基于混沌理論和BP神經(jīng)網(wǎng)絡(luò)某基地電力短期負(fù)荷預(yù)測(cè)

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經(jīng)濟(jì)運(yùn)行提供保障，也是電力市場(chǎng)環(huán)境下編排調(diào)度計(jì)劃、供電計(jì)劃、交易計(jì)劃的基礎(chǔ)。因此，短期負(fù)荷預(yù)測(cè)方法的研究一直為人們所重視。

電力系統(tǒng)負(fù)荷預(yù)測(cè)的重要性、分類和主要預(yù)測(cè)方法,bp神經(jīng)網(wǎng)絡(luò)算法的基本理論和預(yù)測(cè)過程,建立基于bp神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)模型,以加州24h的電力負(fù)荷預(yù)測(cè)為例進(jìn)行matlab仿真,結(jié)果顯示預(yù)測(cè)精度符合電力系統(tǒng)要求。

通過對(duì)小電網(wǎng)負(fù)荷數(shù)據(jù)的特點(diǎn)分析，將時(shí)間序列處理、混沌理論和神經(jīng)網(wǎng)絡(luò)理論相結(jié)合提出了一種基于混沌神經(jīng)網(wǎng)絡(luò)理論的電力負(fù)荷預(yù)測(cè)模型。利用matlab對(duì)實(shí)際數(shù)據(jù)進(jìn)行了仿真計(jì)算。通過實(shí)例計(jì)算，并和不用相空間重構(gòu)的神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)算法的各種誤差指標(biāo)的分析比較說明，利用相空間重構(gòu)對(duì)歷史數(shù)據(jù)序列進(jìn)行拆分或重構(gòu)可以提高負(fù)荷預(yù)測(cè)的精度。

短期負(fù)荷預(yù)測(cè)是電力調(diào)度部門的重要工作之一,負(fù)荷預(yù)測(cè)的精度直接影響到電網(wǎng)的安全、經(jīng)濟(jì)和穩(wěn)定運(yùn)行。本文針對(duì)目前負(fù)荷預(yù)測(cè)中單一預(yù)測(cè)理論精度較低的問題提出采用bp神經(jīng)網(wǎng)絡(luò)與混沌理論相結(jié)合的算法,以變步長(zhǎng)和附加動(dòng)量法進(jìn)行改進(jìn),同時(shí)以混沌時(shí)間序列來確定網(wǎng)絡(luò)結(jié)構(gòu),從而克服了算法對(duì)大量訓(xùn)練樣本的依賴,提高預(yù)測(cè)精度和速度。對(duì)咸陽(yáng)區(qū)域電網(wǎng)負(fù)荷的實(shí)際預(yù)測(cè)結(jié)果表明了該方法的有效性。

為了解決bp神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中存在局部極小、收斂速度慢等問題，本文采用粒子群算法（particleswarmoptimization，pso）優(yōu)化elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行精準(zhǔn)預(yù)測(cè)。根據(jù)輸入輸出參數(shù)個(gè)數(shù)確定elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，利用pso算法優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，并將優(yōu)化后的最優(yōu)個(gè)體賦給elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)作為初始權(quán)值、閾值進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從而建立基于pso-elman的電力負(fù)荷預(yù)測(cè)模型。采用某鋼廠實(shí)測(cè)電力數(shù)據(jù)對(duì)該方法和模型進(jìn)行驗(yàn)證，并與傳統(tǒng)的bp、elman網(wǎng)絡(luò)模型預(yù)測(cè)方法進(jìn)行對(duì)比，結(jié)果表明該方法和模型在有效縮短網(wǎng)絡(luò)收斂時(shí)間的同時(shí)，具備更高的負(fù)荷預(yù)測(cè)精度和穩(wěn)定性。

根據(jù)電力負(fù)荷的主要影響因素,考慮時(shí)間和天氣,建立了基于遺傳算法和反向傳播神經(jīng)網(wǎng)絡(luò)(bp)的短期負(fù)荷預(yù)測(cè).從bp神經(jīng)網(wǎng)絡(luò)的理論入手,采用遺傳算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和隱層節(jié)點(diǎn)數(shù),從而避免了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定和初始權(quán)值選擇的盲目性,提高了神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的效率和精度使得負(fù)荷預(yù)測(cè)在更加合理的網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行.

