State Grid Nanping Electric Power Supply Company,Nanping353000,China；2・State Grid Yanping District Electric Power Supply Company,Nanping353000,China；3・School of Electrical and Information Engineering,Wuhan Institute of Technology,Wuhan430205,China)Abstract:By developments on smart grid technologies,the management of the grid issue get more importance.Load forecasting is one of the most important topics for managing the grid.A novel Adaptive Neuro-Fuzzy Inference System (ANFIS)based load forecasting approach for small regions is proposed in this paper.Measured and recorded hourly load demand is predicted using proposed ANFIS based model.In proposed forecasting model,only consumption parameter is required.The other parameters are calculated from this parameter.In this scope,first order derivative of the consumption, actual consumption,month and hour parameters are used as the inputs of ANFIS model to forecast next hour load de­mand.The experimental results show that the proposed approach is well in load forecasting for small regions.Key Words:electric power system；load forecasting；neural network；fuzzy inference system；adaptive learning1引言电力系统是一个国家发展水平的重要指标之一,智能电网技术允许不同发电形式的电源参与电网，其负载需求也不断变化。

《笾．监居民小区燃气负荷规律与短期负荷预测颜景朝(深圳机械院建筑设计有限公司，广东深圳518027)脯要]居民小区燃气负荷规律及短期负荷预测是一项非常重要的课点L本文有实际例子阐述了燃气负荷靓律，分析了过去负荷预测的方法的不足．进而提出了基于BP网络的燃气短期负荷预测的方法。

法键词】负荷规律；时负荷；日负荷；月负荷；预测方法；网络系统；误差分析随着我国居民物质生活的改善，城市居民对燃气的需求量日益增加，使得燃气供应将进入到大发展时期，这对社会生活的发展与改善有着重要的促进作用。

城市居民燃气负荷规律与预测是一项非常重要的研究课题，这不仅关系到城市燃气供应规划及投资的效益与安全性，而且关系到城市居民的生活需求及燃气供应的可持续发展等问题，都具有重要的意义。

本文系统阐述了研究居民燃气使用负荷规律及负荷的预测的研究方法。

1居民小区的燃气负荷规律我们城市燃气使用负荷分为两大类：常年性负荷、季节性负荷。

常年性负荷是指居民、公共、工业等使用的燃气负荷，居民生活用气占有主要部分，具有明显的小时不均匀性的特征，与此同时随着季节的改变、居民生活方式的转变适应的日不均匀性及月不均匀性。

例如某市在04年的元旦燃气负荷统计得出，在1月1日的6：00_-9：∞是晚用气高峰，中午的用气量要比平时的多，燃气高峰系数分别达到2．98和4．56，这说明了燃气负荷随着节假日、居民的生活方式的变化而变化，具有不均匀性和周期性，随着节假日的到来具有明显的增加。

季节性负荷是指有些地区随着季节的不同，对燃气的使用量不同，居民的供暖用气占有主要部分。

供暖用气主要与室内外的温差、湿度及太阳辐射等外界条件有关系，季节气候的温差变化就制约着燃气的使用，温差大燃气使用负荷就越大。

—个月或者一个星期的燃气负荷主要有居民的生活习惯汲室内外的温差决定的，但在—个星期内的日气温的变化不规律，气温低的时候，燃气负荷就大，例如某市03年1月的日负荷及日不均匀系数达到12050这说明燃气量与季节有较大的关系。

基于IPSO-BP神经网络的短期风电功率预测研究基于IPSO-BP神经网络的短期风电功率预测研究摘要：近年来，随着新能源的快速发展，风电已经成为可再生能源中的重要组成部分。

