91精品人妻互换日韩精品久久影视|又粗又大的网站激情文学制服91|亚州A∨无码片中文字慕鲁丝片区|jizz中国无码91麻豆精品福利|午夜成人AA婷婷五月天精品|素人AV在线国产高清不卡片|尤物精品视频影院91日韩|亚洲精品18国产精品闷骚

朱斌，姜寧，霍雪松，王勇，吳海偉，孫凱祺，胡爽

（1．國(guó)網(wǎng)江蘇省電力公司，江蘇南京  210024;

2．國(guó)網(wǎng)南京供電公司，江蘇南京  210019；

3．山東大學(xué)電氣工程學(xué)院，山東濟(jì)南250061）

——

摘要：城市電網(wǎng)核心區(qū)負(fù)荷變化復(fù)雜，影響因素眾多，對(duì)電網(wǎng)調(diào)度部門(mén)的安全運(yùn)行提出了挑戰(zhàn)�；�于南京電網(wǎng)實(shí)際負(fù)荷數(shù)據(jù)，分析了負(fù)荷變化特性及各類(lèi)影響負(fù)荷變化的因素，同時(shí)針對(duì)預(yù)測(cè)方法中存在的邊緣效應(yīng)等問(wèn)題，通過(guò)改進(jìn)訓(xùn)練策略，提出了一種新的人工神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型。該模型采用多隱含層和動(dòng)態(tài)神經(jīng)元個(gè)數(shù)的預(yù)測(cè)方法，對(duì)不同神經(jīng)元預(yù)測(cè)結(jié)果進(jìn)行比較，以達(dá)到預(yù)測(cè)負(fù)荷的目的。預(yù)測(cè)結(jié)果表明，基于該方法建立的預(yù)測(cè)模型適用性強(qiáng)且能獲得較高的預(yù)測(cè)精度，可為城市核心區(qū)的短期負(fù)荷預(yù)測(cè)提供可行方案。

關(guān)鍵詞：電網(wǎng)；負(fù)荷特性；短期負(fù)荷預(yù)測(cè)；Elman人工神經(jīng)網(wǎng)絡(luò)；訓(xùn)練策略

0引言

 隨著社會(huì)經(jīng)濟(jì)的不斷發(fā)展．城市電網(wǎng)負(fù)荷快速增長(zhǎng)．現(xiàn)代生產(chǎn)生活對(duì)供電量和供電質(zhì)量的要求顯著提高。另一方面，城市電網(wǎng)核心區(qū)負(fù)荷變化復(fù)雜．影響因素眾多，對(duì)電網(wǎng)調(diào)度部門(mén)的安全運(yùn)行提出了挑戰(zhàn)。如何快速準(zhǔn)確把握城市電網(wǎng)的短期負(fù)荷變化特征，進(jìn)行精準(zhǔn)負(fù)荷預(yù)測(cè)顯得極為重要。

 短期負(fù)荷預(yù)測(cè)是以未來(lái)幾分鐘、幾小時(shí)或者幾天內(nèi)的連續(xù)負(fù)荷變化趨勢(shì)作為研究對(duì)象。隨著智能算法的興起，專(zhuān)家、學(xué)者相繼提出了許多關(guān)于短期負(fù)荷預(yù)測(cè)的方法，這些方法主要包括專(zhuān)家系統(tǒng)法、遺傳算法、模糊理論、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)等。此領(lǐng)域內(nèi)已有大量結(jié)合上述方法并針對(duì)短期負(fù)荷預(yù)測(cè)做出分析的文獻(xiàn)，例如，文獻(xiàn)[11]基于人工神經(jīng)網(wǎng)絡(luò)理論，考慮了外界因素對(duì)短期負(fù)荷變化的影響；文獻(xiàn)[12]介紹了考慮相似日特性的一種新型支持向量機(jī)的預(yù)測(cè)方法：文獻(xiàn)[13]考慮了不同季節(jié)的周、日負(fù)荷，并對(duì)溫度、輸入變量的選擇進(jìn)行了研究，討論了過(guò)擬合現(xiàn)象對(duì)預(yù)測(cè)的影響。

 雖然上述方法已被證明在短期負(fù)荷預(yù)測(cè)領(lǐng)域取得了豐碩成果．但由于城市核心區(qū)負(fù)荷受相關(guān)因素影響大，不同地區(qū)負(fù)荷呈現(xiàn)不同的規(guī)律性，因此．如何針對(duì)特定地區(qū)的短期負(fù)荷進(jìn)行研究仍然是實(shí)際生產(chǎn)工作中的重點(diǎn)和難點(diǎn)，應(yīng)結(jié)合實(shí)際地區(qū)負(fù)荷特性進(jìn)一步分析。

