一種基于人工神經(jīng)網(wǎng)絡(luò)的日用電量預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于供電技術(shù)領(lǐng)域，尤其涉及一種用于電力系統(tǒng)的負(fù)荷預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的基礎(chǔ)和前提。
[0003] 隨著我國(guó)經(jīng)濟(jì)社會(huì)的迅猛發(fā)展和城市化進(jìn)程的快速推進(jìn)，城市已日益成為重要的 負(fù)荷中心，城市電網(wǎng)負(fù)荷預(yù)測(cè)工作越來(lái)越受到人們的重視。
[0004] 近些年來(lái)，城市電網(wǎng)負(fù)荷預(yù)測(cè)方法不斷發(fā)展，負(fù)荷預(yù)測(cè)手段也在不斷變化，在滿足 城市電網(wǎng)規(guī)劃和建設(shè)需要的同時(shí)，有力地支撐了城市電網(wǎng)發(fā)展的科學(xué)決策。
[0005] 影響城市電網(wǎng)負(fù)荷變化的因素很多，與大電網(wǎng)負(fù)荷相比，城市電網(wǎng)負(fù)荷的波動(dòng)性 更大、影響因素更微觀。為了提高城市電網(wǎng)負(fù)荷預(yù)測(cè)的準(zhǔn)確性，在當(dāng)前我國(guó)城市電網(wǎng)建設(shè)需 求不斷擴(kuò)大的形勢(shì)下，根據(jù)城市電網(wǎng)的負(fù)荷特點(diǎn)和負(fù)荷預(yù)測(cè)條件，研究符合我國(guó)國(guó)情和城 市發(fā)展方向的城市電網(wǎng)負(fù)荷預(yù)測(cè)方法十分必要。
[0006] 隨著城市經(jīng)濟(jì)和社會(huì)的飛速發(fā)展，供電公司用電負(fù)荷屢創(chuàng)新高。一方面電網(wǎng)需要 快速發(fā)展以滿足來(lái)自于全社會(huì)各行業(yè)的用電需求，充分發(fā)揮電網(wǎng)公司作為能源服務(wù)行業(yè)的 社會(huì)效用;而另一方面，電網(wǎng)公司作為企業(yè)實(shí)體運(yùn)行，其投資規(guī)模的有限性以及企業(yè)為自身 健康持續(xù)發(fā)展必須考慮的電網(wǎng)投資效益等問題，使得電網(wǎng)的建設(shè)營(yíng)運(yùn)等決策必須建立在社 會(huì)效用和企業(yè)效用充分融合的基礎(chǔ)上，這也相應(yīng)賦予了電網(wǎng)規(guī)劃工作更深的含義和更大的 責(zé)任。為了實(shí)現(xiàn)電網(wǎng)投資建設(shè)的社會(huì)和企業(yè)的雙贏，對(duì)地區(qū)電網(wǎng)負(fù)荷預(yù)測(cè)工作提出了更高 的要求。
[0007] 目前供電公司電網(wǎng)的短期用電量預(yù)測(cè)都是由工作人員人工進(jìn)行，通過(guò)尋找相似日 等直觀地預(yù)測(cè)，這就完全依賴于工作人員的經(jīng)驗(yàn)。
[0008] 供電分公司承擔(dān)著所轄地區(qū)的供電任務(wù)，由于近年來(lái)所轄地區(qū)城市建設(shè)日新月 異，供電量相應(yīng)也飛速增長(zhǎng)，以往純粹按照經(jīng)驗(yàn)或者將歷史數(shù)據(jù)作簡(jiǎn)單推算的預(yù)測(cè)方法已 很難達(dá)到理想的預(yù)測(cè)精度。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明所要解決的技術(shù)問題是提供一種基于人工神經(jīng)網(wǎng)絡(luò)的日用電量預(yù)測(cè)方法， 其通過(guò)對(duì)訓(xùn)練樣本的學(xué)習(xí)，預(yù)測(cè)模型即可自動(dòng)建立且隱含于人工神經(jīng)網(wǎng)絡(luò)內(nèi)部，在短期負(fù) 荷預(yù)測(cè)中采用本用電量預(yù)測(cè)方法，可以對(duì)時(shí)間序列模型進(jìn)行有益的補(bǔ)充。
[0010] 本發(fā)明的技術(shù)方案是:提供一種基于人工神經(jīng)網(wǎng)絡(luò)的日用電量預(yù)測(cè)方法，其特征 是：
[0011] 所述神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)包括輸入層、隱層和輸出層；
[0012] 所述神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)規(guī)則是采用誤差反向傳播算法的并行分布處理模型，使 用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最?。?br>[0013] 所述的日用電量預(yù)測(cè)方法，選取以下輸入變量對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練：
[0014] (1)氣象參數(shù)
[0015] 選取每日最高溫度、最低溫度及經(jīng)過(guò)量化計(jì)算的人體舒適度指數(shù)作為輸入變量；
[0016] (2)電量參數(shù)
[0017] 選取供電公司經(jīng)過(guò)割接后的每日用電量數(shù)據(jù)；
[0018] (3)預(yù)測(cè)日類型參數(shù)
[0019] 由于工作日與節(jié)假日負(fù)荷的規(guī)律是不一樣的，所以將每天類型標(biāo)記為工作日及非 工作日；
[0020] 考慮到法定假期的特殊性，在對(duì)日類型賦值時(shí)采用以下規(guī)則：
