《基于BP和SOM神经网络相结合的电力负荷预测研究》-工学论文，科技论文-论文范文参考-科学狗论文网

标题

基于BP和SOM神经网络相结合的电力负荷预测研究

范文

易礼秋

摘 ?要：为提高电力负荷预测的精度，文章提出一种将多层前馈神经网络（BP神经网络）和自组织特征映射神经网络（SOM网络）相结合的方法并应用到短期电力负荷预测中，首先利用自组织特征映射神经网络对负荷的原始数据进行聚类预处理，使具有相似性的样本点聚集在一起，之后利用BP神经网络对样本数据进行学习和预测，结果表明，相比直接利用BP神经网络预测结果，增加SOM聚类处理过程能有效减小预测误差。说明此方法可以有效预测出负荷的大小，也表明SOM对相关负荷参数分类的有效性，同时对利用神经网络预测方法来实现负荷的预测起到重要作用。

关键词：神经网络;自组织特征映射神经网络;负荷;电力负荷预测

中图分类号：TM614 ? ? ? ?文献标志码：A ? ? ? ? 文章编号：2095-2945（2020）28-0023-03

Abstract： In order to improve the accuracy of power load forecasting， this paper proposes a method combining multilayer Back Propagation neural network（BP neural network） with Self-Organizing Map neural network （SOM neural network） and applies it to short-term power load forecasting. Firstly， the Self-Organizing Map neural network is used to cluster and preprocess the original load data. After clustering the similar sample points together， BP neural network is used to learn and forecast the sample data. The results show that the increase of SOM clustering process can effectively reduce the forecasting error compared with the direct use of BP neural network forecasting results. It shows that this method can effectively forecast the size of the load， and also shows the effectiveness of SOM for the classification of relevant load parameters. At the same time， it plays an important role in using neural network forecasting method to achieve load forecasting.

Keywords： neural network; self-organizing map neural network; load; power load forecasting

1 概述

随着时代的快速发展，科学技术与经济技术的不断更新，电力能源在当代社会里扮演着一个十分重要的角色，是生活中不可缺少的一部分。电力系统的正常运行保障了各行各业的用电需求，它的供应与国家经济和人们生活有着密切关联。电力负荷预测尤其是短期电力负荷预测，有益于系统维持可用发电容量与电力需求之间的平衡，准确的短期电力负荷预测，电力系统的作用是对各个行业的用户提供尽可能高质量和可靠性强的电能。电力系统的准确预测与电力系统的控制以及运行有着密切的相互作用，也是电网规划的重要依据，准确可靠的电力负荷预测能够确保系统的稳定运营，为我们的生活增添了多彩多样的色彩。

电力负荷预测是电力系统稳定运作的至关重要的部分，以电力负荷为对象进行的一系列预测工作，通常负荷预测可根据应用目的和预测时间长短的不同，可以分为短期、中期、长期这几类，其中，短期负荷预测对于电力系统的经济稳定运行以及人们生活质量有着重要作用，从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测，其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据，在发电这一过程中，精确测量负荷大小有利于节能减排、降低经济成本、改进提升电能性能，还起到保护环境的作用，这更体现出短期电力负荷预测的重要性，为了精准及时地预测电能的消耗具体情况，对电力负荷预测来说能够建立预测模型是十分必要的因素。近年来，国内外对短期电力负荷预测模型进行研究是非常广泛的，针对其预测方法也是在不断创新，经典预测方法包括时间序列法、指数平滑法、回归分析法等等;现代主要预测方法有灰色预测法、支持向量机法、随机森林预测法、人工神经网络方法、小波分析法等等。近几年来，人工神经网络在各个方面都有显著研究成果，在处理数据、图像处理、模式识别、预测评估等领域都得到了广泛应用，并且都取得了较好的成绩，用神经网络预测电力负荷已有大量作者应用分析，例如，2011年，張珣与颜文俊等人针对风电场发电的电力负荷预测问题，提出了一种基于AMPSO算法与神经网络相结合的一种负荷预测方法[1]。2014年，徐晨和曹莉等人提出一种基于ABC-BP神经网络的短期电力负荷预测方法[2]。2017年，岳宇飞和罗健旭通过一种改进的SOM神经网络在污水处理故障诊断中的应用[3]。2018年，任东红与林鹏等人给出一种基于改进PSO的BP神经网络的短期电力负荷预测模型[4]。2019年，Bedi， J;Toshniwal， D为提高电力负荷预测精度，建立了基于深度学习的电力负荷预测模型[5]。但到目前为止，提高负荷预测的精准性和稳定性仍是一个难题，本文通过利用SOM与BP神经网络相合的应用来预测，该方法运用在BP神经网络预测的基础之上，使用SOM分类，让负荷较为集中分为每一类，更利于预测负荷，提高预测精度。