將bp神經(jīng)網(wǎng)絡(luò)用于電力負(fù)荷預(yù)測(cè)。給出了具體的數(shù)據(jù)處理方法、神經(jīng)網(wǎng)絡(luò)構(gòu)造及預(yù)測(cè)結(jié)果評(píng)價(jià)方法。在南京市夏季電力負(fù)荷統(tǒng)計(jì)數(shù)據(jù)集上面的實(shí)驗(yàn)結(jié)果表明,bp神經(jīng)網(wǎng)絡(luò)能夠?qū)﹄娏ω?fù)荷進(jìn)行較好地預(yù)測(cè)。

由于影響電力負(fù)荷的因素之間存在著非線性,所以采用神經(jīng)網(wǎng)絡(luò)方案來進(jìn)行短期電力負(fù)荷預(yù)測(cè)。對(duì)應(yīng)用于實(shí)際的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了具體處理,如數(shù)據(jù)的歸一化,輸入向量和輸出向量的選擇。仿真結(jié)果表明其有較好的預(yù)測(cè)精度。該模型具有網(wǎng)絡(luò)結(jié)構(gòu)較小、訓(xùn)練時(shí)間短、易于實(shí)現(xiàn)的優(yōu)點(diǎn)。

討論如何利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè)。研究結(jié)果表明:基于bp神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)具有精度高的特點(diǎn),符合預(yù)測(cè)結(jié)果的相對(duì)誤差小于3.06%。

針對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的特點(diǎn),以及人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和復(fù)雜的非線性擬合能力,將人工神經(jīng)網(wǎng)絡(luò)的bp、elman、rbf三種模型用于短期負(fù)荷預(yù)測(cè),建立了短期電力負(fù)荷預(yù)測(cè)模型,綜合考慮氣象、天氣等影響負(fù)荷因素進(jìn)行短期負(fù)荷預(yù)測(cè)。某電網(wǎng)實(shí)際預(yù)測(cè)結(jié)果表明,rbf比bp、elman有更好的預(yù)測(cè)精度,更快的速度。

電力負(fù)荷是受周期性變化以及天氣等因素影響的高度非線性系統(tǒng),而神經(jīng)網(wǎng)絡(luò)僅僅對(duì)已學(xué)習(xí)過的模式具有較好的范化能力。為提高神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)精度,提出先對(duì)原始負(fù)荷序列進(jìn)行差分運(yùn)算以除去其周期性影響,然后依據(jù)相似性原理建立rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,仿真實(shí)驗(yàn)表明采用該方法短期負(fù)荷預(yù)測(cè)精度有所改善。

根據(jù)微電網(wǎng)的負(fù)荷及影響負(fù)荷變化因素的氣溫、氣象特征等數(shù)據(jù),建立了基于bp(誤差反向傳播)神經(jīng)網(wǎng)絡(luò)和rbf(徑向基函數(shù))神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)短期負(fù)荷預(yù)測(cè)模型.通過matlab仿真,對(duì)兩種模型的未來24h短期負(fù)荷預(yù)測(cè)進(jìn)行比較,驗(yàn)證了兩種模型的有效性和可行性.仿真結(jié)果表明,與bp神經(jīng)網(wǎng)絡(luò)相比,rbf神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法具有較高的預(yù)測(cè)精度和較快的收縮性,更適合微電網(wǎng)的短期負(fù)荷預(yù)測(cè).