然而，由于风电资源的间歇性和不稳定性，准确预测短期风电功率成为提高电力系统安全稳定运行和经济性的重要研究方向之一。

本文基于IPSO-BP神经网络，对短期风电功率进行预测，并在实际运行数据集上进行了实验验证。

结果表明，IPSO-BP神经网络在短期风电功率预测中能够取得较高的预测准确性和稳定性。

1. 引言随着能源危机和环境问题的日益严重，新能源的开发和利用已成为全球关注的焦点。

作为可再生能源的重要代表之一，风电具有无污染、可再生、资源广泛等优势，逐渐在全球范围内得到了广泛应用和推广。

然而，由于风速和风向的变化性，风电的发电功率具有间歇性和不稳定性，给电力系统的安全稳定运行带来了挑战。

短期风电功率预测是解决风电发电功率不稳定性的关键环节之一。

准确预测风电功率可以帮助电力系统规划者和调度者进行合理调度和优化，以确保电力系统的安全稳定运行，并合理安排其他电力资源的调配。

因此，研究和开发有效的短期风电功率预测方法对风电行业具有重要意义。

2. 相关工作综述在过去的几十年中，短期风电功率预测的研究得到了广泛关注。

现有的预测方法主要包括基于统计学方法、基于时间序列方法、基于人工智能方法等。

基于统计学方法的预测方法主要通过建立风速和风电功率之间的数学模型来进行预测。

这些方法在一定程度上可以反映风电功率的规律，但对于复杂多变的实际情况预测效果较差。

基于时间序列方法的预测方法主要通过对历史数据进行分析和建模来预测未来的风电功率。

这些方法适用于数据包含较强的周期性和趋势性的情况，但对于非线性和非平稳的数据表现欠佳。

基于人工智能方法的预测方法由于其较强的非线性建模能力和自适应能力，逐渐成为短期风电功率预测的主要研究方法之一。

神经网络作为人工智能方法的重要组成部分，在风电功率预测中取得了良好的效果。

电力负荷预测模型与分析电力负荷预测是电力系统中的重要环节，它对于电力生产和调度具有重要意义。

通过准确预测电力负荷，可以合理安排电力资源，提高供电可靠性，并有效降低成本。

本文将介绍电力负荷预测模型与分析的相关内容，探讨其中的方法与应用。

一、电力负荷预测模型的分类电力负荷预测模型可以分为经典模型和基于机器学习的模型两类。

1. 经典模型经典的电力负荷预测模型主要包括回归模型、时间序列模型和神经网络模型。

回归模型是一种基于统计方法的预测模型，它通过建立负荷与影响因素的数学关系，如温度、湿度、日期等，来预测未来的电力负荷。

常见的回归模型包括线性回归、多项式回归和岭回归等。

时间序列模型是一种基于时间序列数据进行预测的模型。

常见的时间序列模型包括ARIMA模型、VAR模型和GARCH模型等。

这些模型可以考虑历史数据的趋势、周期性和随机性，并根据这些规律进行负荷预测。

神经网络模型是一种基于人工神经网络的预测模型，它通过构建复杂的网络结构，使用反向传播算法进行训练，以实现对电力负荷的预测。

常见的神经网络模型包括BP神经网络、RNN神经网络和LSTM神经网络等。

2. 基于机器学习的模型近年来，随着机器学习算法的发展，基于机器学习的电力负荷预测模型越来越受到关注。

支持向量机是一种常用的机器学习方法，它通过构建高维特征空间，并寻找最优超平面，来实现对电力负荷的预测。

随机森林是一种集成学习方法，它通过构建多个决策树，并结合这些决策树的结果进行预测。

随机森林可以有效地处理高维特征和大规模数据，并具有较好的预测效果。

深度学习是一种基于神经网络的机器学习方法，它通过构建多层的神经网络，使用反向传播算法进行训练，以实现对复杂问题的预测。

深度学习在电力负荷预测中取得了显著的成果，尤其是基于卷积神经网络和循环神经网络的模型。

二、电力负荷预测模型的应用电力负荷预测模型在电力系统运行和调度中具有广泛应用。

1. 电力供需平衡电力负荷预测模型可以帮助电力公司合理安排电力资源，以满足用户的电力需求。

电力数据中的负荷预测与异常检测分析摘要：智能电网是关键的发展前景，但在各个阶段的信息规划中，都涉及到电力数据。

大数据时代的到来让每个人都明白了数据的价值，而电力数据信息的内容可以合理处理电网安全稳定问题，为电网运行控制提供支持。

因此，有必要对电力数据管理和分析中的负荷预测分析及异常检测算法进行科学研究。

关键词：电力数据；负荷预测；异常检测电力数据已成为电网发展趋势和优化的重要依据，尤其是电力负荷预测和电力数据异常检测。

为了更快地处理电网运行问题，优化和扩展预测分析和检测算法，充分利用数据在可持续发展理念中的应用。

1数据管理1.1系统推进数据质量治理，夯实数字化转型基石确保数据质量是有效发挥数据价值的基础。

供电企业应根据业务需求和系统特点，制定源端数据录入规则、录入标准和录入责任，建立“数据质量责任制”制度。

按照“谁生产、谁提供、谁负责”的原则，形成数据质量评估报告，全面推进数据质量源头控制。

同时，结合业务数据的应用需求，从数据准确性、完整性、一致性、规范性和及时性等方面全面评价数据质量管理的质量和有效性，实施“以应用促治理、以应用促质量”的数据质量管理战略，夯实供电企业数字化转型的基石。

1.2中站连接源数据系统，加固数字化转换塔基础按照“一个数据源”的管理原则，收集内部和外部核心数据资源，实现数据源、导出、一次性收集和多种用途的统一。

根据数据，分批、分步访问内部和外部数据。

内部数据包括人力资源、财务、物资、规划、建设、交通检测、营销等核心业务系统数据，外部数据包括气象、地图、灾害、环保等三方系统数据，实现统一数据采集、统一授权、统一呼叫、集中共享。

基于数据中心的数据集成和数据分析能力，规范化支持供电企业的数据共享和应用需求。

依托数据中心提供灵活统一的数据存取、存储、计算和大数据分析管理服务，形成“地州”三级联动数据共享服务体系→ 县→ 团队/供电站”，为公司各部门提供实时稳定的数据共享访问、数据交互等服务。