[0021 ] a)如果節(jié)假日為周六周日連續(xù)兩天，則周六賦值0.2，周日賦值0.6;
[0022] b)如果為連續(xù)三天法定假日，則三天分別賦值:0.2,0.6，1;
[0023] 工作日從周一至周五依次賦值為0 · 01-0 · 05;
[0024]所述的神經(jīng)網(wǎng)絡(luò)采用三層網(wǎng)絡(luò)，選擇15個(gè)輸入節(jié)點(diǎn)，輸出節(jié)點(diǎn)數(shù)為1;
[0025]在進(jìn)行隱節(jié)點(diǎn)數(shù)的選擇時(shí)，首先，假設(shè)二個(gè)隱蔽層節(jié)點(diǎn)數(shù)是一樣的，即網(wǎng)絡(luò)的結(jié)構(gòu) 為（15*N*N*1);然后分別取不同的N值進(jìn)行試驗(yàn)找到一個(gè)合理的隱節(jié)點(diǎn)數(shù)；
[0026] 選取預(yù)測(cè)日前四周28天的數(shù)據(jù)作為訓(xùn)練樣本集；訓(xùn)練時(shí)，循環(huán)把十組數(shù)據(jù)加入到 網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，直到所有樣本訓(xùn)練誤差都滿足要求為止；
[0027] 所述的樣本數(shù)據(jù)包括每日用電量、氣溫?cái)?shù)據(jù)、計(jì)算得到的人體舒適度指數(shù)以及日 類型數(shù)據(jù)。
[0028] 其中，所述的輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳遞給中間層各 神經(jīng)元；
[0029]所述的中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間 層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；
[0030] 最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的 正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果；
[0031] 當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段;誤差通過(guò)輸出層，按誤 差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳；
[0032] 周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也 是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度， 或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。。
[0033] 具體的，所述的誤差反向傳播算法，為無(wú)約束優(yōu)化算法中的梯度下降法，其修正權(quán) 值的過(guò)程可以描述為：
[0034]
[0035]
[0036]式中，η為學(xué)習(xí)效率系數(shù)，k為樣本號(hào)，t為學(xué)習(xí)次數(shù)，w為權(quán)重向量，δ」為節(jié)點(diǎn)j的輸 出誤差值，yi(t)為節(jié)點(diǎn)j前一層第i個(gè)節(jié)點(diǎn)的輸出；
[0037] 為了加速梯度下降法算法的收斂速度，在誤差反向傳播算法的基礎(chǔ)上引入一附加 沖量項(xiàng)，得到下列表達(dá)式：
[0038]
[0039] 其中α為慣性因子；
[0040] 其中的 q和α，通常取η = 〇·15，α = 〇·〇75。
[0041] 與現(xiàn)有技術(shù)比較，本發(fā)明的優(yōu)點(diǎn)是：
[0042] 1.應(yīng)用負(fù)荷預(yù)測(cè)分析的結(jié)果可有效應(yīng)用于指導(dǎo)電力公司生產(chǎn)運(yùn)營(yíng)，提高公司的管 理水平；
[0043] 2.結(jié)合電力公司負(fù)荷特性分析，研究日用電量預(yù)測(cè)模型，所取得的研究成果無(wú)論 是在電力需求預(yù)測(cè)的理論研究，還是其對(duì)電網(wǎng)負(fù)荷分析管理工作的實(shí)踐指導(dǎo)作用，都具有 很尚的創(chuàng)新性；
[0044] 3.研究中所積累的大量國(guó)內(nèi)外相關(guān)資料可用于電力公司其他分析研究工作中，更 加科學(xué)和全面地分析出城市電網(wǎng)的負(fù)荷的特點(diǎn)及變化趨勢(shì)。
【附圖說(shuō)明】
[0045] 圖1是單隱層的按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)的結(jié)構(gòu)示意圖；
[0046] 圖2是本發(fā)明人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程的示意圖；
[0047] 圖3本發(fā)明預(yù)測(cè)結(jié)果及實(shí)際用電量變化情況比較曲線示意圖；
[0048] 圖4是某供電公司多個(gè)端口 1-6月份日用電量變化情況示意圖；
[0049] 圖5是某線路6月份用電量實(shí)際值及預(yù)測(cè)結(jié)果比較曲線示意圖；
[0050] 圖6是220千伏用戶6月份用電量實(shí)際值及預(yù)測(cè)值序列比較曲線示意圖。
【具體實(shí)施方式】
