(1.福州大学 福建福州 350116;2. 国家电网泉州供电公司)
摘要：智能电网中的负荷预测是一项十分重要的工作，它在确保电力行业的稳健发展，确保国民经济的稳健发展这些方面都具备非常关键的价值。这篇文章陈述了BP、RBF这两种神经网络。因为BP网络在训练中极易陷入局部极小点，RBF网络在训练收敛过程中速度较快，且适应实力较强，因此这篇文章选用RBF网络，探讨这种网络的学习训练方式。并且运用模糊算法这种方式去改良神经网络。经过运用matlab软件对辽宁区域的负载实施对应的模拟，证明这种方式具备实用性。参照解析的结果可知，选定模糊算法这种方式去改良神经网络，从而对于其网络输出实施对应的改良，由此提升预估方面的精度。
关键词：负荷预测；智能算法；智能电网；BP神经网络；模糊算法
1绪论
关于电力工业而言，它提供服务针对的群体则是电力用户，电力负载持续增加，这其实是电力工业不断发展的参照。准确预估电力负载，能够确保无条件为国民经济各个机构和民众的生活提供足够的电力，另外能够确保电力工业本身实现稳健的发展。电力负载预估方面的工作其实是电力规划中的关键构成方面，另外也是基础条件。全国范围内的电力负载预估，能够为制定全国电力规划方案供应相关的参照，它界定出全国电力行业在发展方面的水准、速度，并且界定了在资金方面、人力资源方面、源动力资源方面这几个方面的需求量。
2 基于神经网络的电力用户侧负荷预测
2.1 BP神经网络特点
关于人工神经网络，它涵盖海量的基础元件，它经过模拟人脑自身的神经系统的结构和功能，来进行信息处理和非线性转换等功能。随着各种理论及方法被学者们研究出来，神经网络这些年得到了更大的拓展空间与使用范畴。因为人工神经网络借鉴了生物神经理论方面的很多优势，所以其具备部分和生物神经网络接近的性能，它和一般的计算机程序架构并不一样，它涵盖许多的处置单元，也就是人工神经元互相连接而成的，虽然每个神经元元所能处理的信息有限，但大规模神经元通过并行处理可以得到对输入信息的高级分析结果，实现识别、预期等生物神经的功能，与此同时，与生物神经一样，其具有很快的并行运算速度。其次在人工神经网络中，即使局部神经元损坏，整个神经网络的全局运算也不会受到很大影响，因此其具有非常强的容错性。
2.2 BP神经网络算法
在适用范畴方面，三层前馈网络高出二层前馈网络很多，不过学习算法相对繁杂一些，核心难题则是中间位置的隐含层并没有直接和外围进行衔接。不能直接核算相关的偏差。为妥善处理此难题，指出反向传播（Back-Propogation，简写为BP）算法。关于BP这种算法，它主要是按照反向次序逐层传播导出层的偏差，通过间接方式核算得到隐层的偏差。这种算法涵盖2个流程。第1个流程其实就是按照正向次序导入数据，从导入层开始通过隐层一层一层核算出各个单元的导出值。第2个流程其实是按照反向次序，从导出层偏差一层一层向前核算得到隐层中各个单元的偏差，并且通过使用此偏差数据对于前层权值进行必要的修正。
在BP算法里面，一般情况下是选用梯度法完成对权值的修正操作，因此应当确保导出函数可微，一般情况下选用Sigmoid 函数当作是导出函数。我们探讨处在某一层中第j个计算元，脚标i表示的是其前层的第i个单元，脚标k表示的是后层第k个单元，O表示本层的导出，w表示的是由前层至本层的权值，详情参见图3.1。
.png)
图3.1发向传播算法中的变量约定
在导入某个样本的时候，实施正向算法进行对应的核算，参见式子（3-1）、（3-2）。
net =.png)
（3-1）
O = f（net ） （3-2）
关于导出层，.png)
= O 代表的是真实的导出值。y 代表的是理想的导出值，在该样本下的偏差参见式子（3-3）。
E=.png)
（3-3）
为确保式子精简，界说局部梯度式子（3-4）。
.png)
（3-4）
因为权值w.png)
对于偏差会产生影响，因此得到式子（3-5）。
.png)
（3-5）
在对于权值实施修正的过程中，应当确保偏差以较快的速度降低，关于修正量参见式子（3-6）、（3-7）。
.png)
（3-6）
.png)
（3-7）
假如结点j为导出单元，那么能够得到式子（3-8）、（3-9）。