基于FCGA 和改进LSTM-BPNN 的燃气负荷预测①姜秋龙, 徐晓钟(上海师范大学 信息与机电工程学院, 上海 201400)通讯作者: 姜秋龙摘　要: 准确的燃气负荷预测对于城市合理供应和调度能源起着非常重要的作用. 由于燃气负荷数据本身具有周期性, 随机性的复杂特点以及单阶段单预测模型的局限性, 本文提出了一种基于模糊编码遗传算法(Fuzzy Coding of Genetic Algorithms, FCGA)和改进的LSTM-BPNN 残差修正模型的多阶段混合模型. 首先第一阶段先用LSTM 进行燃气负荷初步预测, 然后计算出燃气负荷残差值, 第二阶段先用BPNN 去预测残差值, 然后用Adam 自适应学习率算法在学习过程中自动调节LSTM-BPNN 残差模型的学习率, 加快拟合速度, 接着用模糊编码遗传算法去优化BPNN 的初始权重和阈值, 以便寻找到全局最优解. 最后把两阶段的预测值和作为最终的燃气负荷预测值. 通过对比实验得出, 本文模型比单模型, 原始两阶段预测模型得到了更高的预测准确率.关键词: LSTM-BPNN 残差模型; Adam; 模糊编码遗传算法; 残差预测; 多阶段混合模型; 燃气负荷预测引用格式: 姜秋龙,徐晓钟.基于FCGA 和改进LSTM-BPNN 的燃气负荷预测.计算机系统应用,2021,30(4):1–8. /1003-3254/7760.htmlGas Load Forecasting Using FCGA and Improved LSTM-BPNNJIANG Qiu-Long, XU Xiao-Zhong(College of Information and Mechanical Engineering, Shanghai Normal University, Shanghai 201400, China)Abstract : The accurate forecasting of daily natural gas load is pivotal to the reasonable supply and dispatch of energy in the city. This study proposes a multistage hybrid model based on Fuzzy Coding of Genetic Algorithms (FCGA) and the improved LSTM-BPNN residual correction model since gas load data is periodic but random and the single-stage and single-forecasting model has a limited role. In the first stage, the gas load is forecasted by the LSTM model to calculate its residual value. In the second stage, the residual value is predicted by the BPNN model, and then the learning rate of the LSTM-BPNN residual model is automatically adjusted with the Adam algorithm regarding the adaptive learning rate to accelerate fitting. Afterward, the initial weights and thresholds of the BPNN are optimized by the fuzzy coding of genetic algorithms to find the global optimal solution. Finally, the sum of the forecasting values in the two stages is taken as the final gas load. Comparative experiments prove that the model in this study ensures higher prediction accuracy than the single model and the original two-stage forecasting model.Key words : LSTM-BPNN residual model; Adam; Fuzzy Coding Genetic of Algorithm (FCGA); residual forecasting; multistage hybrid model; gas load forecasting计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2021,30(4):1−8 [doi: 10.15888/ki.csa.007760] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 基金项目: 上海市科委项目(11510502400)Foundation item: Shanghai Municipal Science and Technology Commission Project (11510502400)收稿时间: 2020-05-31; 修改时间: 2020-06-23, 2020-07-03, 2020-07-10; 采用时间: 2020-07-14; csa 在线出版时间: 2021-03-30目前, 随着工业化进程的加快、技术的发展、人民生活水平的提高、人口的快速增长等因素, 能源消耗特别是石油和煤炭的消耗量不断增加, 同时, 石油和煤炭燃料排放出大量的温室气体, 这将加速全球气候变化, 例如全球变暖, 海平面上升和各种次生灾害频繁发生[1]. 因此, 天然气作为一种相对清洁的能源, 已经引起了各国政府的重视, 并成为世界各国政府主要需求能源之一. 另一方面, 天然气需求量的模糊性增加了能源分配的复杂性, 并且天然气供应不足会给经济和社会带来危害. 此外, 在天然气购买方面, 天然气购买合同属于严格的收付合同类型, 这意味着当人们违反合同规定时, 存在更大的赔偿风险[2]. 在上述情况下, 合理预测天然气负荷对解决这些问题具有重要意义.在天然气负荷预测领域, 已经有许多不同的方法用于预测天然气负荷. Soldo[3]和Tamba[4]对相关工作进行了详细总结, 并根据预测范围、模型类型、地理区域和其他条件进行了排序总结. 天然气负荷预测的模型研究主要包含3类: (1) 基于统计方法的模型: 线性回归方法[5]、自回归综合移动平均(ARIMA)[2]、带外生变量的函数自回归模型(FARX)[6]、二次多元自适应回归样条(CMARS)[7]; (2) 基本机器学习方法: 极限学习机[8]、支持向量回归[9]、BP神经网络[10]; (3) 深度学习方法:深度受限Boltzmann机器(DRBM)[11].上述一系列适合短期燃气负荷预测的模型是从线性模型到包含机器学习和深度学习的非线性模型这个方向发展的. 后者在过去几十年中得到了广泛的应用, 因为它们能够完美的泛化输入/输出的关系. Jolanta Szoplik[12]提出了用多层感知器(MLP)来预测燃气. 它是以日历和天气因素作为输入变量来预测波兰城市的燃气负荷. 最后用得到的最优结构MLP对燃气消耗量进行预测, 结果显示预测准确率优于普通线性模型. 自人工神经网络在能源负荷预测建模中的成功应用以来,许多研究者探索了深度学习在燃气负荷领域的应用.最近的研究主要集中在循环神经网络(RNN)和长短期记忆(LSTM)网络上. Wei等[13]建立了一个具有不同预处理方法的LSTM模型, 对我国不同地区的天然气日负荷进行了预测. Hribar等[14]用GRU方法对单个居民家庭短期负荷数据进行了建模. 上述两个模型的预测准确率相比于普通神经网络更好.此外, 还有大量的混合预测方法来建模燃气数据,并通过与单一模型方法相比获得高精度的预测结果,实际证明了其有效性[15]. 特别是基于集群智能算法和单模型的组合方法, 在解决复杂非线性预测控制问题上表现出了较好的可靠性[16]. Karadede等[17]利用一种特殊的实值遗传算法BGA (Breeder Genetic Algorithm)优化NGD-NLR回归方程的系数, 然后采用模拟退火算法对前面整个系统进行优化. Wei等[18]提出了一种新的遗传算法, 即生命遗传算法(LGA), 用于短期负荷预测中支持向量回归(SVR)参数的优化, 在LGA得到SVR 的最佳参数之后, 将其应用于我国燃气负荷预测. 余等[19]还提出了一种基于混沌遗传算法优化小波神经网络的组合模型, 其中混沌遗传算法优化了小波神经网络的参数. 其结果比传统的神经网络模型具有更强的鲁棒性和更好的性能. 因此我们可以初步推断, 混合预测技术, 特别是集群智能算法的集成是燃气负荷预测领域的一个潜在的研究方向.另外, 还有一部分涉及到其他领域的残差修正方法, 这意味着在预测研究中有两个阶段, 分别有一个主模型和一个次模型[20]. 具体地说, 先用主模型预测初步值, 然后用主模型生成的残差序列作为输入因子, 用次模型即残差修正模型预测残差值. 最后, 混合模型的预测值是由残差值增强的修正值. 其中, 还有一部分研究在第二阶段增加了分解过程. 它们使用不同的分解方法来分解残差序列, 如带自适应噪声的集成经验模式分解(ICEEMDAN)[21]、经验模式分解(EMD)[22]、经验小波变换(EWT)[23]. Niu等[24]建立了基于BP神经网络和灰色马尔可夫模型的混合负荷预测模型. 其中采用灰色算法对残差修正马尔可夫模型进行了优化. 结果表明, 残差修正法可以大大提高能量场的预测精度. Wang等[25]提出了残差修正模型, 以提高季节ARIMA 预测电力需求的精度. 