1電力負荷預測的作用和現狀

1.1電力負荷預測的作用

供電部門最重要的工作之一就是電力負荷預測，科學、準確的進行負荷預測，不僅可以保持電網的穩定和安全，經濟的安排電網內部發電機的啟動和停止，降低不需要的旋轉備用容量，減少發電所需的成本，還可以合理的進行機組檢修，保障人們正常生活的運行和發展，提高我國的經濟效益和社會效益。有效的負荷預測結果，對未來發電機的組裝有重要的作用，能夠決定組裝發電機的容量大小、時間和地點，能夠保障電網的建設和發展。

1.2電力負荷預測的現狀

一個電力企業的管理能否可以走向現代化，必須要看電力負荷預測的工作水平。就目前而言，隨著我國社會經濟的不斷進步，電力行業也得到了空前的發展，用電管理已經開始慢慢走向市場，我們現在最重要的任務就是解決電力預測問題。預測的技術模型是負荷預測的核心，由于科技的不斷發展，負荷預測的理論技術已經比較成熟，有了很大的發展，隨著理論研究的不斷進步和發展，電力負荷預測將會進入實際的運用當中[2]。

2負荷預測的基本步驟

2.1明確負荷預測的目的，制定相應的計劃

負荷預測首先要做的第一步就是明確負荷預測的目的，然后制定相關計劃。在進行負荷預測計劃的過程中，我們必須要考慮一下影響因素：歷史資料的數量、來源和收集辦法、預測的辦法。預測所需的時間等。對于所需歷史資料的數量有很多種說法，一些人認為外推預測的時期數不能超過歷史資料的時期數。如果把歷史資料的時期數設為d，外推預測的時期數設為h，就會出現下列不等式d≥h[3]。但是，我們在實際運用的過程中，必須要依照實際的情況進行分析，根據每個地區不同的數據進行具體的分析。

2.2資料的調查和選擇

在明確了負荷預測的目的，制定了相應的計劃書之后，我們就需要對所需各類質量進行調查和選擇。在電力系統短期負荷預測所需要的資料有很多種，主要有歷史負荷數據、歷史天氣數據、歷史溫度數據等。隨著計算機的應用越來越廣泛，就目前來看，調查和選擇質量的任務主要是轉換各類數據的格式，一般情況下，就是將以前的EXCEL表格轉換成文本文件。

2.3建立負荷預測的模型所謂負荷預測模型，其實就是概括統計資料的軌跡。能夠將經驗資料的內部結構特征反映出來。負荷預測的公式就是模型的具體化。對于ANN預測方案來說，建立負荷預測模型一般情況下分為兩個步驟：

①步驟就是明確ANN的內部結構和ANN的計算方法；

②步驟就是訓練選擇的歷史數據。一般來說，ANN都會采取局部可變步長的計算方法，過濾歷史數據一般會使用相關因素進行映射。

3ANN算法用于短期負荷預測

3.1ANN算法和負荷預測

ANN相比于中長期預測來說，更適合短期負荷預測。這是因為短期負荷的變化是一個隨機的過程，所涉及到的影響因素相對較少，而中長期負荷的變化不平穩，涉及到的影響因素比較多，而且與國家的政策、經濟都會有密切的聯系。

ANN首次被應用于電力系統負荷預測是在1991年，所使用的模型是BT模型。后來也不斷有學者對ANN進行研究，但是到目前為止，在電力系統短期負荷預測方面還沒有一個公認的、有效的的ANN辦法[4]。雖然如此，但是ANN相比于傳統方式，有很多的優點，例如：精準度比較高、比較容易建立模型、在組織數據方面相對比較簡單、速度快等，能夠滿足不同預測系統的要求。已經進入實用階段的神經網絡算法就是BP法，一般使用的方法都是傳統的過程編法。相比于其他的方法，ANN在短期負荷預測中的有三大優勢：

