《基于BP神经网络的电力系统短期负荷预测研究》16000字（论文）

---33-1前言1.1电力系统负荷预测简介电力系统的负荷预测是电力系统规划和设计的基础，是对于长期规划的重要组成部分，同时也决定电力系统的平稳运行。电力系统的组成主要包括发、输、变等五个环节。但是因为电能必须保证用户和发电之间的平衡且难以储存的特点，为避免出现电能的过剩以及需求不足的情况发生。为解决此问题，需要了解用电量的规律，因此需要对电力系统负荷进行预测也是解决供需问题的关键。电力系统负荷预测时考虑的因素主要有金融贸易流通情况、每平方公里人口居住数量以及天气、温度等条件，预测未来用户对电量的需求。运用适当的数学模型以及计算软件完成对数据的处理和分析。从而得到预测数据的规律。电力系统是维护系统合理稳定运行的关键，电网中用户合理地被分配电能依据负荷预测。目前电力系统负荷预测按照预测周期的长短可划分为短期、中期以及长期。（1）超短期负荷预测在电力系统中规定以每小时为单位的电力系统负荷变化的趋势，根据变化处理其中的供需关系，平衡用户和系统发出的功率。由于预测时间很短暂不考虑气候和天气的影响，可偶尔加入温度的变化修正模型。（2）短期负荷预测电力系统的短期负荷预测是以小时或者天以及周为时间单位，根据电力负荷变化以及用户对电能质量的要求。在短期负荷预测中要考虑天气变化的影响。（3）中期负荷预测电力系统中期负荷预测是以年和月为时间单位对电力系统负荷的变化规律进行分析并进行统计学计算。由于预测周期相对于短期和超短期负荷时间长，因此要考虑天气气候、温度以及金融贸易流通状态等参数对负荷的影响。中期负荷预测一般被用于电力系统中火电厂的发电计划和周期性检修等工作。（4）长期负荷预测电力系统长期负荷预测一般考虑未来5-10年内电力系统变化的情况。由于预测的周期长，受各种因素的影响随之增大，预测的难度也相应的增大。1.2电力系统负荷预测的基本原则电力系统预测中常用的方法主要有反馈、类推以及规律预测等相关方法。（1）反馈原则电力系统预测的准确程度取决于预测对象有用信息的数量以及完整性和可靠性，预测信息数量越多可靠性越高，则预测得到的精度越高预测的误差越小。无效或者不可靠的数据可导致预测记过出现较大的偏差，无效的信息越多，最后得到预测的偏差与实际的数据差的越大。反馈原则的使用可将所有信息中的无效数据剔除，用来提高预测结果的准确性。（2）类推原则事件的发展是存在着固定的规律，因此类似的事件都可以进行类比原则进行推理。可将最近的历史发展规律和未来事件的规律。因此用类推原则，用历年可考的数据对今年的数据高峰值进行预测。（3）概率推测原则往往事件的发展不一定是按照规律进行，而是具有很大的随机性，而且目前在对于随机事件处理的算法方面还不是很成熟，由于随机事件的发展规律以及影响的因素不能用数学公式进行表达，导致负荷预测的结果不能满足电力系统负荷预测的需求。但是可以通过对这些影响因素进行统计学的检验，所以预测人员可通过对电力系统的诸多因素进行负荷分析，利用统计学中概率的原理对负荷进行准确的预测，实现概率推断。统计学和概率方法是概率推测模型的理论基础。（4）相关原则任何事物之间的发展都是有联系的，其中存在着因果关系。例如在社会经济快速发展的情况，天气的原因导致电力系统中用户的用电量增加。具有相关性的事物在发展的过程中存在着相互的影响，可通过相关原则实现对电力系统可行性的分析。（5）连续原则事物的发展规律往往和过去的行为之间存在着连贯性，即过去的事件影响未来事件的发展。在事件的发展过程中保持各种因素保持不变，未来的电力系统负荷的变化可通过过去事件的规律进行预测。基于连续性的原则可实现对负荷的电量和需求进行理论上的预测，在数据中挑出与预测精度和历史相关的数据。1.3电力系统负荷预测的目的和意义电力系统的预测主要是在根据当地的历史用电量、气候和经济总量等各个方面的历史数据建立电力系统的负荷要求与影响函数之间的函数关系。电力系统的负荷精度以及等级越高，电力系统中规划的成本适当降低，对未来阶段电力系统的参考价值就越大，系统运行的可靠性也越高。对于电力系统中长期的负荷预测，由于其预测的周期长，且需要考虑外界环境的影响因素多，很多因素又难以用数学公式量化表示，对中长期的负荷预测难以达到预期的预测精度。当负荷预测的精度偏低时，电网中的供需关系难以平衡，会出现系统中负荷供不应求的现象发生。因此提高中长期负荷预测的精度，建立一个可提高反映电力系统负荷变化数据模型是十分重要。1.4国内外的研究现状随着电力系统的快速发展以及负荷需求的增加，电力系统负荷预测在电力生产以及分配过程有着决定性的作用。随着时间的不断推移，电力系统负荷预测技术的不断发展与成熟，现今已经成为电力系统中一个综合性的研究学科，随着电力系统负荷预测学科的发展，现在电力系统负荷预测可分为经典预测、传统预测以及现代负荷预测等方法。1.4.1经典预测方法经典电力负荷预测方法主要是由电力系统专家将电力系统参数变量联系一起，对未来阶段内电力负荷预测的方法，虽然经典预测方法在几种预测中比较简单，得到的计算结果也很快，但是预测的精度很难达到预期的要求。