残差修正模型由粒子群优化(PSO) Fourier方法和季节ARIMA模型组成, 与其它残差修正模型和单一季节ARIMA模型相比, 具有更好的效果. 通过以上残差修正模型在其他领域的成功应用, 我们可以得出一个共同点: 这些残差校正模型的主模型或次模型都是普通模型, 并通过单一的优化算法加以优化, 只有残差序列作为输入因子. 与上述残差修正模型相比, 本文提出了一种新的残差修正混合模型LSTM-BPNN并应用燃气负荷预测领域, 并通过FCGA 和Adam两种优化算法对残差修正模型进行了优化.另外, 引入了两个新的残差因子作为BPNN神经网络的输入变量. 实验结果显示本模型有着更好预测结果.计算机系统应用2021 年 第 30 卷 第 4 期1 LSTM-BPNN 残差修正模型G act (t )G pre (t )R act (t )LSTM-BPNN 残差校正模型是一种基于残差分析的混合模型. 首先研究了残差分析在燃气负荷预测领域的可行性. 假设时间步t 处的实际和预测天然气负荷分别为和. 实际残差可以表示为正或负:R act (t )G act (t )显然, 如果实际残差已知, 则t 时的最终预测结果可以写成:R act (t )可以写成:R act (t )R act (t )R pre (t )R act (t )其中, x 1, x 2是残差的影响因子. 我们不能预先知道真实残差值, 也不能通过式(3)得到真实残值,但是我们可以使用实际残值的近似值, 预测残值.可以写成:因此式(2)可以重写为:R pre (t )显然, 如果预测的残差是已知的. 只要预测残值更接近实际残值, 整个残差预测模型的精度就会更高.本文中的LSTM-BPNN 残差修正模型有主模型和次模型组成. LSTM-BPNN 的主模型是长短期记忆网络(LSTM), 它属于一组强大的连接主义模型, 是前馈神经网络的超集[26]. LSTM 的主要特点是记忆上一个时间步长的处理状态, 并利用该状态影响下一个时间步长的输出, 使LSTM 能够学习天然气负荷序列中的长期时间步内容.LSTM-BPNN 的次模型是BP 神经网络. 结构合理的BP 神经网络在理论上可以逼近任何非线性连续函数.BPNN 的这一特性非常适合于复杂残差序列的预测.图1中LSTM-BPNN 残差修正模型的处理流程如下:G pre (t )(1) 利用6个输入因子建立了LSTM 预测模型. 将经过良好训练的LSTM 预测模型应用于实际的燃气负荷预测中, 同时利用(1)得到不同时刻的LSTM 预测残差值, 形成历史残差称为残差数据集.(2) 利用历史残差和其他两个输入变量建立了BPNNR pre (t )残差预测模型. 将经过良好训练的BPNN 残差预测模型应用到预测.R pre (t )G pre (t )G act (t )(3) 最后通过BPNN 残差模型的和LSTM 模型的得到.开始计算残差集生成训练集残差训练集训练 LSTM 模型训练 BPNN 模型确定 BPNN 结构测试集LSTM 模型预测初始化模型参数LSTM 模型预测值修正 LSTM 预测值残差测试集BPNN 模型预测BPNN 预测残差值完成残差预测?最终预测值NY图1 LSTM-BPNN 残差修正模型2 基于模糊编码遗传算法和Adam 算法的LSTM-BPNN 残差修正模型为了提高LSTM-BPNN 残差修正模型的预测精度, 进一步采用了两种优化算法, 即模糊编码遗传算法(FCGA)和Adam 算法, 形成LSTM-FCGA-BPNN (Adam)混合预测模型.2.1 LSTM-FCGA-BPNN (Adam)模型中的Adam 算法Adam 算法在本模型中主要是替换掉传统的梯度下降方法来当做模型的学习算法. Adam 算法是一种自适应学习速率算法. 它易于实现, 计算效率高, 适用于不稳定序列. 采用Adam 算法自动调整LSTM-BPNN 残差修正方法的学习速率. 该算法的主要更新公式[27]如下:f (θ)θg t 其中, t 为时间步, 为参数为的随机目标函数. 是随机目标函数在时间步t 上的梯度.β1m t 其中, 是矩估计的指数衰减率. 是有偏的一阶矩2021 年 第 30 卷 第 4 期计算机系统应用估计.β2v t 其中,是矩估计的指数衰减率. 是有偏的第二原始矩估计.Mt 其中, 是经偏差校正的第一矩估计值.V t 其中, 偏差修正了第二原始矩估计.以上公式是Adam 算法的主要组成部分. 详见文献[27].2.2 LSTM-FCGA-BPNN (Adam)模型中的模糊编码遗传算法模糊逻辑和进化算法的集成方法有很多种. 模糊编码遗传算法(FCGA)属于一种使用模糊工具和基于模糊逻辑的技术来建模不同进化算法组件的方法[28].Voigt[29]提出模糊编码遗传算法与遗传算法(GA)相似, 只是FCGA 考虑了个体从基因型到表现型的个体发展水平. 将个体发展过程建模为模糊决策过程. 每个基因值代表一个决策变量, 其值的范围在0到1之间.然后, 利用FCGA 确定BP 神经网络的初始权值和阈值. 该流程由3部分组成:(1)确定BPNN 的结构. 根据短期负荷预测的影响因素、输出参数, 分别确定输入节点数、输出神经元数. 此外, 通过不同的实验确定了隐藏节点的最佳数目.(2)利用FCGA 优化BPNN 权值和阈值. 一是随机产生种群. 每个种群的个体代表网络权值和阈值. 其次,通过适应度函数计算适应度值. 最后, 通过遗传操作获得最好的个体.(3)采用改进的BP 神经网络预测残差值. 首先, 用最好的个体初始化. 优化后的BPNN 神经网络可以得到准确的残差预测, 并在燃气负荷预测修正中对LSTM 初步值进行修正.FCGA 优化BP 神经网络的初始权值和阈值具体实现如下:(1) 确定编码长度S =(S 1+S 2)∗R 在模糊遗传算法中, 采用模糊编码对BP 神经网络的权值和阈值进行编码. 上述参数的编码长度可由计算(假设R 是权重变量或阈值变量的S 1S 2长度, 、是权重、阈值的个数). 本文用的BP 神经网络总共有88个权重和17个阈值, 总计105个变量,每个变量的编码长度为16位, 例如一个变量的16编码为[0.749 080 193 511 837,0.054 426 839 836 673 07,0.723 841 737 254 684 7,0.527 369 964 823 429 1, 0.433 846 416 668 383 97,0.535 529 030 417 676 7, 0.399 785 290 760 628 63,0.096 465 691 269 415 18,0.113 464 102 724 471 6,0.320 054 583 692 175 43, 0.517 091 079 786 878 6,0.053 649 863 057 794 18, 0.112 289 468 021 933 74,0.602 713 827 670 844 7, 0.713 384 462 695 221 4, 0.518 408 912 550 169 9] 和原先遗传算法的不同点在于这里的每个值是介于[0, 1]之间的数值, 而不是固定的1或0; 这种模糊值很好表示了复杂的个体发展水平, 同时为寻求解的过程提供了鲁棒性, 因此会导致模糊遗传算法的优化性能更好.(2) 初始种群与适应度函数X 1=[x 11,x 12,···]随机产生一个个体, 每个元素的范围是[0, 1]. 在适应度函数方面, 基于神经网络输出节点的误差函数L , 模糊遗传算法的总体目标是求L 的最小值, 因此个体适应度函数FT 是:其中, N 是样本总数.(3) 选择选择操作的目的是将根据选择率选择的个体替换为每一代种群中的最佳个体. 首先, 根据选择率的值随机生成替换机会. 当一个个体被选中时, 用最好的个体来代替这个个体. 它模拟了最佳个体生存概率较大的生命活动.(4) 交叉交叉运算可以用模糊集的并和交算子来完成. 首先, 在每一代群体中随机选取两个个体进行模糊交叉.然后从双亲中产生两个基因序列. 一是最大基因序列.另一个是最小基因序列. 因此, 子基因将使用应用于所有模糊最小和最大序列范围的均匀概率分布随机定义.孩子出生后, 原来的父母就被替换了. 这一过程产生了后代和其他父母代的混合种群.(5) 突变基于以下等式, 突变操作替换个体的基因, 这非常不同于基因的简单0,1逆转[29].计算机系统应用2021 年 第 30 卷 第 4 期Pmutation 其中, 是均匀突变概率. n 是基因总数, i 是单个基因在染色体上的位置.2.3 LSTM-FCGA-BPNN (Adam)燃气负荷预测模型流程如前所述, LSTM-FCGA-BPNN (Adam)组合模型流程如图2所示.编码初始化种群计算适应度函数选择最好的个体选择变异YN满足条件?开始残差训练集训练 LSTM 模型确定初始参数?测试集LSTM 模型预测LSTM 模型预测值训练 BPNN 模型BPNN 模型预测BPNN 预测残差值FCGA 交叉生成训练集完成残差预测？NNY Y修正 LSTM 预测值最终预测值计算残差集确定 BPNN 结构初始化模型参数残差测试集图2 LSTM-FCGA-BPNN (Adam)残差修正模型3 结果和讨论本节通过历史天然气负荷数据验证了LSTM-FCGA-BPNN(Adam)模型的优越性和稳健性. 也对LSTM-FCGA-BPNN(Adam)模型和其他模型(LSTM 、LSTM-BPNN(Adam)、LSTM-GA-BPNN(Adam))进行了性能比较. 所有模型都由Python 、TensorFlow 和Spyder 实现. 模型的主要最佳参数是通过验证集上不断试验和参考相关文献确定的, 如表1所示.除了表1所示参数外, 还有网络结构参数如LSTM 为3层, 每层5个cell, BPNN 为2层, 每层8个隐含节点. 这些网络结构参数的选择在考虑模型收敛速度, 在验证集上的拟合效果和参考相关燃气负荷文献确定的.这些参数的确定保证了网络结构的易用性和鲁棒性.两个遗传算法的交叉概率和变异概率参数的选择参考了原始文献超参数的设置建议, 以及在验证集上设置的. 交叉概率大一些可以提高种群的多样性, 以及增加在局部解空间的探索强度. 在生物界, 变异概率也是非常稀有的, 因此把变异概率设置的小一些, 防止跳出整个解空间, 利于进入附近的局部解空间.