①優勢就是對影響因素的收集比較全面，包括未來因素都能夠方便的進行考慮，可以將所有的因素都納入到預測計算中，其計算的結果精準度較高，實用性和可靠性較強。

②優勢就是使用的方式比較多，相對更加靈活、方便，適應性強，可以滿足不同需求的預測系統。

③優勢就是歷史數據的組織能力較強，可以按照不同的要求進行操作，能夠適應當代社會的發展和需求。

3.2ANN算法的選擇

在進行負荷預測的過程中可以選擇算法，具體的算法有：BP法；帶動量項的BT法；可變步長法；BFGS法等。這些算法中都包括兩個版本，就是：全局步長和局部步長。最開始捆綁的是局部可變步長法。這些算法的捆綁方式是屬于動態鏈接的，給未來的新算法打好了堅實的基礎。

3.3ANN的網絡結構

3.3.1輸入和輸出的節點

輸入和輸出的節點和樣本沒有直接的聯系，BP網絡在各個領域中都被廣泛的運用，不管各個領域中有什么樣的要求，就會將實際的問題轉化成數據樣本，這樣網絡才能夠接受。如果樣本格式是固定的，樣本就會固定網絡輸入和輸出的節點。

3.3.2層數

BT網絡有一個很重要的定理，就是：單隱層的BP網絡可以逼近任何閉區間的一個連續函數，一個三層的BP網絡可以映射出人意的n維到m維。根據資料，我們得出一個理論，那就是一個以上的S型隱層加上一個線性輸入層的神經網絡，可以逼近任何有理函數。

3.3.3每層激活函數

一般情況下，S型的激活函數會將BP網絡的非線性逼近能力反映出來，所以，S型激活函數一般被應用于隱含層和輸出層的激活函數。如果網絡要求的輸出范圍是[-1，1]時，我們可以使用線性激活函數。如果輸出層的激活函數使用的是S型激活函數，線性激活函數就會比非線性激活函數慢，而且網絡的輸出也會被限制在（0，1）或者是（-1，1）之間[5]。3.3.4確定隱含層節點數S1對于隱含層節點數的確定，我們必須要根據實際情況和問題，利用實驗進行證明。隱含層節點的多少一般是由：訓練樣本數目、樣本噪聲大小和樣本中包含的規律來決定的。根據實際經驗和歷史資料，我們得到了一個確定節點數的方法-試湊法。公式如下：m=n+1+a；m=log2n；m=nl（m是隱層節點數，n是輸入層節點數，a是1~10之間的常數）。

3.3.5初始權值的選擇

初始權值對局部最小的數值和是否收斂有重要作用，為了保證初始權值不落入平坦區，我們必須讓初始權值在輸入的時候每個神經元的狀態都接近0，初始權值的區間一般在（-1，+1）之間，而且是隨機進行取值。

3.3.6選取期望誤差

在訓練設計網絡的過程中，期望誤差值的選擇是是非重要的，必須要選擇一個科學、合理的合適值。這個合適值的確定，一般是由隱含層的節點數來決定的。如果想要比較小的期望誤差值，就必須要增加隱含層的節點數和訓練的時間。我們可以同時對兩個不同的期望誤差值進行訓練，這樣就可以作為對比，然后綜合進行研究和考慮之后，決定最終采用的網絡。

4結語

ANN在面向現象、模塊化編程、通用化的設計思想上有一定的研究和促進作用，給進一步的研究打下了堅實的基礎。在算法上，有自己獨立的特點，是一個獨立的部分，與預測系統分離開來，使用的范圍更加的廣泛，用途方法也更多。在組網的時候非常方便，速度較快，精準度較高，其中的局部步長法在預測支持上的使用更加方便靈活、效率更高、穩定性更強。ANN的相關因素法還可以對歷史數據有效的進行過濾，這樣就可以提高訓練的效果，最終達到提高精準度的目的。

作者：溫永軻 李福志 董捷     單位：國網四川省電力公司檢修公司