经典预测方法主要包括产值单耗、负荷密度以及电力弹性系数等预测方法。产值单耗法也被称为单位产品耗电法，该方法是通过对每一个每一产品单位耗电产生的经济效益，结合当地的经济指标以及效益，进行推演得到商业用电量与居民用电量进行叠加得到当地的经济总量。此时这种方法对商业用电能得到准确的预测结果，但是在数据的处理和计算过程非常的复杂。负荷密度法通过进在某段时间内对当地的电力负荷进行测量，进而得出整个地区的电力系统的负荷趋势。将当地的用电负荷按照区域进行理性的划分，而对整个地区的电力负荷进行预测，最终在各个地区的预测结果进行统计，最终得到地区的负荷预测的值。1.4.2传统预测方法为解决传统电力负荷运算中预测方法给统计工作带来的计算工作量大，数据要求高等问题，提出传统预测方法，现今传统预测方法已经被广泛应用在电力系统的预测中。在工程中常用的传统预测方法有线性外推法以及回归分析等。（1）线性外推法主要是基于负荷类型，相同的数据类型之间的日负荷曲线十分相似，不同类型的日负荷差异较大，首先通过对预测时间进行预先判断，将预测实时负荷类型相同的电力系统负荷预测的实时数据信息进行归一化处理。以日电力负荷的平均系数为例即：（1-1）如图1-1所示为线性外推法流程图。图1-1线性外推法思维图1.4.3现代预测方法传统预测方法精度不高且计算量大，在此基础上发展现代预测方法。通过计算机辅助的现代化手段实现电力系统的阶段性负荷的预测。现代电力系统预测中使用频率最高的有模糊控制以及人工网络等模型。（1）模糊控制预测模型是基于模糊理论发展的一种电力系统负荷预测的方法。在处理电力系统中一些不确定的问题，模糊控制将发挥巨大的优势。模糊预测法依据电力系统数据的连续原则，通过历史数据的相关性对未来阶段的数据进行建模分析，其预测的成本比较低。但是对于中长期的负荷预测预测精度不高，只适用于短期的负荷预测。（2）1982年国内邓聚龙教授提出灰色系统预测法，这种方法对于信息量少的样本。通过少量的信息进行反复的累加以及迭代和逐层递减的方法，得到部分有效数据。此方法需要的样本空间较少，且不用考虑由于分布规律带来的影响。（3）人工神经网络预测方法通过模拟生物的大脑神经网络的活动以及机构，实现对复杂的数据和模型进行准确、快速的求解。人工神经网络是一种具有求解算法良好的数学模型。人工神经网络经过近年的发展，其种类众多，目前较常用的神经网络是反向神经网络模型。1.5本文的主要内容本文主要为讨论和研究电力系统负荷预测和计算的方法。综合近年来哈尔滨市历年电力系统中用户的负荷以及误差等因素。对未来短期的负荷进行预测本文的主要工作如下：（1）本文首先介绍电力系统预测的基本方法与原则，总结国内外电力系统预测的方法，对目前常用的方法进行介绍与总结。（2）详细讨论电力系统负荷分类的标准，以及影响因素，并对误差的分析方法进行讨论。（3）通过学习BP神经网络的结构与特点、学习规律、最终查阅相关的文献，详细介绍BP神经网络在电力系统负荷预测中的步骤和程序。（4）结合哈尔滨市近期负荷数据，结合BP神经网络对哈尔滨市的电力负荷进行预测。（5）最后对得到的预测结果进行综合的评定与分析，通过分析单点误差与均方根误差等，尽可能最大精度的求取预测值。

2电力负荷预测的理论电力系统负荷预测需要综合考虑当地的经济状况、运行的特征、气候条件等多种影响因素在内的模型预测方法。通过一种可靠的数学模型将所有的因素连接起来，在于其的误差范围内对地区未来的负荷惊醒预测，得到负荷预期的数值。随着电力系统这门学科的快速发展，电力负荷已经预测已经成为电力系统中一个重要的分支，在实际的电网规划和建设的过程中，电力系统负荷预测具有重大的意义与实际价值。本章主要介绍电力预测的组成和影响负荷变化的因素，电力系统负荷的基本特性，以及电力系统负荷预测基本的方法以及对负荷预测得出的结果的误差分析。2.1电力系统负荷预测组成、影响因素及特点电力系统中负荷的成分相对复杂，除基本负荷以外还包括由于天气导致的负荷变化、偶然性负荷以及突发性的电力系统的负荷。从电力系统中用户，上述的包括基本负荷以及复杂性的负荷都是电力系统中的二复合。电力系统中用电功率的预测以及用电量的预测都是电力系统负荷的基本要求。本文对哈尔滨市的电力系统负荷以及用电量以及用电需求进行预测。2.1.1电力系统负荷分类电力系统负荷的影响因素比较多，由于存在一定的周期性波动以及较大的变化。目前为分析电力系统负荷预测的规律，在满足精度的基础上对预测精度进行提高，首先对电力系统负荷进行分类：（1）按照负荷作用的时间可将负荷大致分成四种类型，其中包括长期负荷、中期负荷以及近期负荷。本文的主要内容是对中长期的负荷进行预测，分析哈尔滨市未来一段时间的电力系统负荷的变化趋势（2）根据电力系统负荷数量等级的大小进行纤细的分为，可大致将其分成平均负荷和最大负荷等。根据一段时间内得出电力系统负荷在这一阶段内的平均值即为电力系统的平均负荷。