采用基于混沌算法的自適應(yīng)預(yù)測(cè)模型進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè),通過進(jìn)化算法建立一種自適應(yīng)機(jī)制,使得網(wǎng)絡(luò)能夠根據(jù)學(xué)習(xí)和訓(xùn)練的結(jié)果優(yōu)化非線性反饋項(xiàng)。算例表明,該算法具有很強(qiáng)的自適應(yīng)能力和魯棒性,預(yù)測(cè)精度高。

負(fù)荷預(yù)測(cè)是電力規(guī)劃的基礎(chǔ),傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法存在對(duì)初始網(wǎng)絡(luò)權(quán)值設(shè)置敏感、收斂的速度慢、容易陷入局部極小值等缺點(diǎn)。文中引入遺傳算法先對(duì)神經(jīng)網(wǎng)絡(luò)的初始值進(jìn)行優(yōu)化,再通過神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練,得出的結(jié)果再經(jīng)bagging方法集成,目的是提高其準(zhǔn)確率。通過matlab仿真進(jìn)行實(shí)驗(yàn),結(jié)果表明,基于bagging算法集成遺傳神經(jīng)網(wǎng)絡(luò),能夠克服傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)的缺點(diǎn),可較快收斂又不易陷入到局部極值中,具有較強(qiáng)的泛化能力,同時(shí)也大大提高了網(wǎng)絡(luò)的預(yù)測(cè)精度。

針對(duì)供熱系統(tǒng)供熱量和需熱量不匹配的問題和節(jié)能降耗的需求,提出一種基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的供熱系統(tǒng)短期熱負(fù)荷滾動(dòng)預(yù)測(cè)方法。該方法利用動(dòng)態(tài)的k-均值聚類算法確定rbf神經(jīng)網(wǎng)絡(luò)的隱含層中心,以實(shí)現(xiàn)對(duì)聚類中心的個(gè)數(shù)優(yōu)化選擇,再利用遞歸正交最小二乘法更新網(wǎng)絡(luò)連接的權(quán)系數(shù),訓(xùn)練rbf神經(jīng)網(wǎng)絡(luò)模型。每次預(yù)測(cè)時(shí)用實(shí)時(shí)數(shù)據(jù)更新一部分歷史數(shù)據(jù)從而組成新的輸入,再用訓(xùn)練模型預(yù)測(cè)下一時(shí)刻的熱負(fù)荷,用于實(shí)現(xiàn)熱網(wǎng)熱負(fù)荷短期滾動(dòng)預(yù)測(cè)。仿真結(jié)果表明,該方法與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法相比,預(yù)測(cè)精度高,對(duì)熱網(wǎng)系統(tǒng)短期熱負(fù)荷具有良好的預(yù)測(cè)能力,能給熱網(wǎng)控制器提供可靠的數(shù)據(jù),使熱網(wǎng)供熱量和需求量相匹配,滿足節(jié)能降耗的需求,具有一定的工程實(shí)用價(jià)值。

小波神經(jīng)網(wǎng)絡(luò)是建立在小波理論基礎(chǔ)上的一種新型前饋神經(jīng)網(wǎng)絡(luò),具有許多優(yōu)良特性。本文分析了小波神經(jīng)網(wǎng)絡(luò)的特點(diǎn),建立了電力負(fù)荷的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,設(shè)計(jì)了小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),給出了小波網(wǎng)絡(luò)參數(shù)調(diào)節(jié)算法。對(duì)實(shí)際電力負(fù)荷預(yù)測(cè)算例,以及與bp網(wǎng)絡(luò)的對(duì)比研究實(shí)驗(yàn)表明,小波神經(jīng)網(wǎng)絡(luò)對(duì)非平穩(wěn)信號(hào)能進(jìn)行有效地預(yù)測(cè),比bp神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度。

為了減小電力負(fù)荷預(yù)測(cè)中的誤差,提出了基于rbf神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)模型.介紹了負(fù)荷序列的相似度預(yù)測(cè)模型,并在此基礎(chǔ)上采用了rbf網(wǎng)絡(luò)對(duì)負(fù)荷波動(dòng)值的誤差糾正.通過運(yùn)用實(shí)際電力負(fù)荷數(shù)據(jù)進(jìn)行驗(yàn)證,該模型能較好地避免不良數(shù)據(jù)的干擾,有效地提高了負(fù)荷序列的預(yù)測(cè)精度.