.png)
（3-8）
.png)
（3-9）
假如结点j并非导出单元，参见图（3-2），能够推断，.png)
对于后层的所有结点均会产生影响。所以能够得到式子（3-10）。
.png)
（3-10）
对于Sigmoid 函数
.png)
（3-11）
有
.png)
（3-12）
或是在
.png)
（3-13）
的时候
.png)
（3-14）
在进行真实核算的时候，为确保提升收敛的速率，通常在权值修正过程中添加上一次的权值修正量，通常情况下叫做惯性项，也就是
.png)
（3-15）
3基于模糊算法的神经网络
3.1模糊算法理论概述
1965年，Zadeh教授引进了模糊集，其主要是用作陈述与处置模糊事件的工具。在上世纪的时候，传统层面的PID控制始终是工业控制领域的主要方式。之后对于控制实施有限整定，因此顺应形成了自适应控制、最佳控制这几种方式。关于之前小工业时代产生的结果无法令人满意。所以模糊算法变得更加关键。关于模糊理论，它对于模型是未知的这种繁杂体系或是动态性能经常改变的体系都具备优质的成效。
关于模糊算法，它特别适宜应用到导入变量持续改变的环境下，它能够参照提前设置的模糊逻辑关系对于持续改变的外围环境快速进行适应[31]。不管环境发生改变对于导入变量会产生怎样的影响，模糊算法均可以较佳的调整导出，进而保持体系的平稳性，并且保持体系自身的精度，图4.1展示了模糊控制体系的基础架构：
.png)
图3.1模糊算法框图
3.2基于模糊算法的神经网络建立
3.2.1RBF神经网络的建立
经过解析负载特性，能够推断，负载和日期种类、天气等一系列相关因素具有紧密的关联，比如雨、雪等相关的天气状况能够显著转变负载的大小和形状，高温、严寒这类天气状况能够转变负载的峰值还有曲线形状。一般情况下，对于负载影响相对大的天气方面的因素重点涵盖：温度、天气状况、湿度等一系列相关的因素[34]。通过对于海量数据进行统计解析，能够推断，温度与天气状况对于负载改变造成的影响相对要更加严重些，这篇文章对于气象方面的因素进行思考重点是这两个部分。这篇文章在创建神经网络的时候，最大限度思考日期种类、温度、天气状况等一系列相关的因素。
为最大限度展现出温度、天气这些因素对于负载产生的影响，我们将预估日前3天和预估日当天的天气、温度作为神经网络的4个导入结点。因为天气情况属于模糊因素，另外思考天气预报的真实状况，依据神经网络在归一化方面的相关条件，这篇文章对于天气情况实施了量化处理，详情参见表3.1。
表3.1天气量化表
.png)
这篇文章创建的神经元网络中，导入层是15个结点，导出层是1个结点，神经结点的选取情况参见表3.2，思考的都是干扰负载量的核心要素。
表3.2模型的输入输出变量
.png)
关于隐含层结点，它选用高斯函数作为基函数，接下来应确认隐含层神经元的数量。如果隐含层中的神经元数量较多，那么网络函数的逼近实力较强，然而它的联想实力将明显减弱，这就是“过拟合现象”。此刻，网络模型在预估精度方面则会减小。从精简网络架构、提升算法速率这些方面解析，能够推断，隐含层中的神经元数量同样不能太多。不过，隐含层的神经元数量如果偏少，那么会造成网络的映射实力欠缺，最后同样将干扰到负载预估的相关成效，这就是“欠拟合”的情况。怎样确认隐含层中的神经元数量，到现在并无1个可循的方式。在这篇文章中，关于隐含层的结点数量其实是选用多次试验这种方式获取的，因为隐含层的神经元数量并不一样，预估结果的相对偏差同样并不一样，如果隐层的神经元数量是15，预估结果的平均相对偏差最低，因此这篇文章把隐含层的神经元数量确认成15个。
3.2.2负荷数据处理
1数据的预处理
电力体系负载的建模要求用到海量的历史数据，这些数据大部分是经过电量采集器装置或是远动体系搜集得到，受测装备自身或是数据传送过程中的各类因素会对搜集的结果产生影响，另外有人指出拉闸限电这种情况同样会对搜集的结果产生影响。所以历史负载数据里面通常涵盖了“不良数据”或是“坏数据”[36]，它们或是在量级方面和正常值差别较大，或是尽管在量级方面并无明显差异，然而偏差超出常规的范畴。假如使用这部分伪数据实施负载建模，势必给负载预估造成很大的偏差，乃至造成预估算法出现发散的情况。所以，在使用这部分数据以前，应当先对于其实施预先处置。
