安防之家讯：cript>采用神经网络进行电力系统短期负荷预测的一种降维方法 郭新辰，王雪峰，冯英浚(哈尔滨工业大学数学系，哈尔滨黑龙江150001)
提出一种采用神经网络进行电力系统短期负荷预测的降维方法。该方法将每天的L个时刻负荷数据降维处理为少数几个特征参数，利用人工神经网络预测待测日的这些参数，以及参照日负荷为依据进行负荷预测。该方法提高了预测精度和速度，预测实例表明该方法的有效性。关键词：[HTSS]短期负荷预测；多层神经网络；SPDS算法；优化模型准确的短期负荷预测对电力系统的生产安排、经济调度和安全运行，对用电管理走向市场，都有着重要的作用和意义。目前电力系统短期负荷预测方法大致可分为两类，一类是以时间序列法为代表的传统方法［１］，另一类是以人工神经网络法为代表的新型人工
智能方法。传统方法虽然算法简单、速度快，但精度不高。90年代初，人工神经网络成功地应用于短期负荷预测［３］。人工神经网络具有独特的处理信息的特点以及任意逼近连续函数的能力［4］，因而可以用来预测负荷的变化趋势。考虑到天气情况相似的日期有着相似的负荷曲线，本文提出将每天的L个时刻(本文取L=24)负荷数据降维处理为3个特征参数，基于人工神经网络预测待测目的3个参数。这样使得神经网络输入、输出层神经元数目减少，网络结构简化，从而使训练过程耗时少，能够跟踪负荷的实时变化，精度也得到提高，达到实用的目的。 1神经网络模型及算法1.1日负荷数据的降维处理用电负荷明显的具有以日和星期的周期性变化规律性，天气情况相似的日期有着相似的负荷曲线。考虑到负荷的这些特点，对每日的L个时刻负荷数据进行如下降维处理。设某日的L个时刻负荷数据为数列Si,i∈I=｛1,2，…，L｝，令，将Si以S进行无量纲化、归一化处理：。经过以上处理每日的L个时刻负荷参数转化为3个特征参数：S、ω、θ。特征参数S代表某日L个时刻中的最大值负荷；ω刻划某日L个时刻中最小值负荷的无量纲值；θ表示某日L个时刻负荷的平均变化状态。由于相似天气状况的日期具有相同的负荷曲线，所以这3个特征参数可以反映负荷曲线的特点。1.2神经网络模型及算法本文采用前馈式神经网络来预测待测日特征参数。前馈式神经网络又称BP模型，大多采用BP算法。但BP算法是基于梯度的最速下降法，因此收敛速度慢，甚至难以收敛到最小点，易陷入局部极小点。有鉴于此，本文采用容易收敛的基于非梯度的单参数动态搜索算法进行训练(SPDS算法)［5，6］。基于SPDS算法的神经网络训练速度快，于是选择动态的预测模型变为可能。利用神经网络建立电力负荷预测模型，选择合适的样本集可以大大提高训练速度和改善预测质量。因此每次预测前都对样本进行筛选，选择与预测日气象条件相似的样本进行训练。由于前后几天的负荷有一定关系，且受温度、湿度、天气类型的影响，为此定义某预测日与第K天的相似度为。其中Tmax、Tmin、Tave、H、C分别为某预测日的最高温度、最低温度、平均温度、湿度和天气类型；分别为第K天的最高温度、最低温度、平均温度、湿度和天气类型，ΔDk代表预测日与第K天之间的间隔天数。α、β、γ是反映温度、湿度、天气类型和间隔天数对负荷影响的系数。C的取值规定如下：当C=0时，表示天气不够晴；C=1时代表晴；C=2时代表阴；C=3时代表雨；C=4代表阵雨；C=5代表雪；C=6代表大雪。S(K)越小表明相似度越高。在经过降维后负荷数据样本集中，每天都有3个的负荷特征参数数据和5个天气情况的气象数据。根据预测日的气象数据，在此日之前的样本集合内依次计算各天与此预测日的相似度S(k)，从中选出若干个具有较小相似度的记录，这样精选出的样本既可以避免其它样本的干扰，又可节省大量的训练时间。在本文中，对于所选出的具有较小相似度值的记录按自然的时间顺序排列，记为D1，D2，D3，……，DM，其中Di包括i所对应的日期的负荷特征参数数据和天气状况数据，M为选出的记录总数。将前5日的负荷特征参数数据及第6日的天气状况数据作为网络的输入参数，第6日的负荷特征参数数据作为输出参数，按依次选取的方式可得到如下M-5个样本，即(D1，D2，D3，D4，D5；D6)，(D2，D3，D3，D4，D5，D6；D7)，……(DM-5，DM-4，DM-3，DM-2，DM-1；DM)。若将5日的负荷特征参数及第6日的天气状况数据作为网络的输入，则神经网络有20个输入神经元；将第6日的负荷特征参数作为输出，则有3个输出神经元。根据经验，当M＜50时，选择15个左右的隐元即可保证网络的收敛。本方法在每次预测过程中，都需重新确定样本集进行训练，因此在每次预测中样本和权值都不断同步更新，从而体现了以往负荷对待测日负荷“近大远小”的影响原则，因而提高了预测的精度。进行预测时，以样本集中XM-4，XM-3，XM-2，XM-1，XM和待测日的天气信息作为网络的输入，网络的预测结果即是待测日的负荷3个特征参数预测值。2负荷数据的反演优化模型2.1参照日的确定及数据处理日负荷曲线的变化有着明显周期的规律性，天气状况相似日期的负荷曲线形状接近。因此选择与待测日天气相似程度最好的日期作为参照日，或者选择相似度很好的几天进行加权平均作为复合参照日。设参照日L个时刻负荷数据经无量纲、归一化处理后的数据为数列待测日负荷数据的无量纲、归一化数据为数列di，(i=1,2,3，……，L)。且由神经网络预测出的待测日的特征参数为S、θ、ω(0＜ω＜θ＜１)。首先对原始负荷数据数列i和di分别作如下处理：(1)将数列和di分别由小到大按正序排列，生成数列[1][2][3]下一页
安防之家专注于各种家居的安防,监控,防盗,安防监控,安防器材,安防设备的新闻资讯和O2O电商导购服务，敬请登陆安防之家：http://anfang.jc68.com/