表1 模型的初始参数模型初始参数LSTM 训练次数: 5000, 学习率: 0.01, drop 率: 0.10BPNN 训练次数: 1000, 学习率: 0.01, drop 率: 0.02FCGA 种群数量: 10, 迭代次数: 8, 交叉概率: 0.8,变异概率: 0.3, 选择概率: 0.8GA种群数量: 10, 迭代次数: 8, 交叉概率: 0.8, 变异概率: 0.33.1 数据集和输入变量选择数据集分为训练集和测试集, 训练集: 2005.11.15~2013.11.15, 共2923个数据集. 测试集: 2013.11.16~2014.5.28, 共194个数据. 其中训练集中选择一部分数据当做验证集来选择超参数. 数据预处理简单地消除了一些异常值. 我们选择以下8个因素作为LSTM-FCGA-BPNN (Adam)的输入, 包括前一天的燃气消耗量、平均温度、周、月、日、预测日的天气条件, 温差(当日气温与前一日气温之差)、预测燃气负荷之差(前一日用气负荷与当日预测用气负荷之差). 模型的输出是预测结果. 其中, 温差和预测燃气负荷差是BPNN 模型的输入变量.2021 年 第 30 卷 第 4 期计算机系统应用3.2 评价指标为了量化模型的性能, 引入了3个指标: 平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE), 这些指标可以定义如下:其中, N是时间序列的长度; y是实际数据; p是预测值.3.3 预测结果讨论表2显示了各个模型在数据集上的平均预测误差.每个模型的预测重复50次, 以获得平均预测误差. 所有模型的MAPE都低于10%, 根据Lewis基准[13], 这是准确的且符合要求的(≥50%). 这一事实表明, 在燃气负荷预测领域, 各种预测模型都是可行的, 上海市的用气趋势与其他地区相比是相对稳定的[13], 作者认为, 造成这种现象的主要原因是上海市冬季平均气温在1℃左右, 也就是说温差并不大.表2 各模型实验结果评价标准BPNN LSTM LSTM-BPNN LSTM-BPNN (Adam)LSTM-GA-BP (Adam)本文模型MAE19 769.7617 573.0314 987.7714 735.6014 751.8614 448.87 RMSE29 633.6528 659.3126 879.2526 284.5026 464.8426 016.49 MAPE0.083 720.071 550.060 610.060 580.060 240.059 11对于单一模型, BPNN的MAPE为8.38%, LSTM 模型的MAPE为7.16%. 两种模型的MAPE值相差0.012. 这一事实支持LSTM模型在具有相同的输入变量下可以获得相比于普通机器学习的模型(BPNN)好的性能. 在燃气负荷预测中, LSTM方法是一种较好的方法.与BPNN和LSTM模型相比, LSTM-BPNN和LSTM-BPNN(Adam)的MAPE均保持较低值. 上述两种残差模型的优势百分比至少为1.1%. 这一结果的主要原因是增加了残差分析. 结果表明, 残差分析是一种能显著提高燃气负荷预测精度的方法, 残差具有重要的信息价值, 值得认真研究. 上述两个新变量(温差和预测气差)在残差模型的成功应用也表明, 影响残差序列的不仅仅是前几天的残差序列. 这一结果也证实了残差分析在其他领域的成功应用. LSTM-BPNN(Adam)模型的MAPE略高于LSTM-BPNN模型, 约高0.1%,说明Adam算法对提高LSTM-BPNN模型的精度起着关键作用. 研究结果还表明, 采用优化算法解决残差模型固有的缺点, 可以进一步提高燃气负荷预测精度, 有利于燃气负荷管理. 因此, 现阶段LSTM-BPNN(Adam)作为天然气日负荷预测的核心模型.将遗传相似算法与LSTM-BPNN (Adam)相结合是必要的, 因为在大多数情况下, 遗传算法和FCGA都能减小燃气负荷预测模型的预测误差, LSTM-GA-BPNN (Adam)和LSTM-FCGA-BPNN (Adam)的MAPE分别为6.02%、5.91%, 高于前4种模型, 特别是高于前4种模型相同类型的残差模型(LSTM-BPNN, LSTM-BPNN (Adam)), 平均也至少高出0.3%. 这种优势是由于GA-相似算法为LSTM-BPNN (Adam)模型找到了很好的初始解空间. 结果表明, 进一步优化残差模型可以大大提高燃气负荷预测的精度. 这也表明了上述混合模式在剩余分析领域的优越性. 在第3组中, LSTM-FCGA-BPNN (Adam)模型的MAPE比LSTM-GA-BPNN (Adam)模型的MAPE高约1%. LSTM-FCGA-BPNN (Adam)模型之所以稍有优势, 是因为FCGA考虑了个体从基因水平到成熟表型水平的发展. 这一事实证明, FCGA是一种更稳健、更可靠的天然气日负荷预测算法, LSTM-FCGA-BPNN (Adam)模型在这种情况下具有良好的鲁棒性, 可以作为天然气日负荷预测的模型.在收敛速度方面, 由于FCGA确定BP神经网络的初始权值和阈值, 避免了BP神经网络陷入局部极小值, 采用Adam算法自动调整学习速率, 提高了LSTM-BPNN残差修正模型的性能, 所以在实验组中LSTM-FCGA-BPNN (Adam)模型在解空间寻找最优解时相比于LSTM-GA-BPNN (Adam), LSTM –BPNN, LSTM-BPNN (Adam)收敛更快.为了更好地观察本模型的性能, 预测结果与实际燃气负荷数据的图形比较如图3所示. 这个图形非常生动地显示了上述结果. 这些数据还表明, LSTM-FCGA-BPNN (Adam)模型能够做出准确的预测, 并具有更强大的获取天然气负荷数据背后特征的能力.计算机系统应用2021 年 第 30 卷 第 4 期20406080100120140160180天×10真实燃气值LSTM-FCGA-BPNN(Adam)图3 本模型与实际燃气对比4 结论本文旨在介绍一种新颖的、预测准确率更高的天然气负荷日预测方法. 该方法是基于LSTM-BPNN 残差修正和新输入残差影响因素的混合模型、模糊编码遗传算法(FCGA)和Adam 算法. 以LSTM-BPNN 残差修正模型为基本模型, 对次日燃气负荷进行预测, 为了提高预测性能, 首先利用Adam 算法对LSTM-BPNN 残差校正模型的结构进行了优化. 其次利用FCGA 对LSTM-BPNN (Adam)模型进行优化. 采用FCGA 确定BP 神经网络的初始权值和阈值, 避免了BP 神经网络陷入局部极小值, 采用Adam 算法自动调整学习速率,提高了LSTM-BPNN 残差修正模型的性能比较了LSTM-FCGA-BPNN (Adam)与LSTM 、LSTM-BPNN 、LSTM-BPNN (Adam)、LSTM-GA-BPNN (Adam)的预测性能. 根据预测结果, 本文提出的LSTM-FCGA-BPNN (Adam)模型在天然气日负荷预测中具有良好的稳健性, 可以作为一种可靠的预测模型来提供天然气日耗量的准确预测. 此外本文通过日预测的模式预测了194天的时间序列长度, 显示出比较好的结果. 这6个多月的预测长度包含了季节的变更, 非常有利于抓住燃气负荷的主要特征. 本文用的时间长度可以满足上海实际燃气预测范围, 可以让燃气公司提前供气和减少经济损失, 也证明了本文方法应用在较长时间长度也有比较好的效果.今后, 我们将继续研究残差分析, 继续探索残差中的影响因素, 进一步降低由混合模型引起的计算效率和混合复杂度问题.参考文献Wang HZ, Lei ZX, Zhang X, et al . A review of deep learning1for renewable energy forecasting. Energy Conversion and Management, 2019, 198: 111799. [doi: 10.1016/j.enconman.2019.111799]Akpinar M, Yumusak N. Year ahead demand forecast of citynatural gas using seasonal time series methods. Energies,2016, 9(9): 727. [doi: 10.3390/en9090727]2Soldo B. Forecasting natural gas consumption. AppliedEnergy, 2012, 92: 26–37. [doi: 10.1016/j.apenergy.2011.11.003]3Tamba JG. Forecasting natural gas: A literature survey.International Journal of Energy Economics and Policy, 2018,8(3): 216–249.4Baldacci L, Golfarelli M, Lombardi D, et al . Natural gasconsumption forecasting for anomaly detection. Expert Systems with Applications, 2016, 62: 190–201. [doi: 10.1016/j.eswa.2016.06.013]5Chen Y, Chua WS, Koch T. Forecasting day-ahead high-resolution natural-gas demand and supply in Germany.Applied Energy, 2018, 228: 1091–1110. [doi: 10.1016/j.apen ergy.2018.06.137]6Özmen A, Yılmaz Y, Weber GW. Natural gas consumptionforecast with MARS and CMARS models for residential users. Energy Economics, 2018, 70: 357–381. [doi: 10.1016/j.eneco.2018.01.022]7Izadyar N, Ong HC, Shamshirband S, et al . Intelligentforecasting of residential heating demand for the district heating system based on the monthly overall natural gas consumption. Energy and Buildings, 2015, 104: 208–214.