2 神经网络算法原理

2.1 BP（Back Propagation）神经网络

BP网络（Back Propagation），是1986年由Rumelhart和Mc Celland为首的科学家提出，采用的是一种是误差反向传播算法，它包括信息的正向传播和误差的反向传播。BP神经网络模型包括三层，其中有输入层、隐含层、输出层。首先给定初始权值和阈值，通过带入设定的激活函数，常用的激活函数有线性函数、坡度函数、阈值函数、S型函数以及双极S型函数，隐含层的每个神经元节点进行传递，直至输出层将得到预测值。紧接着计算出真实值与预测值的误差，进行反向传导，并误差采用梯度下降法修正权值，通过反复训练学习，使误差达到最小化。由于影响负荷预测的样本数值单位大小不统一，会造成预测的精度降低，所以要对训练样本数据以及测试样本数据进行归一化处理，有助于加快训练速度提高预测精度。

BP神经网络训练过程需要以下具体步骤：

Step1：初始阈值与权值的设定，输入层到隐含层以及再到各个节点的权值阈值应在（-1，1）之间的随机数，具体数值要使得预测效果最优。

Step2：隐含层的神经元个数的设定，隐含层节点数过多或过少直接会影响训练结果，本文根据文章需要选择经验公式：

式中，n为输入层神经元节点数，l为输出层神经元节点数，本文选取输入层神经元节点数为24个，输出层神经元节点数为1个，所以本文中隐含层节点数为8。

Step3：其他训练参数的设定，BP神经网络的训练迭代次数、训练目标以及学习率都需要根据自己需求设置，主要目的是使得输出预测值最精确。本文设定迭代次数为50，训练目标为0.001，即均方根误差小于0.001时训练才会停止。

Step4：激活函数的设定，本文激活函数设置为Sigmoid的Log-Sigmoid函数和Tan-Sigmoid函数。

2.2 自组织特征映射（SOM）神经网络

自组织神经网络（Kohonen网络）是由芬兰学者TeuvoKohonen于1981年提出的，它与上述的BP神经网络不属于同一系列神经网络，SOM算法属于竞争神经网络类型中的典型网络，它只有两层结构，包括输出层和竞争层也叫输出层。SOM神经网络是一种无监督模式的学习方法，主要特点是将输入层的任意维度数据在输出层映射成一维或者二维离散形式，并保持其拓扑结构不变，网络通过对输入模式的反复学习，将输入样本数据进行聚类。

根据神经网络训练的特点可知，由于所使用的训练算法收敛速度慢且极容易陷入局部极小，使得用BP神经网络构建的预测模型的误差较大，导致结果的预测精度不高。由于电力负荷预测受到各个因素的干扰造成预测精度不高，主要因为数据具有相似性与多重性，本文对训练样本数据集通过SOM算法聚类分析，让数据归一化并聚类，将数据分布达到一致性。

