基于模糊神经网络的电力预测分析研究 电气工程专业

摘要自国家电力统计局、国家“十二五”计划提出以来，已经有较长的时间。在这段时间里，我国大力倡导绿色、节能型能源的使用和开发。基于此，短期电力负荷预测是保障我国用电安全的大前提，但是目前传统的电力预测方式已经无法满足电力部门对电力负荷进行预测，因此，对于如何应用智能化的预测技术、改善现有的电力负荷预测手段、技术，进一步提高电力负荷预测的准确性、科学性、系统性，对于我国的电力负荷预测部门和研究单位来说是具有十分重要意义的。本文在分析了电力系统负荷预测的意义和方法之后，分析了影响因素，影响短期负荷预测准确度的因素较多，如该区域的历史负荷的变化趋势，此外还有受到一些非负荷因素的影响，比如气温、气象状况和运行方式等。本文在研究模糊推理和神经网络的基础上，实现短期负荷预测，并能提高负荷预测精度。关键词：模糊神经网络；电力预测；电力负荷目录摘要I第一章 绪论1第二章 电力负荷理论22.1电力负荷预测基本模型和方法22.2模糊逻辑理论概述22.3人工神经网络概述32.4模糊神经网络概述3第三章 混合模糊神经网络相关数据处理方法53.1样本负荷数据的预处理53.1.1样本负荷数据的收集和处理53.1.2样本负荷数据的归一化处理53.2影响因素的模糊化处理63.3模糊神经网络模型的设计63.3.1网络层数的设计63.3.2网络节点数的设计6第四章 负荷预测结果及分析84.1预测模型计算一般步骤84.2一些注意事项9总结11参考文献12致谢13第一章 绪论在传统的电力负荷预测模型中，由于数据统计的不精确、有效数据无法得以提取，导致了传统的数学和物理模型无法准确的、科学的反映电力系统负荷波动特性的问题，而后，经过我国科学家的大力验证和研究，借鉴了国外有关电力负荷预测的相关技术和理论研究，对我国的电力系统负荷预测技术进行了改善和优化，并且逐步引入人工智能方法（如专家系统方法，人工神经网络预测方法，模糊控制方法）有效地解决了电力系统中的不确定性，并且在电力系统的编制、系统的框架设计、以及系统编程过程中充分考虑了系统中各种不确定的时变因素（如气象因素，季节因素，时变不确定因素）。模糊神经网络技术是一种先进的电力系统运行调度管理技术和措施，其良好的规避了人工神经网络收敛慢和易发生震荡的缺点，结合了模糊逻辑控制和人工神经网络两方面优点。第二章 电力负荷理论2.1电力负荷预测基本模型和方法电力系统负荷预测技术的发展一般可以分为两个阶段：第一为传统方法的阶段，该阶段从1970年代到1980年代，这一阶段主要是传统的统计数学方法应用于负荷预测技术，作为弹性系数法，单位能量法，时间序列法，指数平滑法，回归分析法，灰色系法。第二为智能化阶段，随着现代信息技术的快速发展，专家系统方法，神经网络方法（人工神经网络），模糊预测方法（Fuzzy Logic Theory）和组合模型预测方法作为智能方法的代表是广泛使用在负荷预测中GerbecD,GaspericS,SmonI,etal.AnapproachtocustomersdailyloadprofiledeterminationJ.IEEEPowerEngineeringSocietySummerMeeting,Chicago,IL,USA,Piscataway:NJ,2009,1:587593.。2.2模糊逻辑理论概述美国专家L.A.Zadeh教授在上世纪60年代仔细研究数据精炼，并于1965年出版了一本着名的有关模糊逻辑的书籍“模糊集理论”，首先将模糊逻辑理论从一个概念，通过数据的分析和实际的研究，进而创造了模糊理论。模糊逻辑理论的核心思想是隶属函数理论，即模糊逻辑理论中的绝对隶属关系。属于某一集合的程度不再限于0或1（绝对或不是）。但是可以取从0到1的任何值，并且用隶属函数来进行表达 PapadakisS E,TheocharisJ B,BakirtzisA G.A loadcurvebasedfuzzymodelingtechniqueforshort-termloadforecastingJ.FuzzySetsandSystems,2013,130(04):279303. 。