[doi: 10.1016/j.enbuild.2015.07.006]8Bai Y, Li C. Daily natural gas consumption forecasting basedon a structure-calibrated support vector regression approach.Energy and Buildings, 2016, 127: 571–579. [doi: 10.1016/j.enbuild.2016.06.020]9Cirak B. Development of artificial neural network models toprediction of matural gas consumption in siirt of turkey.International Journal of Information Research and Review,2014, 1(2): 13–18.10Merkel GD, Povinelli RJ, Brown RH. Deep neural networkregression for short-term load forecasting of natural gas.Electrical and Computer Engineering Faculty Research and Publications. 2017. 287.11Szoplik J. Forecasting of natural gas consumption withartificial neural networks. Energy, 2015, 85: 208–220. [doi:10.1016/j.energy.2015.03.084]12Wei N, Li CJ, Peng XL, et al . Daily natural gas consumptionforecasting via the application of a novel hybrid model.Applied Energy, 2019, 250: 358–368. [doi: 10.1016/j.apener132021 年 第 30 卷 第 4 期计算机系统应用gy.2019.05.023]Hribar R, Primož P, Jurij Š, et al . A comparison of modelsfor forecasting the residential natural gas demand of an urban area. Energy, 2019, 167: 511–522. [doi: 10.1016/j.energy.2018.10.175]14Laib O, Khadir MT, Mihaylova L. Toward efficient energysystems based on natural gas consumption prediction with LSTM recurrent neural networks. Energy, 2019, 177:530–542. [doi: 10.1016/j.energy.2019.04.075]15Ma X, Mei X, Wu WQ, et al . A novel fractional time delayedgrey model with grey wolf optimizer and its applications in forecasting the natural gas and coal consumption in Chongqing China. Energy, 2019, 178: 487–507. [doi: 10.1016/j.energy.2019.04.096]16Karadede Y, Ozdemir G, Aydemir E. Breeder hybridalgorithm approach for natural gas demand forecasting model. Energy, 2017, 141: 1269–1284. [doi: 10.1016/j.energy.2017.09.130]17Wei N, Li CJ, Li C, et al . Short-term forecasting of naturalgas consumption using factor selection algorithm and optimized support vector regression. Journal of Energy Resources Technology, 2019, 141(3): 032701. [doi: 10.1115/1.4041413]18余凤, 徐晓钟. 基于优化小波BP 神经网络的燃气短期负荷预测. 计算机仿真, 2015, 32(1): 372–376. [doi: 10.3969/j.issn.1006-9348.2015.01.079]19Ouyang TH, Zha XM, Qin L, et al . Prediction of wind powerramp events based on residual correction. Renewable Energy,2019, 136: 781–792. [doi: 10.1016/j.renene.2019.01.049]20Wang LL, Li X, Bai YL. Short-term wind speed predictionusing an extreme learning machine model with error correction. Energy Conversion and Management, 2018, 162:21239–250. [doi: 10.1016/j.enconman.2018.02.015]陈川, 陈冬林, 何李凯. 基于BPNN-EMD-LSTM 组合模型的城市短期燃气负荷预测. 安全与环境工程, 2019, 26(1):149–154, 169.22Liu H, Chen C. Multi-objective data-ensemble wind speedforecasting model with stacked sparse autoencoder and adaptive decomposition-based error correction. Applied Energy, 2019, 254: 113686. [doi: 10.1016/j.apenergy.2019.113686]23Niu DX, Xu C, Li JQ, et al . Application of short-term loadforecasting based on improved gray-markov residuals amending of BP neural network. Proceedings of the 1st First InternationalConferenceonAdvancesinSwarmIntelligence. Beijing, China. 2010. 564–569.24Wang YY, Wang JZ, Zhao G, et al . Application of residualmodification approach in seasonal ARIMA for electricity demand forecasting: A case study of China. Energy Policy,2012, 48: 284–294. [doi: 10.1016/j.enpol.2012.05.026]25Gers FA, Schmidhuber J, Cummins F. Learning to forget:Continual prediction with LSTM. Neural Computation, 2000,12(10): 2451–2471. [doi: 10.1162/089976600300015015]26Kingma DP, Ba LJ. Adam: A method for stochasticoptimization. Proceedings of the 3rd International Conference on Learning Representations. arXiv preprint arXiv:1412.6980, 2014.27Herrera F, Lozano M. Fuzzy evolutionary algorithms andgenetic fuzzy systems: A positive collaboration between evolutionary algorithms and fuzzy systems. In: Mumford CL,Jain LC, eds. Computational Intelligence. Berlin: Springer,2009. 83–130.28Voigt HM. Fuzzy Evolutionary Algorithms. Berkeley:International Computer Science Institute, 1992.29计算机系统应用2021 年 第 30 卷 第 4 期。

