电力负荷预测设计与实现摘要：在对大量历史负荷数据进行统计分析的基础上，根据电力负荷的特点，在考虑天气温度、日类型、实际历史负荷等因素对预测负荷影响的基础上，本文介绍了一种基于bp神经网络的短期负荷预测方法。

该方法充分发挥了神经网络处理非线性问题的能力和人工神经网络自学习、自适应的优点。

实际算例表明，这种方法应用在短期负荷预测方面有较高的精度。

关键词：电力负荷预测电力负荷电力负荷预测基本算法0、引言短期负荷预测是随着电力系统ems的逐步发展而发展起来的，现已经成为ems必不可少的一部分和为确保电力系统安全经济运行所必需的手段之一。

短期负荷预测技术经过几十年的发展，人们提出了许多的预测方法。

现有的预测方法大体可以分为2类：经典的数学统计方法以及上世纪90年代兴起的各种人工智能方法。

1、电力负荷预测综述电力负荷有两方面的含义：一方面是指电力工业的服务对象；另一方面是指上述各用电单位、用电部门或用电设备使用电力和电量的具体数量。

电力负荷预测中的负荷概念是指国民经济整体或部门或地区对电力和电量消费的历史情况及未来的变化发展趋势。

电力负荷预测工作既是电力规划工作的重要组成部分，也是电力规划的基础。

本文运用神经网络对某市某年某月某日进行电力负荷的短期预测，它为这一地区电力规划奠定了一定的基础，同时也为这一地区电力工业布局、能源资源平衡和人力资源的需求与平衡提供可靠的依据。

因此，电力负荷预测是一项十分重要的工作，它对于保证电力工业的健康发展有着十分重要的意义。

2、电力负荷分析本文对某市进行电力短期负荷预测，电力负荷的构成与特点如下：电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。

城市民用负荷主要是城市居民的家用电器，它具有年年增长的趋势，以及明显的季节性波动特点，而且民用负荷的特点还与居民的日常生活和工作的规律紧密相关。

商业负荷，主要是指商业部门的照明、空调、动力等用电负荷，覆盖面积大，且用电增长平稳，商业负荷同样具有季节性波动的特性。

从以上分析可知电力负荷的特点是经常变化的，不但按小时变、按日变，而且按周变，按年变，同时负荷又是以天为单位不断起伏的，具有较大的周期性，负荷变化是连续的过程，一般不会出现大的跃变，但电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地区的气候，以及温度的变化都会对负荷造成明显的影响。

3、电力负荷预测的内容及程序电力负荷预测的内容是指需要测算些什么量，归纳起来有以下一些参数需要测算：最大有功负荷及其分布；无功负荷及其分布；需电量；电力负荷曲线及其特征值。

电力负荷预测是一个过程，其一般程序可划分为准备、实施、评价与提交预测报告四个阶段。

4、电力负荷预测模型及基本算法4.1、电力负荷预测模型针对影响系统负荷的因素，电力系统总负荷预测模型一般可以按四个分量模型描述为l(t)=b(t)+w(t)+s(t)+v(t) （4-1）(1)基本正常负荷分量模型不同的预测周期，b(t)分量具有不同的内涵，对于基本正常负荷分量，可以用线性变化模型和周期变化模型描述，或用二者的合成共同描述，即（4-2）（2）天气敏感负荷分量模型以日负荷预测为例，给定过去若干天气负荷记录、温度记录，利用线性回归或曲线拟合方法，可以用三段直线来描述天气敏感负荷模型（4-3）（3）特别事件负荷分量模型特别事件负荷分量指特别电视节目、重大政治活动等对负荷造成的影响。

其特点是只有积累大量的事件记录，才能从中分析出某些事件的出现对负荷的影响程度，从而作出特别事件对负荷的修正规则。

这种分析可以用专家系统方法来实现，也可以简单的用人工修正来实现。

人工修正方法通常用因子模型来描述。

（4）随机负荷分量模型上述各分量的数学模型，都不适应于随机负荷分量。

实际上，对于给定的过去一段时间的历史负荷记录，提取出基本负荷分量、天气敏感负荷分量和特别事件负荷分量后，剩余的残差即为各时刻的随机负荷分量，可以看成是随机时间序列。

4.2、电力负荷预测基本算法电力负荷预测分为经典预测方法和现代预测方法。

（1）经典预测方法时间序列法是一种最为常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。

时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。

回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。

回归模型虽然考虑了气象信息等因素，但需要事先知道负荷与气象变量之间的函数关系，这是比较困难的。

（2）现代负荷预测方法灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。

这些众多因子的未知性和不确定性，成为系统的灰色特性。

灰色系统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。

专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。

借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。

运用神经网络技术进行电力负荷预测，其优点是可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别的，其自学习和自适应功能是常规算法和专家系统技术所不具备的。