 本文通過(guò)對(duì)南京城市電網(wǎng)核心區(qū)實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行分析，總結(jié)變化規(guī)律和受相關(guān)因素影響的具體程度，基于人工神經(jīng)網(wǎng)絡(luò)，改進(jìn)訓(xùn)練策略，提出了一種新的短期負(fù)荷預(yù)測(cè)模型，進(jìn)一步提高了預(yù)測(cè)精度以及算法的適應(yīng)性。

1  南京城市電網(wǎng)核心區(qū)負(fù)荷特性分析

 南京市經(jīng)濟(jì)發(fā)達(dá)．城鎮(zhèn)人口密度大，其城市電網(wǎng)核心區(qū)負(fù)荷受多種因素影響，這些影響因素的存在，導(dǎo)致負(fù)荷特性出現(xiàn)非平穩(wěn)的隨機(jī)變化，加大了負(fù)荷預(yù)測(cè)難度。為使預(yù)測(cè)模型達(dá)到目標(biāo)要求．預(yù)測(cè)前有必要深入研究負(fù)荷變化的特性，就其變化規(guī)律進(jìn)行歸類(lèi)分析，歸納出影響負(fù)荷變化的眾多因素，為后續(xù)提高模型預(yù)測(cè)精度提供參考。

 本文基于南京城市電網(wǎng)核心區(qū)實(shí)際負(fù)荷數(shù)據(jù)，針對(duì)不同類(lèi)型日、天氣因素以及政策性岡素對(duì)短期負(fù)荷預(yù)測(cè)的影響進(jìn)行了詳細(xì)分析。

1.1  不同類(lèi)型日對(duì)短期負(fù)荷預(yù)測(cè)的影響

 短期負(fù)荷預(yù)測(cè)中，同類(lèi)型的日負(fù)荷其整體變化趨勢(shì)具有相似性。圖1中兩曲線分別為2014年1月兩相鄰周四的負(fù)荷曲線（2014年1月15日，2014年1月22日）．圖2中兩曲線分別為2013年和2014年1月1日即元旦節(jié)假日的負(fù)荷曲線。

對(duì)圖1和圖2的負(fù)荷曲線分析可得出．無(wú)論是正常日還是節(jié)假日，南京城市核心區(qū)同類(lèi)型日的全天負(fù)荷變化規(guī)律具有高度相似性，其負(fù)荷高峰低谷出現(xiàn)時(shí)間段基本相同。而不同類(lèi)型日之間全天負(fù)荷變化趨勢(shì)差距較大。負(fù)荷預(yù)測(cè)時(shí)可以根據(jù)相似日特點(diǎn)進(jìn)行分類(lèi)預(yù)測(cè)，從而實(shí)現(xiàn)提高預(yù)測(cè)精度的目的。

1.2氣象因素對(duì)短期負(fù)荷預(yù)測(cè)的影響

 在短期負(fù)荷預(yù)測(cè)中，氣象變化是影響短期負(fù)荷非周期性變化的主要原因。研究表明，在一些氣候條件下，用電負(fù)荷會(huì)短時(shí)間內(nèi)急劇變化，日負(fù)荷曲線將會(huì)有較大的改變，這將對(duì)負(fù)荷預(yù)測(cè)產(chǎn)生一定的影響。

圖3為2014年7月日平均負(fù)荷和最高、最低溫度對(duì)比。由圖3可看出，隨著氣溫的升高，日平均負(fù)荷大幅度增加；氣溫降低，日平均負(fù)荷也隨之降低．日平均負(fù)荷趨勢(shì)變化與溫度變化呈現(xiàn)一致性。通過(guò)對(duì)溫度和日平均負(fù)荷的分析，可看出負(fù)荷變化受氣象因素影響明顯。

氣象因素眾多，對(duì)負(fù)荷的影響程度也不同。為辨識(shí)各種氣象因素與電力負(fù)荷之問(wèn)存在的相關(guān)性．可用歐氏距離分析法中Pearson相關(guān)系數(shù)進(jìn)行相關(guān)性分析。Pearson相關(guān)系數(shù)可以衡量在一條線上2個(gè)數(shù)據(jù)集合是否同時(shí)存在．其計(jì)算公式為

式中：X為需要辨識(shí)的氣象因素；Y為負(fù)荷數(shù)據(jù)，本文選取最高溫度、最低溫度、最大濕度、最小濕度、空氣質(zhì)量指數(shù)以及天氣類(lèi)型作為參考量，對(duì)其進(jìn)行分析，所得分析結(jié)果如表1所示。

 從表1可看出，溫度與負(fù)荷呈現(xiàn)正相關(guān)性，濕度與負(fù)荷呈現(xiàn)負(fù)相關(guān)性。此外，由表1還可看出，空氣質(zhì)量指數(shù)與負(fù)荷呈現(xiàn)負(fù)相關(guān)性，天氣類(lèi)型與負(fù)荷呈現(xiàn)正相關(guān)性，這些影響因素在負(fù)荷預(yù)測(cè)時(shí)都應(yīng)給予考慮。