- 1 -高 新 技 术１　数据预测评估系统的设计背景目前，企业数据工程师的工作量较大，且由于数据分析的特性，会增加数据工程师对数据进行挖掘分析的时间成本，对工作任务的完成效率和企业的盈利有不利影响，甚至可能阻碍新算法的开发进程。

因此，无论是对企业和工作者，还是对现在和未来的发展来说，优化提升现有的基础是十分重要的。

基于神经网络算法的数据预测与评估系统是一款可以快速、高效地完成数据预测与评估系统管理操作的软件，而且该系统还具备数据导入、数据训练和数据预测等功能，可以根据设置的配置参数完成基于神经网络算法的数据预测与评估系统等相关操作。

该软件可以系统地对基于神经网络算法的数据预测与评估系统所产生的数据进行分析、归类和计算，再对数据进行智能化的统筹管理和保存备份。

全新的登录账号系统让用户可以随时随地访问基于神经网络算法的数据预测与评估系统管理平台，让用户可以更便捷地管理该系统，也让用户更加安心。

２　研究现状目前针对数据预测的系统有很多，许多学者从随机森林、灰色预测、神经网络、时间序列、组合处理、小波分解以及ANFIS 模型等多个方面对数据预测系统展开了研究和开发工作，研究成果颇丰[1]。

其中，灰色预测方法、神经网络和时间序列3个角度是学界研究的热点，学者对相关研究的兴趣一直维持在一个较高的水平。

在对使用时间序列方法进行数据预测的研究中，南国芳、周帅印、李敏强和寇纪淞在2013年通过对无线传感器网络的数据进行分析，引入多属性模糊时间序列预测模型，并提出了适合传感器网络的修正预测模型[2]。

2010年，于重重、于蕾、谭励和段振刚基于时序算法对太阳能热水监测系统的使用率做出准确的评价[3]。

2020年，潘点飞等人为了实现在轨道中采用生控系统进行故障预测的目的，对系统遥测数据的时间序列信息展开了研究。

通过AIC 与BIC 相结合的方法确定了预测模型，并运用该模型对实际工程中的遥测数据进行预测验证[4]。

在以神经网络为基础的数据预测模型中，学者大多使用的是BP 神经网络、LSTM 神经网络和GRU 神经网络；2020年，姬鹏飞、孟伟娜、杨北方和王丹丹提出了基于自适应粒子群算法（APSO）优化的误差方向传播（BP）神经网络预测方法，利用APSO 算法优越的全局搜索能力更新 BP 神经网络的权值和阈值，通过有效结合2种算法的优势，提高了某省农业机械数据预测的精度[5]。

电力负荷预测的研究和应用随着经济的快速发展和人民生活水平的提高，人们对电力的需求越来越大，电力系统保障了国民经济发展和社会进步的基础。

但是电力系统的运行存在着很大的不确定性，负荷的突然变化经常会导致电力系统的故障和事故发生，影响到电力系统的可靠性和稳定性。

因此，电力负荷预测成为了电力系统运行的重要环节。

一、电力负荷预测的背景和意义在电网的控制中心，电力系统操作员需要经常监测负荷情况以及预测未来的负荷变化，从而制定出正确而有效的控制措施，保证电力系统的稳定运行。

电力负荷预测即是利用历史数据、天气数据、周日历史数据，经过计算机处理得出未来负荷需求趋势的科学方法。

因为电力负荷的不稳定性及其难以预测性，也使得对电力负荷预测算法的研究和开发成为了电力系统关注的焦点，同时也是计算机科学和数学等领域的研究热点。

电力负荷预测涉及到很多方面，比如市场管理、电力生产、输配电等领域，它的主要用途有如下几个方面：1. 计划生产和运输：预测负荷量可以帮助电力公司准确制定生产和运输计划，从而优化调度资源，提高发电效率。

2. 负荷预报及其控制：预测未来的负荷变化趋势，可以提前对负荷进行调控，减少因负荷突变而造成系统不稳定的可能性。

3. 能效管理：通过对负荷的预测，电力供应企业可以合理调度发电量、优化电网运行，使能源利用率最大化。

4. 能源规划：根据负荷预测的结果，合理制定发电、输配电和综合能源计划，为电力系统长期发展提供科学依据。

二、电力负荷预测的方法和模型早期的电力负荷预测方法以统计学为主，主要基于时间序列、回归分析等方法。

近年来，随着深度学习和数据挖掘技术的发展，基于神经网络、支持向量机等机器学习方法的电力负荷预测模型越来越受到重视。

1. 统计学方法时间序列分析是一种十分常用的统计学方法，它可以考虑到历史数据的传承性和趋势性之外还可以考虑到时间的季节性和周期性，比较常见的有 ARIMA 模型、指数平滑法等。