从那时起，一个新的学科 - “模糊集理论”诞生了。围绕模糊集理论，开发了一系列相关的数学理论，统称为模糊数学。模糊数学是用来描述、研究和处理事物所具有的模糊特征的数学，“模糊”是指他的研究对象，而“数学”是指他的研究方法。“模糊”是“精确”相对的概念。模糊性在日常生活和口头沟通中很常见。它是一种不确定性的表达，例如人类高度的“高”和“低”，身体的“胖”和“瘦”，这可以被理解为主观不确定性的概念延伸。模糊理论是研究这些不确定的东西，用其精确的数学语言来表达它。虽然模糊理论自诞生以来已有十多年的历史，但它显示出强大的生命力。国内外专家学者在应用研究方面取得了很大的成绩。进入新世纪后，许多学者将模糊集理论与传统的自动控制理论相结合，解决工业生产中的复杂问题，取得了丰硕的成果。2.3人工神经网络概述“人工神经网络”(ARTIFICIAL NEURAL NETWORK，简称A.N.N.)是在对人脑组织结构和运行机智的认识理解基础之上模拟其结构和智能行为的一种工程系统。早期的研究中，F.Rosenblatt、Widrow和Hopf、J.J.Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。 KrishnapuramR,KellerJ M.APossibilisticApproachto ClusteringJ.IEEETransactiononFuzzSystems, 2003,(02):98110. 人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。因此，运用人工神经网络技术来预测电力系统负荷的己经成为该领域一个研究的热点。2.4模糊神经网络概述模糊逻辑和神经网络的组合创造了一个新的技术领域：模糊神经网络。模糊神经网络是一个不断研究和研究的新领域。目前，模糊神经网络具有以下三种形式：逻辑模糊神经网络：逻辑模糊神经网络由逻辑模糊神经元组成。逻辑模糊神经元是具有模糊权重系数的神经元，并且对输入模糊信号执行逻辑运算。由模糊神经元执行的模糊操作具有逻辑运算，算术运算等操作。在任何情况下，模糊神经元是基于传统的神经元。它们可以从传统神经元中推导出来。算术模糊神经网络：算术模糊神经网络是一个神经网络，它可以对输入的模糊信号进行模糊算术并包含模糊权重系数。通常，算术模糊神经网络也称为正常模糊神经网络，或标准的模糊神经网络。传统的模糊神经网络通常被称为RFNN（常规模糊神经网络）或称为FNN（模糊神经网络）。在正常情况下，常规的模糊神经网络被称为FNN。传统的模糊神经网络有三种基本类型，FNN 1，FNN2，FNN3表示。这三种类型的意义如下：FNN 1是具有模糊权重系数的网络，并且输入信号是实数。FNN2是具有实权重系数的网络，输入信号是模糊数。第三章 混合模糊神经网络相关数据处理方法3.1样本负荷数据的预处理3.1.1样本负荷数据的收集和处理短期负荷预测所需的大多数历史负荷数据由电力系统的遥控通信设备收集。除了受仪器本身精度和数据传输通道性能的影响外，还有开关操作等因素，使得某一时刻的历史负荷数据可能是数据失真或异常波动等。对负荷预测的负荷与精度的影响。数据预处理是使用这些历史数据来预测负荷，应首先处理数据的失真并填充故障数据，消除不良数据的影响，减少输入容错量，从而避免数据不准确导致由问题的复杂性的几何增长。如果存在大量“异常”数据（误差大于5），则可以认为当天的加载数据失真，属于不良数据。王毅. 电力系统短期负荷预测技术的研究与实现D. 北京：华北电力大学， 2012由于不同类型的工作日（工作日或休息日）的负荷变化往往有很大差异，因此对于缺少数据的修补、程序使用、相同类型的数据参考很重要。通过开关操作，事故跳闸等因素，电源负荷往往会在一定时间内发生“突变”，我们称之为异常负荷点。如果正常负荷序列中有多个的异常点，整个负荷序列的错误性将突然增加，这将降低负荷序列的相似性，增加负荷预测的难度。因此，需要对这些异常负荷点进行平滑处理。常用的平滑方法是垂直平滑和水平平滑。垂直平滑的原理是电力的负荷曲线将显示一定的周期性，即同一时间的负荷在不同的日子应该没有太大的不同，并有一定的相似性。