电力系统短期负荷预测探讨

　　1电力负荷预测的作用和现状

　　1.1电力负荷预测的作用

　　供电部门最重要的工作之一就是电力负荷预测，科学、准确的进行负荷预测，不仅可以保持电网的稳定和安全，经济的安排电网内部发电机的启动和停止，降低不需要的旋转备用容量，减少发电所需的成本，还可以合理的进行机组检修，保障人们正常生活的运行和发展，提高我国的经济效益和社会效益。有效的负荷预测结果，对未来发电机的组装有重要的作用，能够决定组装发电机的容量大小、时间和地点，能够保障电网的建设和发展。

　　1.2电力负荷预测的现状

　　一个电力企业的管理能否可以走向现代化，必须要看电力负荷预测的工作水平。就目前而言，随着我国社会经济的不断进步，电力行业也得到了空前的发展，用电管理已经开始慢慢走向市场，我们现在最重要的任务就是解决电力预测问题。预测的技术模型是负荷预测的核心，由于科技的不断发展，负荷预测的理论技术已经比较成熟，有了很大的发展，随着理论研究的不断进步和发展，电力负荷预测将会进入实际的运用当中[2]。

　　2负荷预测的基本步骤

　　2.1明确负荷预测的目的，制定相应的计划

　　负荷预测首先要做的第一步就是明确负荷预测的目的，然后制定相关计划。在进行负荷预测计划的过程中，我们必须要考虑一下影响因素：历史资料的数量、来源和收集办法、预测的办法。预测所需的时间等。对于所需历史资料的数量有很多种说法，一些人认为外推预测的时期数不能超过历史资料的时期数。如果把历史资料的时期数设为d，外推预测的时期数设为h，就会出现下列不等式d≥h[3]。但是，我们在实际运用的过程中，必须要依照实际的情况进行分析，根据每个地区不同的数据进行具体的分析。

　　2.2资料的调查和选择

　　在明确了负荷预测的目的，制定了相应的计划书之后，我们就需要对所需各类质量进行调查和选择。在电力系统短期负荷预测所需要的资料有很多种，主要有历史负荷数据、历史天气数据、历史温度数据等。随着计算机的应用越来越广泛，就目前来看，调查和选择质量的任务主要是转换各类数据的格式，一般情况下，就是将以前的EXCEL表格转换成文本文件。2.3建立负荷预测的模型所谓负荷预测模型，其实就是概括统计资料的轨迹。能够将经验资料的内部结构特征反映出来。负荷预测的公式就是模型的具体化。对于ANN预测方案来说，建立负荷预测模型一般情况下分为两个步骤：①步骤就是明确ANN的内部结构和ANN的计算方法;②步骤就是训练选择的历史数据。一般来说，ANN都会采取局部可变步长的计算方法，过滤历史数据一般会使用相关因素进行映射。

　　3ANN算法用于短期负荷预测

　　3.1ANN算法和负荷预测

　　ANN相比于中长期预测来说，更适合短期负荷预测。这是因为短期负荷的变化是一个随机的过程，所涉及到的影响因素相对较少，而中长期负荷的变化不平稳，涉及到的影响因素比较多，而且与国家的政策、经济都会有密切的联系。ANN首次被应用于电力系统负荷预测是在1991年，所使用的模型是BT模型。后来也不断有学者对ANN进行研究，但是到目前为止，在电力系统短期负荷预测方面还没有一个公认的、有效的的ANN办法[4]。虽然如此，但是ANN相比于传统方式，有很多的优点，例如：精准度比较高、比较容易建立模型、在组织数据方面相对比较简单、速度快等，能够满足不同预测系统的要求。已经进入实用阶段的神经网络算法就是BP法，一般使用的方法都是传统的过程编法。相比于其他的方法，ANN在短期负荷预测中的有三大优势：①优势就是对影响因素的收集比较全面，包括未来因素都能够方便的进行考虑，可以将所有的因素都纳入到预测计算中，其计算的结果精准度较高，实用性和可靠性较强。②优势就是使用的方式比较多，相对更加灵活、方便，适应性强，可以满足不同需求的预测系统。③优势就是历史数据的组织能力较强，可以按照不同的要求进行操作，能够适应当代社会的发展和需求。

　　3.2ANN算法的选择

　　在进行负荷预测的过程中可以选择算法，具体的算法有：BP法;带动量项的BT法;可变步长法;BFGS法等。这些算法中都包括两个版本，就是：全局步长和局部步长。最开始捆绑的是局部可变步长法。这些算法的捆绑方式是属于动态链接的，给未来的新算法打好了坚实的基础。

　　3.3ANN的网络结构

　　3.3.1输入和输出的节点

　　输入和输出的节点和样本没有直接的联系，BP网络在各个领域中都被广泛的运用，不管各个领域中有什么样的要求，就会将实际的问题转化成数据样本，这样网络才能够接受。如果样本格式是固定的，样本就会固定网络输入和输出的节点。

　　3.3.2层数

　　BT网络有一个很重要的定理，就是：单隐层的BP网络可以逼近任何闭区间的一个连续函数，一个三层的BP网络可以映射出人意的n维到m维。根据资料，我们得出一个理论，那就是一个以上的S型隐层加上一个线性输入层的神经网络，可以逼近任何有理函数。

　　3.3.3每层激活函数

　　一般情况下，S型的激活函数会将BP网络的非线性逼近能力反映出来，所以，S型激活函数一般被应用于隐含层和输出层的激活函数。如果网络要求的输出范围是[-1，1]时，我们可以使用线性激活函数。如果输出层的激活函数使用的是S型激活函数，线性激活函数就会比非线性激活函数慢，而且网络的输出也会被限制在(0，1)或者是(-1，1)之间[5]。3.3.4确定隐含层节点数S1对于隐含层节点数的确定，我们必须要根据实际情况和问题，利用实验进行证明。隐含层节点的多少一般是由：训练样本数目、样本噪声大小和样本中包含的规律来决定的。根据实际经验和历史资料，我们得到了一个确定节点数的方法-试凑法。公式如下：m=n+1+a;m=log2n;m=nl(m是隐层节点数，n是输入层节点数，a是1~10之间的常数)

　　3.3.5初始权值的选择

　　初始权值对局部最小的数值和是否收敛有重要作用，为了保证初始权值不落入平坦区，我们必须让初始权值在输入的时候每个神经元的状态都接近0，初始权值的区间一般在(-1，+1)之间，而且是随机进行取值。

　　3.3.6选取期望误差

　　在训练设计网络的过程中，期望误差值的选择是是非重要的，必须要选择一个科学、合理的合适值。这个合适值的确定，一般是由隐含层的节点数来决定的。如果想要比较小的期望误差值，就必须要增加隐含层的节点数和训练的时间。我们可以同时对两个不同的期望误差值进行训练，这样就可以作为对比，然后综合进行研究和考虑之后，决定最终采用的网络。

　　4结语

　　ANN在面向现象、模块化编程、通用化的设计思想上有一定的研究和促进作用，给进一步的研究打下了坚实的基础。在算法上，有自己独立的特点，是一个独立的部分，与预测系统分离开来，使用的范围更加的广泛，用途方法也更多。在组网的时候非常方便，速度较快，精准度较高，其中的局部步长法在预测支持上的使用更加方便灵活、效率更高、稳定性更强。ANN的相关因素法还可以对历史数据有效的进行过滤，这样就可以提高训练的效果，最终达到提高精准度的目的。