神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。

5、电力短期负荷预测研究5.1、基于温度准则的外推方法对于日负荷预测来说，工作日和休假日负荷曲线差别明显，其次，天气因素，特别是温度对负荷有较大的影响，由此，采用基于温度准则的外推方法，首先根据过去数个同类型日得出预测日的负荷变化系数，认为同类型的负荷变化规律相近，其次，假定每个同类型日负荷数据和温度数据，求出其相关系数，最后,在预测到预测日最高温度和最低温度出情况下，预测出预测日的最大负荷和最小负荷，再由预测日的负荷变化系数，最终求出预测日的各点负荷预测值。

5.2、基于人工神经网络日负荷预测人工神经网络的英文名称是artificial neural networks(ann)是一种“采用物理可实现的系统来模仿人脑神经细胞的结构和功能的系统。

”本文中采用前馈型网络对电力系统短期负荷进行预测。

前馈型神经网络的基本原理是:神经网络在组成时，各个神经元通过一定权值相连，神经网络在使用之前必须确定这些权值，而没有经过训练的神经网络的权值是没有任何意义的，神经网络的学习过程就是通过已知数据确定权值的过程。

本文采用bp网络，bp网络学习规则的指导思想:对网络权值和阈值的修正要沿着表现函数下降最快的方向-负梯度方向.（5-1）假设三层bp网络,输入节点,隐层节点,输出节点.输入节点与隐层节点间的网络权值为,隐层节点与输出节点间的网络权值为.当输出节点的期望值为时,模型的计算公式如下:隐层节点的输出:l （5-2）输出节点的误差（5-3）1)误差函数对输出节点求导（5-4）2）误差函数对隐层节点求导（5-5）3）阈值的修正阈值也是变化值，在修正权值的同时也需要修正，原理同权值修正一样。

误差函数对输出节点阈值求导（5-6）4)传递函数f(x)的导数s型函数则（5-7）（5-8）求函数梯度有两种方法：递增和批处理。

递增模式，就是每增加一个输入样本，重新计算一次梯度并调整权值；批处理模式，就是利用所有的输入样本计算梯度，然后调整权值。

6、电力系统短期负荷预测建模及matlab实现6.1、基于神经网络的预测原理正向建模是训练一个神经网络表达系统正向动态的过程，这一过程建立的神经网络模型称为正向建模。

正向建模的结构如图所示，其中神经网络与待辨别的系统并联，两者的输出误差用做网络的训练信号。

逆向建模是建立动态系统的逆模型，在神经网络控制中起着关键的作用，并且得到了特别广泛的应用。

下面介绍其中一种比较简单的直接逆向建模法。

直接逆向建模也称为广义逆学习。

从原理上说，这是一种最简单的方法。

6.2、电力系统短期负荷预测建模及matlab实现电力系统负荷变化受多方面的影响，一方面，负荷变化存在着由未知不确定的因素引起的随机的波动；另一方面，又具有周期变化的规律性，这也使得负荷曲线具有相似性。

本文采用matlab软件编程、仿真，具体过程如下所示：(1)问题描述:电力系统负荷短期预报问题的解决办法和方式可以分为统计技术、专家系统法和神经网络法等。

在对短期负荷进行预报前，一个特别重要的问题是如何划分负荷类型或日期类型。

(2)输入/输出向量设计:在预测日的前一天中，每1个小时对电力负荷进行一次测量，这样一来，一天共测得24组负荷数据。

由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。

所以这里将前一天的实时负荷数据作为网络的样本数据。

(3)bp网络的设计:本文依据人工神经网络来建模，根据bp网络来预测24点负荷。

如图6.1预测24点负荷的bp网络。

图6.1预测24点负荷的bp网络（4）网络训练计算出预测日24点的归一化系数网络经过训练后才可以用于电力负荷预测的实际应用。

考虑到网络的结构比较复杂，神经元个数比较多，需要适当增大训练次数和学习速率。

可见，经过次训练后，网络误差达到要求。

（5）结论分析:本文介绍的基于bp神经网络的预测方法，在综合考虑天气情况、历史负荷和日类型等对未来负荷影响的因素后，使用了神经网络的非线性拟合等功能，取得了较好的负荷预测效果。

结束语本文介绍的电力短期负荷预测的特点，即都是受多个影响因素共同影响，且各个因素之间有着比较复杂的关系，具有高度不确定的非线性系统，利用传统的预测方法有着诸多限制，而采用神经网络方法则能较好地克服这些限制，实现精确的非线性预测。

参考文献：[1]飞思科技产品研发中心编.神经网络理论与matlab7实现[m].北京：电子工业出版社，2005[2]冉启文、单永正、王骐等.电力系统短期负荷预报的小波-神经网络-parima方法[j]. 中国电机工程学报，2003，23（3）：38-42[3]楼顺天、胡昌华、张伟编著.基于matlab的系统分析与设计——模糊系统[m].西安：西安电子科技大学出版社，2001。