论文部分内容阅读
摘要:短期电力负荷预测是电力系统日常运行中的一项重要工作。精确的负荷预测对电力系统经济、可靠的负荷调整和管理起着十分重要的作用。本文以福建泉州某电厂的历史负荷数据为基础,采用RBF神经网络进行了短期负荷预测。经仿真验证预测相对误差小于1%,预测精度满足实际需求。
关键词:负荷预测;负荷分析;RBF神经网络
中图分类号:TM1文献标识码:A文章编号:1009-0118(2010)-03-0130-03
电力系统的任务是给广大用户不间断的提供优质电能,满足各类负荷的需求。精确的负荷预测可以为满足和保证系统平衡提前做好准备,进行经济、可靠的负荷调整和管理 。以时间跨度为依据,电力负荷预测大致可分为长期负荷预测、中期负荷预测、短期负荷预测及超短期负荷预测。本文主要研究短期负荷预测。短期负荷具有周期性、波动性和随机性的特征。
传统的短期负荷预测中比较成熟的预测方法有时间序列法、回归分析法。随着智能技术的发展,越来越多的智能技术如神经网络、粒子群算法等被应用到短期负荷预测中来,取得了很好的预测成果。针对短期负荷预测的特点和影响负荷预测的各种因素,本文采用RBF神经网络预测模型对短期电力负荷的基本分量进行预测,提出了短期负荷预测的基本步骤。仿真结果表明该预测模型是有效的,能够满足实际需求。
一、径向基函数网络(RBF)概述
Powell于1985年提出来径向基函数(RBF)方法,1988年Broomhead和Lowe首先将RBF应用于神经网络设计,构成径向基函数(RBF)神经网络,其网络结构如图1所示:
图1 RBF神经网络结构图
由于RBF网络能够逼近任意的非线性函数,处理系统内在的难以解析的规律性,并具有极快的学习收敛速度,因此RBF网络应用更广泛。
一般认为,RBF神经网络中对网络性能影响的关键因素是基函数中心的选取,大体有以下三种方法:
(1) 根据经验选中心。只要训练样本的分布能代表所给问题,可根据经验选定均匀分布的M个中心。
(2) 用聚类方法,把训练样本聚成几类,以类中心为RBF函数的中心。常用的聚类方法有K均值聚类法,自组织方法。
(3) RBF的中心、输出单元的权值都用监督学习(误差纠正算法)从样本中学习得到。
二、电力负荷组成分析
电力系统负荷是一个很复杂的非线性系统,有许多直接或间接的影响因素。根据对历史负荷的分析,一般可把负荷分为基本负荷分量和变动性负荷分量两部分。
(1)基本负荷分量
也叫周期性负荷分量,反映的是负荷自身变化的基本规律,呈较强的周期性,尤其受时间周期影响强烈。对短期负荷来说,时间周期因素包括日周期、周周期、月周期和年周期等,其中日周期、周周期对日负荷的曲线模式有着极为重要的影响。
(2)变动性负荷分量
变动性负荷分量反映的是随机因素对负荷变化的影响,一般在总负荷中所占的比重不大。变动性负荷在一个长时间周期内平均值为零,但是对于短周期而言,负荷的振荡会使得负荷平均值有所改变。因此,对于短期负荷预测,必须考虑这类振荡的负荷。造成这种负荷振荡的因素主要为节假日和气象条件的影响。
综合上述分析,电力系统某一时刻t的短期电力负荷预测模型可按下式描述:
L(t)=B(t)+W(t)+S(t)(1)其中:
——t时刻的系统总负荷;
——t时刻的基本负荷分量;
——t时刻的变动性负荷分量;
——t时刻的随机事件分量,即除了上述因素以外的分量。
三、基于RBF神经网络的短期负荷预测
1、历史负荷数据的分析和预处理
电力系统负荷具有按天、按周、按年的变化规律。对于短期负荷预测关键的是将历史负荷数据按照日期类型和小时类型划分。本文通过日期类型和小时类型的划分来考虑负荷按周、按天的变化规律,进行提前24小时整点负荷预测。
当历史负荷数据的选取工作完成之后,需要对选出的负荷数据进行预处理:
(1)坏值的处理