為了考慮除負(fù)荷本身外的其他因素對(duì)短期負(fù)荷的影響,提出了基于相似度與神經(jīng)網(wǎng)絡(luò)的短期協(xié)同預(yù)測(cè)模型。該模型首先通過計(jì)算負(fù)荷曲線的相似度對(duì)歷史數(shù)據(jù)進(jìn)行排序,然后選擇與預(yù)測(cè)時(shí)刻相似度較相近的數(shù)據(jù)對(duì)未來時(shí)刻的負(fù)荷利用相似度進(jìn)行預(yù)測(cè),對(duì)于出現(xiàn)的誤差,通過神經(jīng)網(wǎng)絡(luò)結(jié)合其他因素進(jìn)行預(yù)測(cè)糾正。實(shí)驗(yàn)結(jié)果證明,該協(xié)同預(yù)測(cè)模型較之單純的bp神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較高的預(yù)測(cè)精度。

電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是保證電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和實(shí)現(xiàn)電網(wǎng)科學(xué)管理及調(diào)度的重要依據(jù),目前的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法存在著一些不足。提出了基于人工神經(jīng)網(wǎng)絡(luò)與主分量分析的短期負(fù)荷預(yù)測(cè)方法,在試驗(yàn)中分別采用該方法和單一的人工神經(jīng)網(wǎng)絡(luò)對(duì)遼寧省某電網(wǎng)的短期負(fù)荷進(jìn)行了預(yù)測(cè),試驗(yàn)結(jié)果表明本文提出的方法與單一的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法相比,不但減少了預(yù)測(cè)的時(shí)間,而且避免了過擬合現(xiàn)象,提高了預(yù)測(cè)精度。

電力系統(tǒng)短期負(fù)荷對(duì)電力企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益都有一定影響。因此文中建立了基于rbf神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷模型。用歷史負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本,用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測(cè),并與bp神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。rbf神經(jīng)網(wǎng)絡(luò)的平均誤差為2.09%,最大誤差為4.77%,相比于bp神經(jīng)網(wǎng)絡(luò)精確度較高,有利于電力系統(tǒng)合理地進(jìn)行調(diào)度規(guī)劃工作。

空調(diào)負(fù)荷是近年來增長(zhǎng)較快的一類負(fù)荷,其特性對(duì)電網(wǎng)的電壓穩(wěn)定性影響很大。夏季影響空調(diào)負(fù)荷的因素主要是溫度和濕度的變化。為了更好的預(yù)測(cè)空調(diào)降溫負(fù)荷,研究了溫度和濕度對(duì)空調(diào)負(fù)荷的影響。利用bp人工神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)空調(diào)負(fù)荷進(jìn)行了預(yù)測(cè),經(jīng)過分析把日平均濕度量化成4段,和日平均濕度實(shí)際數(shù)值的模型進(jìn)行計(jì)算比較,結(jié)果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調(diào)負(fù)荷之間的非線性關(guān)系,能更好的對(duì)電網(wǎng)空調(diào)負(fù)荷進(jìn)行預(yù)測(cè)。

負(fù)荷預(yù)測(cè)是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ),對(duì)于電力系統(tǒng)的安全性、可靠性和經(jīng)濟(jì)性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò),具有良好的函數(shù)逼近性能,已被廣泛應(yīng)用到電力負(fù)荷預(yù)測(cè)中,并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測(cè)方法,對(duì)存在的問題進(jìn)行了分析,并對(duì)未來的發(fā)展進(jìn)行了展望。