根据电力负荷作用时间的进行分类，按照时间长短分成日平均负荷、月平均负荷以及年平均负荷等。电力系统中负荷的峰值和低谷值分别为最小负荷以及最大负荷等，和平均负荷的分类方法相同。根据时间为单位进行划分对电网的预测进行规划。2.1.2电力系统负荷预测的特点通过对历史性电力系统的数值进行统计学分析，通过历史性的规律对电力系统的负荷进行预测，由于电力系统中的负荷具有不可预测性和随机性的特点，所以在分析电力系统预测需要借助电力系统负荷分类以及规律，使得建立的数学模型更加准确合理。最终获得准确的数学模型得出精确的结果。电力系统最主要的特性是具有时间性、随机性以及地域之间的差异性。电力系统负荷其中一个重要特性是时间性，只有通过准确的时间才可保证预测结果精确度以及时效性，由于采用的预测方法的不同，最后得到预测的时间结果也不尽相同，预测的时间以及所采用的方法都是影响预测结果地域的不同导致预测的重要因素。电力系统的预测具有地域差异性，地区的特性是电力系统负荷的重要比例成分。当一个地区负荷比重很大时，地区负荷变化具有强烈的周期性以及波动，这种情况下预测的精确程度将大规模的提高，该地区系统负荷比例过小，将导致负荷不具备强烈的规律性，数据分析和整理将很困难，预测得到的精度较差。2.1.3电气系统负荷预测影响因素电力系统预测的精度取决于电力系统中负荷的有效信息对全部影响因素的考虑是否全面。其中影响负荷准确程度的因素有，天气以及气候、地理环境等因素。除此之外还有当地的经济、人均用电量等因素有关。（1）当地的经济因素：由于电力系统预测是对地区未来的电网的负荷进行规划和设计，所以当地的经济因素以及电力系统的结构都是影响电力系统负荷预测的一种重要指标。随着近年来哈尔滨市经济的快速发展以及用电结构和人均消费水平发生改变，本地区的负荷的负荷需求始终处于上升的趋势。（2）时间因素：某一特定的时期，电力系统中的负荷会呈现剧烈的上升或者下降的情况，对于这个时间段内，我们需要通过不同的方法对这段时间的电力负荷进行处理。节假期和季节的变化是影响负荷预测时间的主要因素。对于春节期间，春节前后的一段时间内负荷的峰值会高于春节的高峰。在北方地区由于受季节因素的影响比较明显。由于冬季气候原因等需要大规模的供暖以及生产的中断，，导致季节的电力负荷发生剧烈的变化。（3）意外因素：由于意外因素的影响，会造成电力系统负荷分布的布均匀。导致意外发生的因素比较多，影响极其复杂。故意外因素也是电力系统负荷预测的一个急需解决的问题。（4）天气、温度因素：电力系统负荷受天气的影响也很大。在特殊的天气中，受到寒冷以及洪水等天气、温度条件的影响，个人用电量以及系统中负荷会造成剧烈的波动。在电力系统的预测中，考虑的因素越多，将较多的影响因素考虑进去，得到的预测结果就会越精确。2.2电力系统负荷的基本要求考虑上述的所有因素后，在电力系统预测的过程中需要满足如下的需求：（1）保证电力系统基础数据的真实性：电力系统负荷预测的基础是保证电力系统负荷数据的真实，通过借助已有的历年数据进行筛选，通过建立合适的数学模型对未来的数据过程进行预测。错误的数据无法建立数学模型，因此为进行电力系统负荷预测，需要保证数据的准确性。（2）电力系统资料的可用性：在上一步中资料的真是可靠的情况下，进一步需要考虑数据的可用性。。得到的历史性的电力系统负荷数据不一定完全负荷预测的规律，因此在上一步中得到数据的基础，需要对数据进行分析和处理，对其中的可用性数据和坏值进行筛选，如果系统中的不可用数据较多将影响预测的结果，导致预测的精度下降。2.3电力系统负荷预测步骤电力系统中负荷预测的第一步是收集电力系统的数据，分析收集到的数据选择一个负荷变化的规模和适当的预测方法，进行试验分析。对模型进行适当的评价与改写。让模型能更负荷电力变化的需要。使得最终的精确更高，曲线最后能精确反省负荷变化的规律，具体的预测步骤如下：（1）首先明确电力系统预测的目的：电力系统负荷的目标是为确定未来一段时间的电力系统的负荷需求，以便电网可以对未来的发展及时作出规划，制定预测的指标以及负荷预测的计划。（2）对当地的样本数据进行实地调查和分析：负荷预测过程是对历史的数据是全方位研究和分析过程，故需要过去全部的真实性和可靠性数据。数据的筛选主要从三个角度进行：首先历史性的数据要与负荷具有强烈的相关性，剔除预测过程中不相关的无效数据，对负荷预测没有作用的数据要删除，保证数据的严谨与可靠，要保证数据为最新的实时数据。（3）分析和处理结果：这步为让数据更加有序的进行分析，为提高电力系统负荷预测的精确度和分析的准确性。首先筛选出数据中的突变值和转折点，对于样本中的突变值，本文历史数据定义为：、、。当历史数据满足：（2-1）则实际值取（2-2）如果（2-3）则实际值取（2-4）式中：（2-5）将历史的数据中突变的数值进行处理和归一化处理，归一化处理后将数据输入到神经网络中进行分析。（4）最关键的一步就是建立准确的负荷预测模型，在电力系统负荷预测中最重要的一个步骤，建立一个负荷历史数据和未来负荷变化趋势的模型，在此基础上提高负荷等级的精度要求。