历史负荷数据的记录中,由某种原因造成的偏离合理值的不良负荷数据即伪数据应剔除。常用的方法是比较法:将某一时刻的负荷值与其前后时刻的负荷比较,若差值大于某一阀值,则自动将伪数据修正;若某一天没有数据或伪数据太多,则可视为该天的数据缺损,这一天的数据可以用前后几天的正常数据进行修补,以保证数据进一步完整规范化。
(2)数据的归一化
直接以原始数据对网络进行训练会引起神经元饱和,因此在对网络进行训练之前必须对数据进行处理,以消除原始数据形式不同所带来的不利。
通常的做法是归一化处理(Normalization)。研究表明,以恰当的方式对数据进行归一化处理可以加速神经网络的收敛。归一化可以在模型的单个输入变量通道上独立进行,也可以对所有的输入通道一起进行。本文所用的归一化方法为:
x=(2)
其中
x——归一化后的数据;
x ——归一化前的数据;
xmax,xmin分别为变量的最大值和最小值。
通过此变化,使数据变换到[0,1]区间。
2、基于RBF神经网络的短期负荷预测实现
本文以福建泉州某电厂的历史负荷数据为基础,建立三层RBF神经网络预测模型,对普通工作日和普通双休日的负荷进行了预测,从预测的相对误差可以判断该预测模型能够满足实际需要。基于RBF神经网络模型的负荷预测流程图如图2所示:
图2 基于RBF神经网络模型的负荷预测流程图
(1) 工作日负荷预测
表1给出某工作日24小时负荷的实际值、预测值和预测相对误差。表2给出某周5个工作日的负荷预测相对误差。图3是该周5个工作日中实际值和预测值的负荷曲线对比。从中可以看出,基于RBF神经网络的短期负荷预测的相对误差基本保持稳定,在[-0.2%,0.2%]之间,只有在每天的凌晨,即3点到5点之间有较大相对误差,这是由于凌晨会有一些不确定因素发生,规律性不是很好,随机性比较大。
表1 某工作日的24小时预测结果
工作日负荷的预测对生产生活都有很大的指导作用和意义。对电厂来说,利用预测曲线可以合理安排发电机机组的投放,在负荷高峰时加大机组投放,保证负荷供给;在负荷低谷时,减少机组投放,并在此时安排检修计划等。对工厂来说,利用预测负荷曲线,也可以合理安排生产,从时间上错开负荷高峰,保持电压稳定,进而保证产品质量。
(2) 双休日负荷预测
表3给出某周双休日的24小时负荷预测相对误差。图4是该双休日中负荷实际值和预测值的对比曲线。从表3和图4中可以看出双休日相对误差与工作日的基本一致,同样在每天的凌晨时误差相对要大,但是在其他时段与工作日相比误差要更平滑。主要原因有二:一是采自双休日的数据比较少,有偶然因素;二是因为双休日人们是生活的规律性更容易显现出来,而此时对负荷影响更大的生产负荷基本停止。
双休日负荷的预测对于电厂制定合理的发电计划具有很大的指导价值,也可以为电厂制定较大的检修计划提供依据,保证负荷供给持续稳定,保证人民生产生活顺利进行。
表3 某双休日的24小时预测相对误差(%)
(3)预测误差
由于负荷预测是一种对未来负荷的估算,因此,它与客观实际还是存在着一定的差距,即预测误差。在分析误差原因的基础之上可以通过智能方法减小预测误差,提高预测精度。
四、 结论
本文针对电力负荷的特点和影响负荷预测的各种因素,采用三层RBF神经网络对短期电力负荷预测进行了研究。通过仿真验证该网络预测精度小于1%,达到实际预测精度要求。
参考文献:
[1] Wenjin Dai , Ping Wang. Application of Pattern Recognition and Artificial Neural Network to Load Forecasting in Electric Power System[A]. Third International Conference on Natural Computation,2007.
[2]卢峥.电力系统短期负荷预测研究[D].长沙:湖南大学,2007.