1.3政策性因素對(duì)短期負(fù)荷預(yù)測(cè)的影響

 在負(fù)荷預(yù)測(cè)過(guò)程中．負(fù)荷預(yù)測(cè)的結(jié)果經(jīng)常受到政策性因素的影響，這些政策岡其執(zhí)行的突發(fā)性和特殊性，難以通過(guò)定量分析來(lái)把握。但是，由于其對(duì)負(fù)荷特性的影響方式基本相同，對(duì)于歷史事件進(jìn)行分析將有助于為以后類(lèi)似事件的發(fā)生提供經(jīng)驗(yàn)。

本文以南京青奧會(huì)時(shí)期對(duì)城區(qū)及其周邊重點(diǎn)行業(yè)采取限時(shí)停工措施為例，分析政策性因素對(duì)短期負(fù)荷預(yù)測(cè)的影響。圖4 a）和b）分別為南京城市電網(wǎng)核心區(qū)2013年和2014年7月1日-8月31日的日平均負(fù)荷曲線。

 由圖4可看出，南京城市電網(wǎng)核心區(qū)2014年7月最大日平均負(fù)荷相比2013年7月最大日平均負(fù)荷較高，這符合城市電網(wǎng)核心區(qū)夏季峰值負(fù)荷隨經(jīng)濟(jì)發(fā)展而增加的特點(diǎn)。但自8月5日起，日平均負(fù)荷大幅度降低，日平均負(fù)荷量相比2013年同期平均下降26.66%。經(jīng)查閱相關(guān)資料獲知，2014年8月為南京市政府為保障青奧會(huì)環(huán)境執(zhí)行臨時(shí)管控方案時(shí)期．負(fù)荷量大幅下降是由于該特殊時(shí)間段大量工業(yè)負(fù)荷削減所致。

 利用南京青奧會(huì)時(shí)期的歷史負(fù)荷情況進(jìn)行分析，可以得出針對(duì)特殊事件較為通用的負(fù)荷變化發(fā)展規(guī)律，在未來(lái)舉辦類(lèi)似國(guó)際性重大活動(dòng)或發(fā)生重大特殊事件時(shí)，本次的負(fù)荷變化規(guī)律研究可為南京城市電網(wǎng)核心區(qū)的負(fù)荷預(yù)測(cè)提供參考。

 綜上所述．通過(guò)分析各類(lèi)因素對(duì)負(fù)荷預(yù)測(cè)的影響，可以確立相關(guān)因素的影響程度，在后續(xù)建立南京電網(wǎng)核心區(qū)短期負(fù)荷預(yù)測(cè)模型時(shí)，可根據(jù)現(xiàn)有分析考慮各因素對(duì)負(fù)荷預(yù)測(cè)的影響。

2南京電網(wǎng)核心區(qū)短期負(fù)荷預(yù)測(cè)模型的設(shè)計(jì)

 電力系統(tǒng)負(fù)荷預(yù)測(cè)研究已經(jīng)有幾十年的歷史。隨著電力系統(tǒng)的發(fā)展，傳統(tǒng)算法囿于其局限性，不能考慮影響負(fù)荷的因素，其預(yù)測(cè)無(wú)法達(dá)到電力系統(tǒng)負(fù)荷預(yù)測(cè)發(fā)展要求。近年來(lái)隨著智能算法的快速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)(ANN)成功應(yīng)用于短期預(yù)測(cè)當(dāng)中，它突破了傳統(tǒng)方法的局限性，表現(xiàn)出較強(qiáng)的應(yīng)用能力。

2.1  Elman人工神經(jīng)網(wǎng)絡(luò)

Elman人工神經(jīng)網(wǎng)絡(luò)是基于傳統(tǒng)BP人工神經(jīng)網(wǎng)絡(luò)加以改進(jìn)的一種新形式神經(jīng)網(wǎng)絡(luò)。BP人工神經(jīng)網(wǎng)絡(luò)由于算法簡(jiǎn)單且兼容性極強(qiáng)，其在電力系統(tǒng)負(fù)荷預(yù)測(cè)領(lǐng)域有著廣泛的應(yīng)用。但BP人工神經(jīng)網(wǎng)絡(luò)屬于靜態(tài)前饋網(wǎng)絡(luò)．因其網(wǎng)絡(luò)結(jié)構(gòu)限制．并不具備記憶性。而Elman人工神經(jīng)網(wǎng)絡(luò)是一種反饋型神經(jīng)網(wǎng)絡(luò)，其構(gòu)造是在BP人工神經(jīng)網(wǎng)絡(luò)的隱含層后又增加一層承接層，構(gòu)成反饋，使得網(wǎng)絡(luò)具有一定的延時(shí)特性。Elman人工神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