（5）对预测后的数据进行误差分析，准确的预测结果是否能满足要求。假如得到的负荷精度不能够满足预测的要求，需要对预测的误差进行分析，并判断误差的来源，根据预测的结果判断是否要重新选取数学模型。目前误差分析的方法常用的有单点误差、均方根误差以及平均绝对误差的等多种误差分析方法。电力系统短期负荷预测的流程图如图2-1所示图2-1电力系统短期负荷预测流程图2.4误差的分析方法分能够便于分析电力系统预测的误差，首先假设实际的电力系统负荷为,预测得到的电力系统负荷为，实际与电力系统的差值为。（1）单点误差分析：即通过预测值和实际值做差比较：（2-6）（2）均方误差分析：误差分析的主要目的是保证系统的正误差与副误差不发生叠加。（2-7）其中是第i个实际负荷值，是第i个预测负荷值。（3）均方根误差：系统的预测值与真实值之间的差值进行对误差的值求平方根运算，然后与观察结果次数比较，再进行开方最后得到计算结果，表示式为：（2-8）（4）平均绝对误差平均误差是在单点误差的基础上对误差求绝对值，并且通过观察次数求出百分比，计算的结果为：（2-9）

3BP神经网络的电力系统负荷预测3.1短期负荷预测电力系统短期负荷预测根据历史性的负荷变化规律，对未来的负荷进行分析和预测，针对未来一天以至于一周时间内的电力系统负荷进行分析。通过短期预测能提高电力部门对于调度的计划以及工作效率。能够有效地制定调度计划，能够进一步提高经济性。3.1.1短期负荷预测的特点电力系统中短期预测是根据短期历史分析数据变化的趋势预测未来负荷，短期的电力系统负荷具有条件性，连续性以及周期性的特点，因此短期负荷预测具有如下的特点：（1）可知性：短期负荷的变化规律以及趋势是可知的，短期负荷随工业生产。假期以及人民生活规律等因素的变化而发生相应的改变。上述说明负荷的变化规律是能被认知的，具有明显的连贯性。时间上表示有延续的特点，在总结历史的短期负荷的特点以及发展趋势，进而推测未来的负荷值。（2）不确定性：短期负荷的数值受电力用户需求决定，在正常的情况下。而电力系统中用户的用电量需求受着多种可变的复杂因素的影响。其中包括可控性和不可控性。不可控性决定短期负荷发展趋势的随机性，导致最终负荷预测具有诸多不确定的因素，预测的结果不完全准确。（3）条件性：电力系统负荷的影响因素较多，因此电力系统中短期负荷预测模型只有在已知特定的情况下进行预测，其中包括包括已知的确定的条件和假设条件。（4）时间性：电力系统中短期负荷预测实质上是预测未来一周或者一天内的负荷变化趋势，不同的预测目的则使用的预测方法不同，能够推测出相应时间范围内不同的预测结果，超出预测范围的限制将导致准确性下降。（5）多方案性：影响电力系统负荷变化的因素众多，但是根据预测目的的不同，需要掌握活并且重点处理不同的已知因素，来推测负荷在不同的方案下的发展趋势，从未得到不同的负荷预测模型，保证预测的全面和准确性。3.1.2影响短期负荷预测的因素电力系统中短期负荷预测来说，电力系统的负荷变化不仅受到自身时间序列的影响还受到诸多外部因素的影响。为得到准确短期电力系统的预测结果，就必须对影响短期电力负荷相关的因素进行综合评估。本文在查阅相关文献的基础上，总结出影响电力系统负荷变化的几个主要的因素：（1）天气、温度因素在短期的负荷预测中，气候对短期负荷的影响占据着主要的作用。例如气温、温度以及空气湿度等都会造成电力系统的负荷突变，而其中温度对于负荷特性的影响是最重要的因素，它直接影响空调用电量的变化，通常情况下，根据电力行业调度的经验值，利用权值表示对电力短期负荷的影响程度，让系统的准确度和可靠性更高。（2）时间因素其中另一个重要的因素是时间，时间同时也是影响电力系统负荷的另一个重要因素，对电力系统短期负荷的影响主要分为以下三个方面：第一季节性的影响，不用季节由于昼夜长短以及一天中气温的变化不同，电力系统的短期负荷也随之发生不同程度的波动。另一发面是周期性的影响，主要是由于每日和每周内的影响。对于每日而言负荷最低出现在凌晨时分、负荷的最高值出现在黄昏；对于一周内的周期性波动，工作日的负荷明显高于休息日的负荷。最后就是节假日对负荷的影响，节假日的时间越长，其对负荷的值也相应的升高。（3）电价因素国内正在逐步发展推动电力市场的深化改革，电价的水平和结构对负荷的影响左右也十分的突出。电价的高低主要影响电力用户对于电价的承受能力，电价制定的过高，人们对于用电量就会相对减少。如果电价定制的锅底，人们的用电量就会相应的增加。电价结果对于负荷的影响主要在电价的的峰谷值，以及阶梯性价格。3.1.3短期负荷预测基本步骤想要得到科学并且合理的负荷预测结果，除考虑短期负荷预测特点和相关的影响因素外还需要按照如下的几个步骤进行计算：（1）明确电力系统短期负荷的预测要求和预期的目标，制定合理的预测计划。由于电网的类型不停以及预测的要求也各异，因此在进行电力系统的短期负荷必须明确短期负荷预期的目标和内容，因此根据计划的不同。