[3]Shukang YANG, Ming LU, Huifeng XUE.Hybrid partial least squares and neural network approach for short-term electrical load forecasting[J]. Control Theory Application, 2008,6(1) :93-96.
关键词:负荷预测;负荷分析;RBF神经网络
中图分类号:TM1文献标识码:A文章编号:1009-0118(2010)-03-0130-03
电力系统的任务是给广大用户不间断的提供优质电能,满足各类负荷的需求。精确的负荷预测可以为满足和保证系统平衡提前做好准备,进行经济、可靠的负荷调整和管理 。以时间跨度为依据,电力负荷预测大致可分为长期负荷预测、中期负荷预测、短期负荷预测及超短期负荷预测。本文主要研究短期负荷预测。短期负荷具有周期性、波动性和随机性的特征。
传统的短期负荷预测中比较成熟的预测方法有时间序列法、回归分析法。随着智能技术的发展,越来越多的智能技术如神经网络、粒子群算法等被应用到短期负荷预测中来,取得了很好的预测成果。针对短期负荷预测的特点和影响负荷预测的各种因素,本文采用RBF神经网络预测模型对短期电力负荷的基本分量进行预测,提出了短期负荷预测的基本步骤。仿真结果表明该预测模型是有效的,能够满足实际需求。
一、径向基函数网络(RBF)概述
Powell于1985年提出来径向基函数(RBF)方法,1988年Broomhead和Lowe首先将RBF应用于神经网络设计,构成径向基函数(RBF)神经网络,其网络结构如图1所示:
图1 RBF神经网络结构图
由于RBF网络能够逼近任意的非线性函数,处理系统内在的难以解析的规律性,并具有极快的学习收敛速度,因此RBF网络应用更广泛。
一般认为,RBF神经网络中对网络性能影响的关键因素是基函数中心的选取,大体有以下三种方法:
(1) 根据经验选中心。只要训练样本的分布能代表所给问题,可根据经验选定均匀分布的M个中心。
(2) 用聚类方法,把训练样本聚成几类,以类中心为RBF函数的中心。常用的聚类方法有K均值聚类法,自组织方法。
(3) RBF的中心、输出单元的权值都用监督学习(误差纠正算法)从样本中学习得到。
二、电力负荷组成分析
电力系统负荷是一个很复杂的非线性系统,有许多直接或间接的影响因素。根据对历史负荷的分析,一般可把负荷分为基本负荷分量和变动性负荷分量两部分。
(1)基本负荷分量
也叫周期性负荷分量,反映的是负荷自身变化的基本规律,呈较强的周期性,尤其受时间周期影响强烈。对短期负荷来说,时间周期因素包括日周期、周周期、月周期和年周期等,其中日周期、周周期对日负荷的曲线模式有着极为重要的影响。
(2)变动性负荷分量
变动性负荷分量反映的是随机因素对负荷变化的影响,一般在总负荷中所占的比重不大。变动性负荷在一个长时间周期内平均值为零,但是对于短周期而言,负荷的振荡会使得负荷平均值有所改变。因此,对于短期负荷预测,必须考虑这类振荡的负荷。造成这种负荷振荡的因素主要为节假日和气象条件的影响。
综合上述分析,电力系统某一时刻t的短期电力负荷预测模型可按下式描述:
L(t)=B(t)+W(t)+S(t)(1)其中:
——t时刻的系统总负荷;
——t时刻的基本负荷分量;
——t时刻的变动性负荷分量;
——t时刻的随机事件分量,即除了上述因素以外的分量。
三、基于RBF神经网络的短期负荷预测
1、历史负荷数据的分析和预处理
电力系统负荷具有按天、按周、按年的变化规律。对于短期负荷预测关键的是将历史负荷数据按照日期类型和小时类型划分。本文通过日期类型和小时类型的划分来考虑负荷按周、按天的变化规律,进行提前24小时整点负荷预测。
当历史负荷数据的选取工作完成之后,需要对选出的负荷数据进行预处理:
(1)坏值的处理
历史负荷数据的记录中,由某种原因造成的偏离合理值的不良负荷数据即伪数据应剔除。常用的方法是比较法:将某一时刻的负荷值与其前后时刻的负荷比较,若差值大于某一阀值,则自动将伪数据修正;若某一天没有数据或伪数据太多,则可视为该天的数据缺损,这一天的数据可以用前后几天的正常数据进行修补,以保证数据进一步完整规范化。
