摘要：本文主要研究基于 BP 神经网络的电力负荷预测，首先对BP 神经网络理论进行了分析，阐述了BP 神经网络结构和学习算法，然后重点研究基于BP 神经网络的电力负荷预测，包括：历史数据的选取及预处理、负荷数据的归一化处理、BP 神经网络的拓扑结构、BP 神经网络学习参数的选取以及预测误差的分析，在实际验证中取得了良好的效果。
关键词：BP 神经网络；电力；负荷预测
0引言
近几年随着我国经济的快速发展，电力系统的改革也迫在眉睫，电网负荷越来越大，加强对电力系统负荷的预测能力具有十分重要的意义，准确预测电力系统的负荷既可以实现电网的经济运行，又能够保证电力系统的安全稳定性[1]。保证电网负荷预测的精度才能更好地指导电厂机组的运行情况，为电厂机组的燃料供给提供指导，更好地控制机组实时发电功率，增加电厂燃煤经济性和系统的稳定性，可见电力系统负荷预测对电网的发展非常必要[2]。
1 BP神经网络理论分析
1.1 BP神经网络结构
BP神经网络是指运用误差反向传播学习算法(Back Propagation Algorithm)的多层前向网络，由输入层、隐含层和输出层组成。结构上采用全互连方式来连接网络的各相邻层神经元，其中，输入层和输出层均设置为一层，隐含层可以设置为多层，属于同一层的各个神经元之间以及非相邻层神经元之间无任何连接[3]。
1.2 BP神经网络学习算法
BP算法的基本思想就是调整网络的权值和阀值，使网络实际输出与期望输出之间的误差低于给定误差精度。因此，其学习过程包括两个阶段：第一阶段，网络信号的前向传播，即由输入层-隐含层-输出层的传播，这个过程中不改变网络参数，在该组参数下，输出层产生实际输出，然后可获得期望输出信号与实际输出信号之间的差值(误差)，如果获得的误差不满足要求，则进入第二阶段；第二阶段，误差信号逐层反向回传阶段，即信号由输出层-隐含层-输入层的传播，这个过程是误差的反向分摊阶段，即将误差分摊给隐含层和输入层，按照梯度下降法来修正网络各层神经元之间的连接权值，同时修正隐含层的阀值和输出层的阀值。
2 基于BP神经网络的电力负荷预测
2.1 历史数据的选取及预处理
获取历史数据是进行电力负荷预测的前提，也是十分重要的。如果数据不充分则可能使神经网络找不到满意的解。对于输入样本数据，如果选取的不足，会使网络模型的建立变得困难，也有可能使结果出现偏差；如果选取的过多，会影响网络模型的收敛性和训练时间，甚至得不到结果。所以对于样本数据的选取应根据具体的情况进行具体的分析。
2.2 负荷数据的归一化处理
神经网络在训练之前需要对数据进行归一化处理，以避免出现神经元饱和现象，而影响整个网络的学习训练过程。对于不同的传递函数，其训练效果也是各不相同的，而对样本数据进行变换，同样影响着训练的效果，所以将样本数据变换到最有效的区是一个最优的选择。
期刊文章分类查询,尽在期刊图书馆
2.3 BP神经网络的拓扑结构
神经网络的拓扑结构指各层之间的连接方式及其参数的确定。建立合理的网络拓扑结构，能够更加准确的找寻出系统存在的规律，使计算结果更加准确。对于电力系统的负荷预测问题，所建立的模型拓扑结构是否合理，直接影响着预测的结果及其精度。关于如何确定合理的神经网络拓扑结构，一般使用试凑法，然后根据历史数据确定前向网络的输入输出。
2.4 BP神经网络学习参数的选取
（1）初始权值和阈值的选取
神经网络的权值和阈值的初始值选取影响其训练结果、收敛速度和训练时间。如果初始权值和阈值选取的过大，会使网络的调节过程减慢，甚至停滞。在网络训练之前，其权值是相同的；在网络开始进行学习之后，其权值就是变化的，而且它影响着整个网络系统的性能。对于相同的网络模型，初始权值选取不同的话，其输出结果也不相同。
（2）学习速率的选取
神经网络的训练过程中学习速率影响权值的变化，对于学习速率的选取应综合考虑，如果选择过大，会影响网络的稳定性；如果选择过小，会使网络的学习时间加长，收敛性变差，所以应根据具体网络模型结构选取合适的学习速率。对于较小的学习速率，可以使误差不会陷入局部最小，使误差值趋近于最小值。学习速率增大时可以减少训练时间，但其超过一定范围后将产生很大影响。不同的神经网络存在适合它自身的学习速率，对于不同的网络，其学习速率也不一样。所以，为了保证系统的稳定性，一般选择较小的学习速率，选取范围为0.01~0.8之间。
（3）动量因子的选取
对于神经网络学习速率越大，收敛速度越快，但是学习速率过大将会引起不稳定，采用附加动量因子的方法，可以有效的改善系统性能，减小由于学习速率过大引起的系统不稳定，改善网络系统的收敛性。
2.5 预测误差的分析
电力系统负荷预测是根据已知的历史数据，通过数学算法建立模型，对将来时刻的负荷进行预测，其过程中还将受到一些不确定因素的影响，所以一定存在着误差。分析比较这些误差值及其产生原因，对于负荷预测的方法改进具有重要的意义。产生误差的原因有很多，这里介绍几个主要的原因。一、进行负荷预测之前要建立数学模型，建立过程中一般只能考虑到研究现象的某些主要因素，对于复杂的电力负荷来说，建立的模型较为简单，很难把所有的影响因素都包括到其中，不可避免的会产生误差。二、负荷的预测需要获得大量的过去负荷数据，但是这些数据可能存在着偏差或错误，这也使得负荷的预测结果产生误差。三、负荷预测所受影响很多，意外的突发事件也会影响预测的结果。
3 实际应用分析
根据以上研究方法，本文选取某地2016年1月到5月的历史数据，选取每日的最大的电量数据，然后对该地区的8月份负荷情况做预测，使用MATLAB软件中的神经网络模块进行数据统计。对1月份到5月份的历史数据中粗大误差进行处理，在MATLAB中建立输入矩阵，并对其作归一化处理，利用newff函数建立BP神经网络的模型。计算完成后，经过反归一化处理，得到预测的负荷的实际值，取得了良好的研究效果。
参考文献
[1]石德琳.基于神经网络的电力负荷预测研究与实现[D].山东大学,2016.
[2]代林.基于神经网络的电力负荷预测方法研究及实现[D].电子科技大学,2012.
[3]黄湘君.基于主成分分析的BP神经网络在电力系统负荷预测中的应用[J].科技信息(科学教研),2008,(16):313-314.
论文作者:梁霄
论文发表刊物:《电力设备》2017年第10期
论文发表时间:2017/8/4
标签：神经网络论文; 负荷论文; 误差论文; 速率论文; 网络论文; 历史数据论文; 数据论文; 《电力设备》2017年第10期论文;