如果差异很大，那就是数据不好，可以使用垂直校正方法。如果某时刻的实际偏差率大于偏差率，则判断此时的负荷点是异常点，并且需要进一步处理。在这种情况下，用下式的x(d,t)取代异常点数据x(d,t)冯丽，邱家驹.基于电力负荷模式分类的短期电力负荷预测J. 电网技术，2005，4:23-26. 。3.1.2样本负荷数据的归一化处理因为在不同时间的负荷数据的实际值的差通常很大，所以难以通过直接输入变量的实际值来区分预测模型的性能。因此，有必要对输入变量数据进行归一化，以消除数据失真的影响，从而实现在不同时间负荷结果的统一比较。3.2影响因素的模糊化处理通过模糊集理论，隶属函数用于模糊天气数据和日期类型，数据和历史负荷数据作为神经网络输入，矩阵用于简化预测模型。使用单隐层神经网络模型预测负荷，其可以减小网络的大小并提高网络的性能，并且可以在一定程度上避免网络的预测性能。基于模糊集理论和神经网络理论，BP神经网络短路，长期负荷预测模型预测方法结果表明，该方法是短期负荷预测的有效方法。短期负荷预测应考虑天气影响，天气数据模糊处理可提高电力负荷预测的准确性。3.3模糊神经网络模型的设计3.3.1网络层数的设计数学家Hecht Nielson曾证明对于任何一个非线性的连续函数，都可以用一个单隐层的神经网络来逼近，即一个单隐含层的BP神经网络可以完成任意输入输出映射傅毓维，杨莉. 基于混沌时间序列的电力需求短期预测分析 J. 统计与决策，2010，8:38-40. 。因此，本文的BP网络模型取1层隐层的结构。要确定神经元的隐藏层，隐藏层的数量来确定神经元的数量是一个非常复杂的问题，到目前为止还没有具体的公式，可以根据手动测试的方法重复比较确定。隐层中的神经元数量与输入和输出层中的节点数量密切相关。隐含层单元的数量太小，网络趋向于局部最小值，不能得出正确的结论，但也导致系统的鲁棒性，容错性差，不能识别样本与训练的输入值之间的差异。然而，隐含层单元的数量将导致网络过大，训练时间大大增加，预测精度下降。因此，隐层节点的数量不能太大或太小，应慎重选择卫志农，王丹，孙国强等.基于级联神经网络的短期负荷概率预测新方法.电工技术学报，2005，20（1）：9598. 。3.3.2网络节点数的设计该模型的输出层的节点有24个，表示一天中24个小时的负荷。该类设计符合人的思维认知，但其缺陷也是很明显的，涉及的数据必定需要前几天的相应的负荷值作为输入向量，即输入层需要24个甚至近百个神经元节点，若再算上隐含层节点的数量，对应的神经网络参数的数量将会非常庞大，网络过于臃肿，在很大影响网络的运算速度和性能。第四章 负荷预测结果及分析4.1预测模型计算一般步骤以确保网络不会出现过度拟合的情况。引入了一个测试样本。首先将历史数据转换成数组格式，包括输入数组和目标输出数组。然后分为训练数据和测试数据。神经网络由并行的分布式信息处理结构的处理单元组成，处理单元通过单向通道互连。人工神经元是神经网络的基本单位，其模型是前向多层网络。网络不仅具有输入层节点，输出层节点，还具有隐层层节点，经过动作功能后，再将隐层节点输出信息输出到输出节点，最后给出结果。节点的功能通常是选择s型函数，如通过组合的正向和反向传播的算法的学习过程。在正向传播过程中，输入信号从输入层通过隐层逐层处理，并传递到输出层，每层神经元的状态只影响下一层神经元的状态。如果在输出层无法获得所需的输出，则它会反转，并且错误信号沿原始连接通道返回。通过修改每层中的神经元的权重来最小化误差信号。本文提出了一种模糊神经网络预测方法，利用模糊技术和神经网络自己的专业。它可以充分发挥ANN处理非线性问题的能力。具有训练速度快，学习精度好的优点。高稳定性和数值稳定性。数值实例表明，该方法在短期日负荷预测中是有效的。图4-1 电力预测计算结果从预测结果我们可以看出，基于模糊神经网络的负荷预测精度得到显著提高，同时也证明这种方法是完全可行的。从表1中还可以发现模糊神经网络的预测相对误差变化很均匀，表明其泛化能力比神经网络大有提高。从表2中可以看出模糊神经网络能够更好地拟合负荷与天气因素之间的密切关系，进行更加可靠的预测。4.2一些注意事项因为神经网络所用的负荷数据来自电力部门的SCADA系统，由于各种原因可以产生多个异常数据。