（2）充分调查相关的资料，整理分析得到有效的数据，根据全面可靠的分析，并从中得到具有预测价值的资料，其中包括当地的历史性负荷、温度等外部的环境相关信息，为模型预测提供真实有效的数据支撑。（3）建立短期负荷预测模型，确定模型的初始化数据，根据所确定的预测内容以及要求，结合预测对象运行情况合理构造预测模型。（4）根据的到的数据，训练并学习修正网络模型，依据预测结果和实际结果的偏差，不断迭代修正模型参数，最后达到预期的优化目标。3.2人工神经网络3.2.1人工神经网络概述20世纪80年代人工神经网络模型逐步地开始使用，并在应用中达到快速的发展，同时也是将人工智能算法运用到STLF的应用中重要的应用。ANN是根据人类神经的活动特点进行模拟得到输出，即对人类大脑神经传播的过程进行数学上的抽象和化简。通过等效成一个复杂网络特点得到，通过对生物大脑过程抽象得到简化的模型，因为其与人脑的信息处理方式累死，故ANN模型具有很强的非线性映射以及优化计算等能力。在计算机控制、机器人等领域有着重要的应用。ANN预测模型由于高度的非线性以及自主学习能力和适应性等要求，在电力系统的短期负荷预测中展现巨大的优势和良好的误差特性。如图3-1所示为神经元模型的结构图。。。。。。。。。。。。。图3-1神经元模型结构如图3-1所示，神经元的基本工作原理是由多个输入端和多个输出端组成，后经过权值和阈值不断地叠加，最后经过激励函数得到相应的输出结果。具体过程为：（3-1）其中，输入向量为，权值向量表示各个输入量所占的比重，为神经元阈值，输入量、权值这两个值的乘积与阈值的和决定着神经元激活或者抑制的程度，为神经元的激励函数，一般为sigmoid、purelin等函数。3.2.2人工神经网络分类及应用ANN的种类繁多，通常可按照网络拓扑结构、学习方式、网络性能等规则将ANN分类，具体分类情况。如图3-2所示为人工网络的分类情况。图3-2人工神经网络的分类在电力系统短期的负荷预测中，首先对ANN模型进行设计，往往根据ANN模型的特点和网络结构进行考虑，目前主要采用如下的三种模型：（1）前馈神经网络ANN神经网络中结构最简单的是前馈神经网络，如图3-3所示的前馈神经网络结构图。将模型分为输入层和输出层以及隐藏层三个次序进行排列，并且前层和后层的神经元之间存在连接，呈现发射装的连接状态，此种连接方式可利于不同信息直接的传递。FNN输入层收到外城输入数据后，通过神经元内激励函数的作用转化为改变数据状态，最后经过隐含层得到期望的输出值。目前常用的神经网络模型有反向传播和径向基函数等神经网络模型。隐含层输出层输入层隐含层输出层输入层图3-3前馈神经网络结构图（2）反馈神经网络目前常用的反馈神经网络模型主要有Hopfield神经网络和Elman神经网络等，反馈神经网络是包含时间动态变化的隐状态时间网络，通过将历史输出状态进行记忆，并将历史记忆作为动力学体系实现反馈信息的调节输出。与前一节的FNN模型相比，反馈神经网络存在反馈机制，相比FNN还存在能够反向输入或者前一层神经元的概率，如图3-4所示为简单的反馈神经网络模型。输入层输出层隐含层输入层输出层隐含层图3-4反馈神经网络结构图（3）自组织竞争神经网络在基于生理学和脑科学的最新研究成果提出自组织竞争神经网络，是目前最接近人类大脑活动的人工神经模型网络，其能够自动识别寻找数据输入控制中本质的规律以及固有的属性，在无监督以及检查的情况下。能够自发组织、自适应地改变网络学习过程和参数。竞争层中通过对输入模式进行响应，让输入的数据形成竞争机制，最终通过竞争只有一个神经网络能够胜出，最后胜出神经元按照输入代表以及输入模式进行分类。通过不断调整获胜神经元之间的权值，更有利于加强自身竞争能力的方向调整，增强在下一轮竞争的能力，提高获胜的概率。如图3-5所示为两层神经元自竞争结构，在网络上自竞争网络通过输入层与自竞争层两部分组成。输入层竞争层输入层竞争层图3-5自组织竞争神经网络结构图目前人工神经网络已经在各个学科和工程领域取得大规模的应用和研究，特别是在电力系统的负荷预测的研究过程中，由于人工神经网络具有很强的学习能非线性逼近的能力等特性，使得在电力系统的负荷预测过程中起到至关重要的作用。目前这种方法电力系统中常用的方法，在电力系统的预测过程中，预测的流程为；首先对历史负荷数据和相关的影响因子进行归一化的处理，将得到的结果作为样本的训练空间，确定合理的神经网络模型结构，并采用优化算法反复对网络结构模型参数进行优化；3.3BP神经网络Rumelhart等人在1986年研究分布式信息的基础上提出一种基于误差反向传播算的简单网络模型，即BP神经网络。BP神经网络是目前应用最广泛、效果最好的一种前馈型的神经网络，通过误差反向传播算法对网络进行学习。理论上，BP神经网络可求解非线性以及复杂的函数模型，根据误差的反向算法对网络进行学习和训练，在此基础上能很好地解决输入以及输出的问题，将训练好的网络模型视为是对复杂函数的描述，而不需要对求解出的表达式就可得到需要的预测结果。BP神经网络不但具有良好的稳定性和逼近性。