电力系统短期负荷预测的改进BP神经网络算法比较
来源:用户上传
作者:
摘 要：對于电力系统来讲，预测系统负荷的措施有助于维持电力系统的正常运行，避免频繁出现偏低或者偏高的电力系统负荷。在目前的现状下，技术人员已经能够借助于神经网络算法用于完成全方位的系统负荷预测，从而保证了整个电力系统能够处于有效的负荷控制下。因此针对短期的电力系统负荷预测而言，应当尝试引进BP的神经网络算法作为支撑，确保得出精确的负荷预测结论。
关键词：电力系统;短期负荷预测;BP神经网络算法
预测电力系统的短期负荷重点针对于目前现存的负荷波动规律，通过运用科学预测的方式来推测每周以及每日的系统负荷需求。电力系统由于受到人为因素、当地气候因素及其他因素引发的影响，那么将会呈现频繁的负荷波动状态。在此前提下，针对电力系统有必要运用神经网络算法来预测精确的短期负荷波动趋势，遵循负荷变化规律来控制电力系统的整体运行。
一、改进BP神经网络算法的基本内容
从基本技术特征的角度来讲，BP神经网络算法主要依赖于特定的计算模型，通过构建多层前向的神经网络系统来实现针对连接权值的修正与迭代操作。具体在进行模型运算时，该算法着眼于负梯度方向的判断，并且遵循期望输出值以及真实的神经网络输出值差异来进行上述的计算处理[1]。由此可见，上述算法本身应当属于全局最优解的寻求过程，并且具备非线性函数的典型特征。然而不应当忽视，传统的神经网络算法无法达到较快的收敛速度，因此必须予以适当的改进。
对于BP算法在进行优化与改进的实践中，技术人员重点着眼于优化原有的数值计算方法，并且修改了负梯度的计算思想，在此前提下诞生了具有弹性的全新神经网络算法，进而衍生出附加动量的算法以及学习率可变的算法。例如，运用神经网络工具箱的方法可以构建MATLAB的算法函数，并且借助共轭梯度的算法来实现全方位的求解数值优化。
BP神经网络的计算过程由正向计算过程和反向计算过程组成。在这其中，正向传播过程指的是输入模式从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态[2]。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小，而反向传播过程则体现为相反的顺序。
二、对比预测电力系统短期负荷的实效性
作为现阶段的技术改进要点来讲，预测系统短期负荷的算法正在不断得到更新。经过全面的技术改进以后，目前已经诞生了多种多样的混合运算方法。从本质上讲，电力系统体现为频繁的负荷波动特性，因此必须借助科学手段来完成针对各时间段网络负荷的精确预测。技术人员通过整合目前现存的各类典型算法，应当能够给出最佳的负荷预测方法[3]。具体在运用BP算法的实践中，预测短期性的系统负荷状态主要体现在如下的技术要点：
（一）构建完整的神经网络模型
构建完整的神经网络模型，该措施构成了预测电力系统负荷的关键前提。具体在选取相应的学习样本时，应当确保全部的样本都来源于现有的天气状态以及系统负荷变化。在每日的时间段内，对于采样数据需要保证符合特定的数目，并且限定于半个小时的样本采集间隔。此外在进行采样时，关键在于结合当地现有的节假日以及当日平均气温，据此给出综合性的推断结论。
然而针对不同种类的采样数据而言，与之有关的采样误差也体现为多样性。因此在输入各项的采样数据以前，首先需要运用科学手段来实现针对数据误差的有效降低，以便于输入统一的负荷采样信息。通过运用归一化处理的方式，技术人员针对不同种类的电网负荷信息就能实现统一处理，进而给出了精确程度更高的负荷预测结论。在此过程中，通常需要用到最小与最大的系统负荷数值[4]。经过全面的归一处理以后，确保能够给出完整的负荷预测结果。
（二）评价电网负荷预测的效果
神经网络模型能否体现最佳的负荷预测效果，其直接决定于评价系统负荷的各项基本操作指标。因此在评价与判断预测系统负荷的实效性时，前提在于拟定具备可操作性的负荷测定指标，以便于给出精确的系统负荷评价。在多数情况下，经过每日的负荷测定操作后，应当能够据此给出真实的电网负荷值、预测的电网负荷值、采样点的总数以及其他相关指标。并且，关于评价负荷预测的结论还会涉及到最大的绝对值误差、相对误差、测定日负荷的精确率、平均的相对误差等。
需要注意的是，在不同的时间段内，同个区域的电网负荷将会表现为差异性。这是由于，电网负荷可能会受到当前的用户用电总量以及其他的人为操作影响。在多数情况下，恶劣的外界气候也会影响整体的电网负荷波动[5]。具体在预测与评价电网负荷时，应当综合考虑以上的各项基本要素，进而给出精确的负荷预测结论。
（三）对比各类算法的预测结论
相比而言，建立在数值优化基础上的神经网络算法具有较差的数值精确率，但是建立在梯度下降算法之上的数值预测结论可以保证达到更好的精确程度。并且，收敛速度、负荷数据的计算操作量以及训练时间这三项要素之间具有内在的关联性。在增多隐含层节点的状态下，训练时间也会呈现明显延长的趋势。因此经过综合性的判断与对比后，应当能够结合现有的电网负荷状态来选择最佳的负荷预测方法。
三、结语
BP神经网络算法作为目前关键的负荷预测算法而言，其主要着眼于判断现有的系统负荷波动，确保给出精确的负荷波动规律以及系统需求现状。并且，运用BP神经网络算法还能用于推测短期内的电力系统负荷，结合电力系统目前所处的整体运行环境来维持稳定的电力系统运行，节约负荷预测的总成本。
参考文献：
[1]王蕾.基于改进BP神经网络的中央空调冷负荷预测研究[J].计算机测量与控制，2014，22（16）：568.
[2]王吉权，王福林，董志贵，等.基于改进BP神经网络的电力负荷预测[J].数学的实践与认识，2017，47（9）：276-284.
[3]李志恒，孙冉，张建立，等.基于改进BP神经网络的中长期电力负荷预测算法设计[J].自动化与仪器仪表，2017，13（10）：23-25.
[4]朱海兵，崔玉，熊浩.基于改进型BP神经网络的电网负荷预测[J].现代电子技术，2016，39（20）：64-66.
[5]王善磊.基于BP神经网络系统的电力系统负荷预测[J].数码世界，2018，25（31）：109.
作者简介：程超（1990-），男，安徽怀宁人，在读研究生，主要从事电力负荷预测方面的研究。
转载注明来源:https://www.xzbu.com/1/view-15099822.htm