回归分析是一种描述干扰与被预测值之间关系的算法，其主要思想是利用一系列自变量来估计因变量的值。

目录中文摘要 (1)英文摘要 (2)1 电力系统负荷预测综述 (3)1.1 引言 (3)1.2 电力系统负荷预测的含义 (3)1.3 电力系统负荷预测的意义 (4)1.4 电力系统负荷预测的现状 (4)1.5 电力系统负荷预测的程序 (5)1.6 本文的主要工作 (6)2 电力系统短期负荷预测的研究方法 (7)2.1 经典预测方法 (7)2.2 现代负荷预测方法 (8)3 人工神经网络概述 (12)3.1 人工神经网络发展简史 (12)3.2 人工神经网络模型 (12)3.3 人工神经网络的工作原理 (13)3.4 人工神经网络的特点 (14)3.5 人工神经网络的发展趋势及研究热点 (15)3.6 神经网络BP算法 (15)4 电力系统短期负荷预测建模及MATLAB实现 (19)4.1 基于神经网络的电力系统短期负荷预测建模 (19)4.1.1 正向建模 (19)4.1.2 逆向建模 (19)4.2 电力系统短期负荷预测的MATLAB实现 (20)4.2.1电力系统短期负荷预测问题描述 (20)4.2.2 输入/输出向量设计 (21)4.2.3 短期负荷预测的BP网络设计 (23)4.2.4 网络训练 (24)4.3 结果分析 (29)结论 (32)谢辞 (33)参考文献 (34)附录Ⅰ：数据归一化MATLAB程序代码 (35)附录Ⅱ：BP算法MATLAB程序代码 (39)附录Ⅲ基于BP神经网络的不同隐层节点数的负荷预测结果 (41)电力系统短期负荷预测的研究摘要：随着我国电力事业的发展，电网管理日趋现代化和智能化。

电力系统负荷预测问题的研究越来越引起人们的注意，成为现代电力系统运行研究中的重要课题之一，是实现电力系统安全、经济、高效运行的基础。

对一个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，无不依赖于精准的负荷预测。

在对大量历史负荷数据进行统计分析的基础上，根据电力负荷的特点，在考虑天气温度、日类型、实际历史负荷等因素对预测负荷影响的基础上，本文介绍了一种基于BP神经网络的短期负荷预测方法。

基于RBF神经网络的短期电力负荷预测胡时雨S1*******摘要：本文在分析目前短期电力系统负荷预测的现状及各种预测方法、预测模型的基础上，结合神经网络预测算法，建立了结合径向基函数神经网络来进行短期负荷预测的数学模型。

在影响因素中气象因素是一个非常重要的因素，由于现代科技的发展，气象数据的获取也越来越容易，因此在预测模型中考虑气象因素已成为可能。

在输入负荷值时进行了归一化处理，对温度、天气和日期等因素进行了量化处理。

通过对地区的实际负荷数据进行预测分析表明，该方法以很小的运算时间代价、较小的存储空间代价显著地提高了单个网络的预测精度和泛化能力，具有良好的应用价值。

关键词：短期负荷预测；RBF神经网络；归一化处理0引言电力系统负荷预测的水平已成为衡量电力系统运行管理现代化的标志之一。

精确的短期负荷预测，对电力系统的生产安排、经济调度和安全分析都起着十分重要的作用，也直接影响着电力企业的经济效益。

因此，短期负荷预测结果成为制定电力市场交易计划的重要依据，这就对短期负荷预测提出了更高的要求。

研究人员提出了多种负荷预测方法，为电力系统负荷预测的实际应用做出了贡献，但目前的方法仍存在一些不足之处。

传统方法如回归分析法和时间序列法[1]难以建立精确的负荷预测模型来拟合特征输入和负荷输出之间的非线性关系；卡尔曼滤波法[2]在估计噪声的统计特征时存在困难；灰色理论预测方法[3]比较适合具有指数增长趋势的负荷指标，对于具有其它趋势的指标有时预测精度较差。

随着新技术和新理论的发展，基于智能原理的电力系统负荷预测方法得到了广泛应用[4~5]，特别是人工神经网络[6]（artificialneuralnetwork，ANN）以其强大的自学习能力、泛化能力及信息的并行处理能力在电力系统负荷预测的研究中显示出了优势。

神经网络法虽然较好地解决了输入和输出之间的非线性关系，但常用的BP（backpropagation）网络存在局部收敛缺陷，而径向基神经网络（RBF）是一种性能良好的前向神经网络模型，它具有全局逼近的性质，并且不存在局部最小问题，可广泛应用于短期负荷预测，因此，提出采用RBF对负荷进行预测。

基于BP神经网络的地区电网用电量的预测与研究地区电网用电量预测是一个复杂的非线性问题，一般的预测模型不能做到精准预测。

神经网络的分散存储信息的优点，使得网络能处理复杂的非线性问题，在预测领域具有很强的实用性。

BP神经网络能及时调整网络结构和参数应对用电量变化较大的电网，实现用电量的精准预测。

本文深入研究BP神经网络结构设计和学习算法，结合BP神经网络实现对仙桃地区2010年至2014年电网用电量准确预测。

标签：BP神经网络；地区电网；用电量预测本文分析了地区电网用电量预测的方法，深入研究了BP神经网络结构设计和学习算法，结合BP神经网络实现对仙桃地区2010年至2014年电网用电量的准确预测。

1 研究背景及意义电力产业是国民经济的基础保证，考虑到电能的特殊性、时滞性，按需生产难度极大。

在保证电网供电质量的前提下，实行电能的生产与消耗同步，这就要求供电系统在发电前对地区电网用电量进行科学有效预测，使电力建设满足国民生产需要。

随着科学技术水平提高，电力预测的方法逐步被专家学者提出，神经网络算法是预测的主流方法。

美国学者Rumelhart和Williams 等完整地提出了BP 算法，网络通过改变连接权值来改变控制结果。

神经网络能记忆和存储信息，在不同环境下能自适应，可自行对知识推理，因而成为电量预测中使用最频繁的预测模型。

2 地区电网用电量预测方法地区电网用电量预测是指从当地社会经济对电能需求出发，在大量电网用电量历史数据的研究基础上，对地区电网用电量做出合理的估计与预测。

地区电网用电量预测可以从预测周期和用电行业分类。

预测周期分为短期预测、中期预测、长期预测。

电网用电量预测从行业角度分为3类。

工业用电是指在工业生产过程中所消耗的电量，工业用电具有稳定性强和用电量大的特性，随季节变化幅度不大；商业用电和农村用电占总用电比例少，受气候和时间段的影响较大。

3 BP神经网络用电量预测模型设计与实现3.1 BP网络模型的训练BP神经网络模型训练过程也是网络参数修改的过程，训练过程中系统根据误差对各层神经元参数修改，待输出误差达到最小，确定各层参数。