考虑到负荷前后的小时数的自然变化，如果有超正常值，则必须除去，而不是正常的估计范围。由于系统荷载结构随时间变化缓慢，当已知日期和预报日期相距较远时，即使其天气条件和其他因素非常相似，预测精度也不会很高，因此取前三个已知日期作为要选择的范围，以及缩短程序选择样本所花费的时间。总结传统的短期负荷预测方法如时间序列法，电力弹性法等都有一定的局限性，如预测精度不够，如缺乏科学性。为了解决上述问题，基于L-M算法的人工神经网络和自适应模糊神经网络模型分别用于预测电力系统的负荷。分析和比较这些方法的结果。实施例表明，结果取得了良好的效果。结果表明，改进的人工神经网络和模糊神经网络具有较高的预测精度和较短的训练时间，因此它们是可行的负荷预测方法。这两种方法为负荷预测开辟了新的途径，也为电力系统理论的应用开辟了新的途径，具有一定的理论研究价值和实际应用价值。一般来说，本文通过结合神经网络技术，模糊控制理论和Matlab仿真软件完成电力系统短期负荷预测模糊神经网络模型的建设，基本实现了本文的目的。然而，由于作者水平有限，再加上篇幅的限制，本研究的主题还有很多地方需要改进。首先，天气条件，例如雨，湿度和湿度，是影响负荷变化的重要随机变量。实践表明，负荷波动随天气的波动非常显着。然而，由于信息采集的不便，只考虑温度。由于模糊推理在处理模糊语言变量如天气，雨和湿度方面是精准的，这部分将是下一阶段工作深入研究的重点。其次，本文建立的预测模型是针对正常日负荷，不考虑假期负荷特征。这是因为假期负荷数据较少，受社会，经济和气候等方面影响，负荷增长和变化的关系是不确定的，所以假期负荷预测更加困难。因此，下一阶段应对节假日负荷变化进行深入研究。最后，本文中使用的数据信息有一些限制。无论从现有的数据分析，还是调度员的运行经验，我们都不难发现影响负荷大小有较多的影响因素，如典型的主要政治事件，特定的特殊事件。这部分信息因为没有记录，所以没有存储在原始数据中，这在一定程度上影响了预测精度，下一阶段应该进行深入研究。参考文献1GerbecD,GaspericS,SmonI,etal.AnapproachtocustomersdailyloadprofiledeterminationJ.IEEEPowerEngineeringSocietySummerMeeting,Chicago,IL,USA,Piscataway:NJ,2009,1:587593. 2PapadakisS E,TheocharisJ B,BakirtzisA G.A loadcurvebasedfuzzymodelingtechniqueforshort-termloadforecastingJ.FuzzySetsandSystems,2013,130(04):279303. 3KrishnapuramR,KellerJ M.APossibilisticApproachto ClusteringJ.IEEETransactiononFuzzSystems, 2003,(02):98110. 4 Bakirtzi A.G.s,Theocharis J.B.Short term load forecasting using fuzzy neural networksJ.IEEE Transactions on Power Systems,2015,10(3).1518-1524. 5基于模糊神经网络的电力系统短期负荷预测问题研究J.东南大学，硕士学位论文，20156王毅. 电力系统短期负荷预测技术的研究与实现D. 北京：华北电力大学， 20127范不井.某地区电网短期负荷预测研究D.郑州大学，20128冯丽，邱家驹.基于电力负荷模式分类的短期电力负荷预测J. 电网技术，2005，4:23-26. 9傅毓维，杨莉. 基于混沌时间序列的电力需求短期预测分析 J. 统计与决策，2010，8:38-40. 10 卫志农，王丹，孙国强等.基于级联神经网络的短期负荷概率预测新方法.电工技术学报，2005，20（1）：9598. 11李艳玲.基于神经网络的电力系统负荷预测问题研究J.沈阳工业大学学报，2014（10）