①对于有误的数据进行处置。经过设定数据的选值范畴，从而滤掉有误的数据，比如对于负载数据
负载P>0，温度的选值在[-20°C，45°C]这个区间内。相对湿度>0；云量在[1,10]这个区间；降雨量>0；水气压>0；阵风最大风速>0。这部分选值范畴其实是通过领域专家指出的[37]。
②对于缺失的数据进行处置。初始数据自身存在缺失数据的情况，另外之前在滤除有误数据的时候同样将形成新的缺失数据[38]。假如缺失数据在前后的时间间隔较小，那么选用线性插值这种方式来补上。比如：假如我们己知n、n+i这两个时刻的温度值分别是Tn、Tn+1，但是中间数据缺少，那么n+j这个时刻的选值则是：
.png)
（3-1）
③对于“当天数列”或是“昨天数列”的数据里面显著偏离某个域的数据，对于此点前后值的和求取均值（如果是数列端点值，那么直接选定它的前值或是后值），之后联合此点上周同一天同一点的改变态势实施对应的调节，从而得到此点的新值，关于新值的表达式为：
.png)
（3-2）
（2）对于导入数据实施归一化处置
为防止发生神经元饱和这种情况，在对于网络实施训练以前务必对于数据实施相关的处置，从而清除初始数据样式的差异造成的诸多不便。
线性转换到区间的式子为下：
.png)
（3-3）
3.3结果分析
3.3.1与RBF神经网络预测的比较分析
运用以模糊算法为基础的关于神经网络的负载预估法和RBF网络预估法进行相关的比较解析，最后的结果参见图3.4：能够推断，仅用RBF网络的负载预估在曲线相对平滑的位置获得的追踪效果较佳，然而在波动偏大的极值点周围追踪效果欠佳，模拟的结果能够说明，运用以模糊算法为基础的神经网络的电力负载预估法能够较佳的处理这类难题。
.png)
图3.4 2019.7.23日负荷与预测结果比较
3.3.2与BP神经网络预测的比较分析
关于南京区域2019.9.10的负载实施相关的预估，一样的，运用以模糊算法为基础的关于神经网络的负载预估法和BP网络预估法进行比较解析，相关的结果参见图3.5：能够显著推断，这篇文章中的计算方法在预估精度上有相当的提高。
.png)
图3.5 2017.9.10日负荷与预测结果比较
3.3.3电力负荷日预测曲线
关于南京区域2019.7.21的负载状况实施相关的预估，经过解析表4.8，能够推断，预估结果参见图4.6，将2019.7.21负载和预估结果进行相关的对比，能够推断，这篇文章选用以模糊算法为基础的关于神经网络的负载预估法，在谷峰、谷底位置都可以较佳的预估真实的负载，关于短期负载的预估，在精度方面与速度方面都具有一定程度的提升，另外在实际应用中证实具备较高的实用性。
表3.6历史数据
.png)
.png)
图3.6 2019.7.21日负荷与预测结果比较
参考文献：
[1]Rui Hu,Shiping Wen,Zhigang Zeng,Tingwen Huang. A short-term power load forecasting model based on the generalized regression neural network with decreasing step fruit fly optimization algorithm[J]. Neurocomputing,2016，：77-78.
[2]何耀耀,闻才喜,许启发,撖奥洋. 考虑温度因素的中期电力负荷概率密度预测方法[J]. 电网技术,2015,39(01):176-181.
[3]王玉龙,崔玉,李鹏,李锐. 基于小波分析改进的神经网络模型电力系统负荷预测[J]. 电网与清洁能源,2015,31(02):16-20+27.
作者简介：黄宁玮（1997-09），男，汉族，籍贯：福建泉州市，当前职务：学生，学历：本科
论文作者:黄宁玮1,黄云程2
论文发表刊物:《电力设备》2019年第20期
论文发表时间:2020/3/3
标签：神经网络论文; 负载论文; 算法论文; 数据论文; 神经元论文; 模糊论文; 式子论文; 《电力设备》2019年第20期论文;