因此形成电力系统短期预测领域中应用最广泛的智能化的算法。常见的BP神经网络模型通常有输入层、隐含层以及输出层三层结构组成，并且每一个平层之间没有直接的联系，层与层之间的神经元是通过连接，如图3-6所示为BP神经网络的结构图。其中输入层与直接输入层数据直接相连，模型中神经元的个数根据具体对象决定；其中隐藏层在整个网络中有着至关重要的作用，输出层表达整个网络的输出。输出层隐含层输入层输出层隐含层输入层图3-6BP神经网络结构图3.3.1BP神经网络的学习过程BP神经网络的学习过程执行以下步骤：（1)首先对神经网络的权值进行初始化，连接各神经元所取的权值，随机选取非零的数值,,。（2）确定BP神经网络的参数，定义变量为,K为训练的样本数。并规定第N次计算后输出的实际值为。并定义一个神经元期望输出量，选择神经元的输入信息，将数据导入，则可以计算出所有神经网络神经元的输出值。（3）通过数据对期望输出值和实际输出值进行比较，计算出样本的误差分析。（4）通过误差，将输出数值反馈给隐含层，将减少误差作为第一准则，对其中的阈值和权值进行调整，以判断是否结束训练。BP神经网络学习过程流程图如图3-7所示图3-7BP神经网络学习流程图3.3.2BP神经网络的学习算法BP神经网络是一种监督学习的算法，其中模型的训练主要存在数据的正向传播以及误差的反向传播过程两个过程。BP神经网络的输入信号从输入层输入，经过BP神经网络将权值以及神经元的阈值函数和激励函数共同的作用和转化下，最终通过输出层将最后的结果进行输出，这个过程就是数据的正向传播过程。输入数据为m维度的输入量，和分别为输入层与隐含层、隐含层与输出层之间的连接权值为n维输出向量。假设BP神经网络中隐藏层中神经元的个数为q，则过程中正向传递信息过程可概括为：对于输入矩阵中一个特定的变量，输入层到隐藏层第j神经元传递的信息为：（3-2）则隐含层第j个神经元的输出为：（3-3）其中为j个神经元内的阈值，为隐含层神经元的激励函数，采用S形的sigmoid函数，其输出为0至1之间的连续的数值，可以使网络实现从输入到输出的任意非线性映射。从隐含层到输出层第k个神经元的传递信息为：（3-4）则输出层k个神经元的输出为：（3-5)其输出误差表达式为：(3-6)其中表示第p个训练样本中第k个负荷真实值，表示第p个训练样本中第k个负荷预测值，P为训练空间样本个数。4基于BP神经网络的负荷预测4.1数据预处理在电力系统的负荷预测中，经常存在着这些影响因素影响最终电力负荷预测结果精度的情况，比如时间和气候。同时，也存在着一些随机因素带来的影响，比如一些用电设备的故障引起的负荷减小等情况。时间因素主要是指对负荷使用有影响的时间节点，比如节假日或者周末工厂停工，负荷使用较少。气候因素主要是指夏季或者冬季天气极端，使用制冷或者保暖设备较多，会造成用电负荷较大的情况发生等。因为这些影响因素会对模型的训练产生影响，继而影响预测结果，所以为了减少这种影响，首先应对输入数据进行处理，这种处理常用的就是将输入数据归一化，当模型输出的时候，再对输出结果进行反向的归一化处理，处理的公式如下：(4-1)式中：x为归一化之后的数据，xin为没有归一化之前的输入数据，xmin为输入数据中的最小值，xmax为输入数据中的最大值，xout为初始的输出结果，y则为反向归一化之后输出的数据，带入公式将数据处理之后，反向归一化的输出数据y的范围为0至1之间的数。BP神经网络需要大量数据进行样本训练，当大量样本的输入输出具有某一种统一的规律的时候，证明该系统就具有这种规律，因此再进行预测的时候给定输入，得到的输出就与真实值比较接近。查阅资料，得知经过长期的观察以及记录，温度等因素对电力系统负荷的影响比较大，本文输入的环境因素选取为与负荷相关度较大的“温度”、“湿度”，以及“气压”。将历史数据的“温度”、“湿度”、“气压”作为输入，对应时刻的“电力系统负荷”作为输出，进行BP神经网络的训练，用以获得BP神经网络进行负荷预测的预测模型。4.2短期电力系统负荷预测流程运用BP神经网络进行短期电力系统负荷预测流程如图4-1所示。图4-1基于BP神经网络的短期电力系统负荷预测流程图运用上述流程图对输入数据进行训练，可以求得固定的权值，也就是BP神经网络预测模型的参数，在需要预测的时候，输入相应的环境因素后可以得出对应时间的负荷预测结果。4.3基于神经网络的电力系统负荷预测分析本预测在MATLAB环境下，调用程序包进行预测。在MATLAB中，可以方便的进行数据计算以及结果的可视化处理，使用神经网络工具箱可以方便高效的完成预测任务。本文中的电力系统负荷预测时间尺度为10分钟，一天24小时，共144个数据。模型输入的环境因素有三个，分别为：温度、湿度、气压，同时以该时刻的电力系统负荷为输出。利用30天的数据作为模型的训练集，共计4320个训练样本（30246=4320），每个样本为三个输入变量，所以训练样本的维度为12960（43203=12960）。本文中，选取预测日为一天，共计144个点作为测试集（246=144）。