(2)数据的归一化
直接以原始数据对网络进行训练会引起神经元饱和,因此在对网络进行训练之前必须对数据进行处理,以消除原始数据形式不同所带来的不利。
通常的做法是归一化处理(Normalization)。研究表明,以恰当的方式对数据进行归一化处理可以加速神经网络的收敛。归一化可以在模型的单个输入变量通道上独立进行,也可以对所有的输入通道一起进行。本文所用的归一化方法为:
x=(2)
其中
x——归一化后的数据;
x ——归一化前的数据;
xmax,xmin分别为变量的最大值和最小值。
通过此变化,使数据变换到[0,1]区间。
2、基于RBF神经网络的短期负荷预测实现
本文以福建泉州某电厂的历史负荷数据为基础,建立三层RBF神经网络预测模型,对普通工作日和普通双休日的负荷进行了预测,从预测的相对误差可以判断该预测模型能够满足实际需要。基于RBF神经网络模型的负荷预测流程图如图2所示:
图2 基于RBF神经网络模型的负荷预测流程图
(1) 工作日负荷预测
表1给出某工作日24小时负荷的实际值、预测值和预测相对误差。表2给出某周5个工作日的负荷预测相对误差。图3是该周5个工作日中实际值和预测值的负荷曲线对比。从中可以看出,基于RBF神经网络的短期负荷预测的相对误差基本保持稳定,在[-0.2%,0.2%]之间,只有在每天的凌晨,即3点到5点之间有较大相对误差,这是由于凌晨会有一些不确定因素发生,规律性不是很好,随机性比较大。
表1 某工作日的24小时预测结果
工作日负荷的预测对生产生活都有很大的指导作用和意义。对电厂来说,利用预测曲线可以合理安排发电机机组的投放,在负荷高峰时加大机组投放,保证负荷供给;在负荷低谷时,减少机组投放,并在此时安排检修计划等。对工厂来说,利用预测负荷曲线,也可以合理安排生产,从时间上错开负荷高峰,保持电压稳定,进而保证产品质量。
(2) 双休日负荷预测
表3给出某周双休日的24小时负荷预测相对误差。图4是该双休日中负荷实际值和预测值的对比曲线。从表3和图4中可以看出双休日相对误差与工作日的基本一致,同样在每天的凌晨时误差相对要大,但是在其他时段与工作日相比误差要更平滑。主要原因有二:一是采自双休日的数据比较少,有偶然因素;二是因为双休日人们是生活的规律性更容易显现出来,而此时对负荷影响更大的生产负荷基本停止。
双休日负荷的预测对于电厂制定合理的发电计划具有很大的指导价值,也可以为电厂制定较大的检修计划提供依据,保证负荷供给持续稳定,保证人民生产生活顺利进行。
表3 某双休日的24小时预测相对误差(%)
(3)预测误差
由于负荷预测是一种对未来负荷的估算,因此,它与客观实际还是存在着一定的差距,即预测误差。在分析误差原因的基础之上可以通过智能方法减小预测误差,提高预测精度。
四、 结论
本文针对电力负荷的特点和影响负荷预测的各种因素,采用三层RBF神经网络对短期电力负荷预测进行了研究。通过仿真验证该网络预测精度小于1%,达到实际预测精度要求。
参考文献:
[1] Wenjin Dai , Ping Wang. Application of Pattern Recognition and Artificial Neural Network to Load Forecasting in Electric Power System[A]. Third International Conference on Natural Computation,2007.
[2]卢峥.电力系统短期负荷预测研究[D].长沙:湖南大学,2007.
[3]Shukang YANG, Ming LU, Huifeng XUE.Hybrid partial least squares and neural network approach for short-term electrical load forecasting[J]. Control Theory Application, 2008,6(1) :93-96.