[0051] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。
[0052] 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,簡(jiǎn)稱ANN)，又稱為連接機(jī)制模型 (Connectionism Model)或者稱為并行分布處理模型(ParallelProcessing Model)是由大 量簡(jiǎn)單元件神經(jīng)元廣泛連接而成的，它是在現(xiàn)代神經(jīng)科學(xué)研究的基礎(chǔ)上提出的，反映了人 腦的基本特征，但它并不是人腦的真實(shí)描寫，而只是它的某種抽象簡(jiǎn)化和模擬。
[0053] 所以，所述的ANN就是由大量神經(jīng)元按不同層次和方式連接而成的網(wǎng)絡(luò)，神經(jīng)元間 的連接權(quán)值是ANN的基本學(xué)習(xí)單元。
[0054]若X1，X2, · · ·，Xj為神經(jīng)元的輸入信號(hào)，Wij為神經(jīng)元的連接權(quán)值，為神經(jīng)元的閥 值，則神經(jīng)元的輸出yj為： _5]
(1)
[0056] BP(Back Propagation)網(wǎng)絡(luò)一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前 應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。
[0057] BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入一輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種 映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的 權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。
[0058] BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input)、隱層（hidden layer)和輸出層 (output layer)，圖1中所示即為一個(gè)單隱層BP神經(jīng)網(wǎng)絡(luò)。
[0059]在人工神經(jīng)網(wǎng)絡(luò)發(fā)展歷史中，很長(zhǎng)一段時(shí)間里沒有找到隱層的連接權(quán)值調(diào)整問題 的有效算法。直到誤差反向傳播算法(BP算法）的提出，成功地解決了求解非線性連續(xù)函數(shù) 的多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)整問題。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳 遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需 求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu);最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信 息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié) 果。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯 度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反 向傳播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，此過(guò)程一直進(jìn)行 到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。
[0060]選用常規(guī)的BP算法，實(shí)際上就是無(wú)約束優(yōu)化算法中的梯度下降法。其修正權(quán)值的 過(guò)程可簡(jiǎn)單描述為：
[0061 ] (2)
[0062] (3)
[0063] 式中，η為學(xué)習(xí)效率系數(shù)，k為樣本號(hào)，t為學(xué)習(xí)次數(shù)，W為權(quán)重向量，δ」為節(jié)點(diǎn)j的輸 出誤差值，yl(t)為節(jié)點(diǎn)j前一層第i個(gè)節(jié)點(diǎn)的輸出。
[0064] 為了加速BP算法的收斂速度，在BP算法的基礎(chǔ)上引入一附加沖量項(xiàng)，即將（1)式改 成：
[0065] (4)
[0066] 其中α為慣性因子。
[0067] 但是由于η和α通常是以經(jīng)驗(yàn)為依據(jù)選取的。本技術(shù)方案中，經(jīng)過(guò)試驗(yàn)通常取η = 0· 15，α = 0·075〇
[0068] 傳統(tǒng)負(fù)荷預(yù)測(cè)方法，一般是根據(jù)負(fù)荷及與之相關(guān)因素的歷史數(shù)據(jù)記錄，選擇某類 具體的數(shù)學(xué)模型通過(guò)某種計(jì)算技術(shù)建立預(yù)測(cè)模型，應(yīng)用所建模型進(jìn)行預(yù)測(cè)，并分析修正預(yù) 測(cè)值。
[0069] 而采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)時(shí)，則不必事先選擇某類具體的數(shù)學(xué)模