3 数据处理和仿真

本文算例分析所选用的电力负荷数据出自PJM大西洋中部地区，时间间隔为1小时。算例仿真在MATLAB R2017a软件上实现。选取2016年7月1日-7月30日的原始负荷值作为训练集训练模型，以预测2016年7月31日作为测试集，由相邻负荷数据之间存在相似性，某一时刻点的负荷与其前1小时，或者与其前几天同一时刻的负荷有相似性，所以本文选用744个电力负荷数据作为样本，神经网络对应的输入数据为以预测T1的第1小时的电力负荷值为例，滚动预测当天剩余的23个小时的负荷值，其它几天的待预测负荷值可通过同过程预测获得，选取720个作为学习样本集，用剩余的24个样本作为测试数据集。

4 结果与讨论

BP神经网络可以通过自适应学习逼近实现任何复杂非线性映射，因为BP神经网络是不受非线性模型的限制，所以BP神经网络可以运用到各个领域的研究。首先，BP神经网络会对原始学习数据进行学习，在其测试样本数据进行模拟仿真后，得到结果的平均误差为0.0133，负荷预测值与实际负荷值还是存在较大的偏差，这也表明直接利用BP神经网络进行电力负荷的预测与传统的线性回归分析方法的相比较，虽然会显著有成效，但是还存在一些缺陷，此外直接利用BP神经网络训练它的速度较慢其原因之一是各个样本的特征不一致，并且样本分布较为分散。

通过BP神经网络输出结果与SOM-BP组合神经网络输出结果对比图（图1）可知，SOM-BP组合人工神经网络比BP神经网络方法能够得到更加显著的效果，即误差更小，与实际的电力负荷值更加接近，即SOM-BP模型预测效果更优。

5 结论

本文针对短期负荷预测精度问题提出了一种基于BP神经网络和自组织特征映射（SOM）神经网络相结合的电力负荷预测方法，首先通过计算皮尔逊相关系数来找出待预测时刻点的局部负荷特征向量与其前面各时刻的局部负荷特征向量之间的相关性，确定了电力负荷预测的候选特征集，利用自组织特征映（SOM）神经网络对电力负荷的原始数据进行分类处理，再利用BP神经网络对每一类分别进行训练和仿真，实验结果表明SOM-BP神经网络组合能更加有效地预测出电力负荷值，对电力负荷的预测有更高的精确度，聚类后再利用BP神经网络进行预测能够取得更好的效果。这说明看似不相关的电力负荷的一些参数，实际存在着一些内在的相似性，也说明了每1小时的负荷值与其前后同等时间段的负荷存在着必然的联系，说明将此方法在短期电力负荷预测中具有一定的价值。但是在应用该方法的时候，首先需要输入的参数是准确的，这就表明各个监测数据d精确性与可靠性，这是实现预测的前提条件。此外，本文选择的输入参数为24个，根据神经网络训练的内在特点以及影响负荷变动的原因，在实际预测中，如果取得更多可靠准确的参数输入样本集，则可以取得更加显著有效的输出结果，提高短期电力负荷预测的精度。今后，可进一步研究探讨关于神经网络预测电力负荷问题，更好地发挥各个神经网络预测模型的优势，进一步提升预测模型的精度，改进预测模型的稳定性。

参考文献：

[1]张珣，颜文俊，王超.基于AMPSO算法与神經网络的风电场发电量预测[J].华东电力，2011，39（05）：797-802.

[2]徐晨，曹莉，梁小晓，等，基于ABC-BP神经网络的用量预测研究[J].计算机测量与控制，2014，22（3）：912-922.

[3]岳宇飞，罗健旭.一种改进的SOM神经网络在污水处理故障诊断中的应用[J].华东理工大学学报（自然科学版），2017，43（03）：389-396.

[4]任东红，林鹏，袁清萍，等.基于改进PSO的神经网络短期电力负荷预测模型[J].淮海工学院学报（自然科学版），2018，27（02）：26-30.

[5]Bedi， J; Toshniwal， D. Deep learning framework to forecast electricity demand. Applied Energy. 2019，238：1312-1326.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。