利用训练样本对BP神经网络进行训练，因为输入的环境因素有三个，输出的结果为一个负荷，所以模型有三个输入和一个输出。本文中，选取BP神经网络的最大收敛次数为100次，收敛误差为0.0001，学习率为0.1。利用训练完毕的神经网络模型进行电力系统负荷的预测，图4.2为BP神经网络数据训练的过程图，可以从图中看出本文中BP神经网络的隐含层设置为5层。图4-2BP神经网络训练图经过30天数据的训练，得到BP神经网络预测模型，在得到的神经网络模型的基础上，输入第31天的温度、湿度，以及气压数据作为输入数据，得到BP神经网络的电力系统负荷预测结果(144个点)。计算结果为表4-1所示。表4-1BP神经网络预测结果与实际数据对比表序号123456789101112output_test12.93013.59014.38014.30014.69017.73017.29018.17018.34017.68019.14020.190BP_output13.17213.88313.48414.25314.45615.61517.07017.03417.37016.89817.71718.125序号131415161718192021222324output_test19.14018.96018.52019.40018.26017.38017.16018.87018.43019.18017.60017.860BP_output17.91617.82717.56917.76016.90317.03017.11717.38517.32218.00917.18217.127序号252627282930313233343536output_test18.92017.86018.12018.96019.0906.95018.83018.56019.14018.92017.90018.040BP_output17.89417.56617.18417.71717.8823.55217.42117.88517.96117.59216.88317.419序号373839404142434445464748output_test17.73019.05018.83019.27020.59019.80019.66019.40018.96019.18018.65019.220BP_output16.55817.57417.68017.73317.73617.97117.69917.93517.45217.88317.78217.920序号495051525354555657585960output_test17.77016.85017.42017.64016.94016.50017.02017.11016.89017.07017.11016.980BP_output17.03817.04217.00617.07815.74216.06016.43416.76516.85616.43116.95717.163序号616263646566676869707172output_test16.98016.94015.40016.06015.66017.51016.41016.45016.36015.88015.04014.910BP_output16.48416.01915.06415.54315.59316.13015.70416.59916.50715.99515.68215.628序号737475767778798081828384output_test14.91014.08014.65014.30012.98013.02012.36012.23012.62012.54013.11012.890BP_output14.76213.32515.21314.42712.79212.21112.39512.06512.83112.18913.25313.108序号858687888990919293949596output_test13.24012.45012.71012.36011.96012.10011.92012.27012.10011.61013.20012.710BP_output13.05812.41412.74512.38511.86011.59311.30011.78212.52711.81012.18112.220序号979899100101102103104105106107108output_test12.76012.71013.20013.28013.24013.02014.03013.99013.90014.25012.84013.940BP_output12.40312.26112.57012.77113.15013.27513.40313.92413.91413.77713.27013.672序号109110111112113114115116117118119120output_test13.28013.28013.42014.16013.