冀北电网有限公司廊坊供电公司 河北廊坊 065000
摘要：电力负荷预测是电力生产和发展的基本依据，目前没有任何一种方法能保证任何情况下都获得满意的预测结果。因此，在做具体规划时往往先同时采用几种方法进行预测，再将不同的预测结果加以比较，然后规划人员或有经验的预测人员根据获得的有关信息对预测结果进行分析，并作必要的调整。为了充分利用各个负荷预测模型的有用信息，本文引入组合预测方法。组合预测方法是当前预测科学研究中最热门的课题之一。组合预测理论认为；对同一预测问题而言，多个不同预测模型的线性组合，在一定条件下能够有效地改善模型的拟合能力和提高预测的精度。
关键词：负荷预测；组合预测；规划
1 智能组合预测模型的构建
由于影响短期电力负荷预测的因素众多及其不确定性，因此至今仍没有一种方法可以保证在电力负荷领域保持稳定的预测精度．智能组合预测方法是建立在最大信息利用的基础上，最优组合各种单一预测模型的优点，提高负荷预测精度．在对原始数据进行处理时，选取Kohonen网络对原始数据进行辨识和压缩，快速分类相似数据，在保证原始数据信息不丢失的基础上，有效的减少数据量，方便模型训练，构建出了网络的第一个模块．选取Elman神经网络对历史负荷数据和各种影响因素进行训练，得到网络的第二个模块，并将第一个模块的输出作为此模块的输入．经第二个模块的训练后得到的输出数据与原始数据进行比较，分析所得到的预测结果并评价预测精度，如果不满足预测要求，则用遗传算法优化网络的权值和阈值，选取更加合理的网络初始值，使预测精度更高和预测结果更加可靠。
1．1 采用Khonone网络实现负荷曲线聚类
自组织特征映射网络又叫Khonone网络，是一种由全连接的神经元阵列组成的无教师示教的聚类方法，它能将处于空间中不同区域的神经元分为不同的反应区域，各区域对输人模式具有不同的响应特性．此外，网络通过对输入模式的反复学习，可以使连接权矢量空间分布能反映输入模式的统计特征．Kohonne网络的自组织学习过程包括两个部分：一是选择最佳匹配神经元，二是权矢量自适应变化的更新过程．Kohonen网络的训练方法是：将某时期的电力负荷数据作为输入样本集，每天的负荷数据作为一个样本，训练输出的结果是每一聚类的特征矢量对应一条日负荷特征曲线．由于Kohonen网络只是依据输入矢量与攸值矢量的欧氏距离进行大致分类，体现的是负荷曲线的总体特征，因此坏数据虽然存在，但在输入样本数目远大于分类数目的情况下，在一条曲线中所占比例很小，因而坏数据的影响很小。
1.2 采用改进的Elman网络进行负荷预测
改进的Elman神经网络是动态反馈型网络，一般分为4层：输入层（inputnodes）、隐含层（hiddennodes）、承接层（contextnodes）和输出层（outputnodes）。改进的Elman网络的特点是隐含层的输出和隐含层的输入之间增加了一个承接层，起到延迟和存储的作用，这种连接方式相当于增加一个反馈环节，使其对历史数据具有敏感性，反馈网络的加入增强了网络处理动态信息的能力，从而达到动态建模的目的．传统的神经网络采用BP算法来进行负荷预测，BP算法是一种静态神经网络，其网络的输出只由当前网络的输入决定，与在此之前网络的输入无关，不具有记忆性．而电力负荷具有一定的周期特性，为了得到良好的预测结果，人们在输人层内增加大量的历史负荷数据，这不仅加重了网络的训练负担，还容易陷入局部极小点．而改进的Elman网络结构与前向神经网
络不同之处在于：隐含层的输出会反馈回来，形成一个动态网络，其反馈单元数目与隐含层神经元数目相同．由于反馈的作用，可以将隐含层当前时刻的状态保存下来，在下一时刻再反馈给隐含层，这种状态反馈就形成了递归网络所特有的动态记忆性]．因此，Elman神经网络不仅可以存储当前的顺序输人数据，而且可以存储顺序输人数据中的过去的某些信息．这样，在训练过程中就能够动态地回溯到与当前k时刻期望输出有关的个时刻k一1，k一2，?，k—的网络输入．在Elman神经网络的模型结构中，非线性
状态空间表达式如下：
式中：y表示m维输出节点向量；x表示n维中间层节点单元向量；xi表示n维反馈状态向量；u表示r维输入向量；ω3 表示中间层到输出层的连接权值；ω2输入层到中间层的连接权值；ω1表示承接层到中间层的连接权值；g（·）表示输出神经元的传递函数；f（·）表示中间层神经元的传递函数，采用s型函数．Elman神经网络学习指标函数采用误差平方和函数：
2 组合预测方法原理
假设在某一预测问题中，在某一时段的实际值为。这样相应的预测误差为，
如果各种预测方法的权重为，
满足
组合预测模型可表示为
5 结论
准确地进行电力系统短期负荷预测的关键在于预测模型的建立，本文应用智能组合预测模型，克服了传统神经网络的缺陷，提高了预测精度，并用遗传算法优化神经网络的初始权值阈值，从而找到全局最优解．通过仿真实例的分析，并和BP网络、改进的Elman网络进行了比较，结果表明用智能组合预测模型进行短期电力负荷预测是一种有效的方法，具有一定的推广应用价值。
参考文献
[1]牛东晓，曹树华等.电力负荷预测技术及其应用（第二版）[M].北京：中国电力出版社
[2]黄宗彬.组合预测方法在电力系统负荷预测中的应用研究[J].电气开关，2009，47（5）：64-66 2009
论文作者:路海侠,王迹芳,张立武
论文发表刊物:《建筑学研究前沿》2017年第20期
论文发表时间:2017/12/28
标签：负荷论文; 组合论文; 网络论文; 神经网络论文; 模型论文; 方法论文; 神经元论文; 《建筑学研究前沿》2017年第20期论文;