72013.77013.46013.72012.67012.67012.14011.790BP_output13.41512.71613.38513.73212.92213.40112.78913.16212.83412.05711.62311.729序号121122123124125126127128129130131132output_test11.83011.48011.48011.48010.42011.48010.60011.04011.17011.88012.14011.920BP_output11.11111.12311.13311.19810.82311.36110.74310.93110.84311.97612.19913.062序号133134135136137138139140141142143144output_test12.45012.05012.93011.96012.62012.76012.76012.05012.49013.68013.33013.370BP_output13.47612.64013.50211.97013.43512.55912.60012.38011.48914.28413.75613.971将预测结果与实际数据在统一坐标轴中对比，如图4-3所示：图4-3BP神经网络预测输出由图4-3可以看出，预测数据基本上和实际数据吻合，除了个别点数据误差较大以外，基本上数据变化趋势一致，具有较好的相似性。由此表明，基于BP神经网络的短期电力系统负荷功率预测结果与实际结果十分相近。4.4预测误差分析对于电力系统负荷预测误差的分析，可以有不同的分析方法，常见的有单点误差、均方根误差、平均绝对误差等。本文分别从这三个方面对本次基于BP神经网络的电力系统负荷预测结果进行分析。单点误差，指预测值与实际值的差，其公式表达式(4-2)(4-2)式中：为预测绝对误差，yout为预测的输出值，ytest为实际值。图4-4为单点误差图。图4-4BP神经网络单点误差值图由图4-4中可以看出，预测的单点误差基本上维持在零上下，最大误差绝对值也不超过4，毕竟预测过程中有一些随机因素的影响，很难每个点都保持在很小的误差之内，总体判断本次预测较为准确。BP神经网络预测单点误差百分比计算公式为：(4-3)式中：yout为预测的输出值，ytest为实际值。单点预测误差百分比更能反映出来预测误差在预测结果中所占有的比例，能直观的反映出来预测的准确性，由图4-5可知，本次预测除个别点的预测误差稍大以外，均误差较小。图4-5BP神经网络绝对误差百分比均方根误差RMSE均方根误差的计算是通过预测结果与真实情况的差值求平方，然后与观察次数求比值，再进行开方，所计算的结果，其表达式如下(4-4)式中：N为输出点的个数，在本文中取144，为预测输出值，为实际值，带入数据求出本预测结果的RMSE为0.8645。平均绝对误差MAE平均绝对误差是在单点误差的基础上求其绝对值，并且与观察次数求比值所计算出来的百分比，计算公式如下：(4-5)式中为预测值，为真实值，本文求得结果为0.651。综合三种误差分析结果，可以看出，BP神经网络可以有效的跟踪和拟合电力系统负荷的变化，具有较高的预测精度，有较强的实用价值。

5结论随着社会经济的快速发展以及经济水平的不断提高，电能在人们生产过程中和能源的利用中起到重要的作用。因此电力系统的短期负荷预测研究成为国内外学者关注的热点和中点，电力系统负荷预测作为电力系统中一个重要的学科，在电力的调度过程中发挥着重要作用。经过半年的设计现将本文的工作总结如下：（1）论文首先研究电力系统短期负荷的研究背景，明确本文的研究意义，在研究国内外研究现状基础上确定本文多用的方法。（2）论文在介绍三种人工神经网络结构基础上，对传统前馈型和反馈型神经网络原理进行详细分析，并确实本文选用BP神经网络。（3）最后对基于BP神经网络的负荷预测步骤进行详细分析，建立数学模型，最终得到第31天各个时段的电力系统负荷，通过使用单点误差值图显示本次结果预测单点误差最大不超过4，较为精确。通过均方根误差分析法，得出本次预测结果RMSE为0.8645，平均绝对误差为0.651。由这三种误差分析法可知本次预测有较高的精确程度。最终验证本文的提出算法的正确性以及准确性。

参考文献于尔铿，韩放，谢开，曹叻．电力市场[M]．北京：中国电力出版社，1999.朱向阳，电力系统短期负荷预测及其应用系统[J]．南京：东南大学，2004.张倩，电力系统短期负荷预测[J]．北京：华北电力大学，2013.牛东晓，曹树华，卢建昌，等，电力负荷预测技术及其应用[M]，第二版，北京，中国电力版社，2009.董秀成，李芹，许强，BP算法在电力系统短期负荷预测中的应用[M]，仪器仪表学报，2003.张文哲，陈刚．电力市场下负荷预测综述[J]，渝西学院学报(自然科学版)，2003，2(3)：71-74.张智晟，基于多元理论融合的电力系统短期负荷预测的研究[J]，天津，天津大学，2004.