如圖5所示，假設(shè)網(wǎng)絡(luò)輸入記為U,隱含層輸入記為X．輸出層記為Y。承接層與隱藏層之間的連接權(quán)矩陣記為wl，輸入層與隱藏層之間的連接權(quán)矩陣記為W2，隱藏層與輸出層之間的連接權(quán)矩陣記為W3，則Elman人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法為

標(biāo)準(zhǔn)的Elman網(wǎng)絡(luò)f（x）為sigmoid函數(shù)

式中：k為時(shí)間；M1和M2分別為輸入層和隱含層的修正值。

2.2短期負(fù)荷預(yù)測(cè)模型的設(shè)計(jì)

2.2.1  改進(jìn)型預(yù)測(cè)模型訓(xùn)練策略

 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)是在訓(xùn)練得到模型后，通過(guò)模型一次性預(yù)測(cè)得到多個(gè)點(diǎn)數(shù)據(jù)。但經(jīng)實(shí)際預(yù)測(cè)發(fā)現(xiàn)，所得預(yù)測(cè)結(jié)果集存在誤差兩邊大中間小、相鄰波動(dòng)大的數(shù)據(jù)所得預(yù)測(cè)結(jié)果誤差大等情況。其主要原因是模型固定后，模型的神經(jīng)元數(shù)目和權(quán)值閾值均同定，模型適應(yīng)性降低，由于其變化規(guī)律與訓(xùn)練數(shù)據(jù)存在不同，遇到新數(shù)據(jù)后，易出現(xiàn)預(yù)測(cè)精度降低的情況。若逐點(diǎn)進(jìn)行預(yù)測(cè)且結(jié)合每組訓(xùn)練數(shù)據(jù)特點(diǎn)分別建立預(yù)測(cè)模型，就能在一定程度上提高模型的適應(yīng)性，提高預(yù)測(cè)精度。

基于以上分析，本文提出了一種改進(jìn)型訓(xùn)練策略，改變了傳統(tǒng)上只輸入一個(gè)時(shí)間點(diǎn)的多個(gè)相關(guān)日歷史負(fù)荷數(shù)據(jù)的做法，改為輸入多個(gè)時(shí)間點(diǎn)的多個(gè)相關(guān)日歷史負(fù)荷數(shù)據(jù)。代入模型預(yù)測(cè)后，只選取預(yù)測(cè)值序列中的中間值作為本次預(yù)測(cè)的目標(biāo)值，從而避免了邊緣效應(yīng)及數(shù)據(jù)波動(dòng)對(duì)預(yù)測(cè)的影響。改進(jìn)型訓(xùn)練策略如圖6所示。

2.2.2  隱含層層數(shù)和神經(jīng)元個(gè)數(shù)確定

 隱含層層數(shù)和神經(jīng)元個(gè)數(shù)的選擇是一個(gè)較為復(fù)雜的問(wèn)題，在確定輸入變量和輸出變量后，為避免因神經(jīng)元節(jié)點(diǎn)數(shù)目所導(dǎo)致的欠學(xué)習(xí)或過(guò)學(xué)習(xí)現(xiàn)象的出現(xiàn)，以及因初始閾值和權(quán)值的錯(cuò)誤設(shè)定導(dǎo)致的誤差增大等問(wèn)題的發(fā)生，同時(shí)實(shí)現(xiàn)提高模型泛化能力的目標(biāo)，本次選擇采用多隱含層和動(dòng)態(tài)神經(jīng)元個(gè)數(shù)的預(yù)測(cè)方法建立模型。

訓(xùn)練時(shí)，首先設(shè)置初始隱含層神經(jīng)元數(shù)，將訓(xùn)練樣本代入訓(xùn)練后，選擇不同的網(wǎng)絡(luò)初始閾值和權(quán)值，獲得多組訓(xùn)練結(jié)果，通過(guò)與檢驗(yàn)樣本作對(duì)比，選擇誤差最小的一組作為該神經(jīng)元數(shù)目下訓(xùn)練樣本預(yù)測(cè)結(jié)果。通過(guò)設(shè)置不同隱含層的初始神經(jīng)元數(shù)，經(jīng)過(guò)上述訓(xùn)練會(huì)得到不同訓(xùn)練結(jié)果，對(duì)比訓(xùn)練結(jié)果，選擇與驗(yàn)證樣本誤差最小的一組，其對(duì)應(yīng)的模型即被選為本次的預(yù)測(cè)模型。模型預(yù)訓(xùn)流程如圖7所示。

3算例分析

 本文采用南京城市電網(wǎng)核心區(qū)實(shí)際負(fù)荷數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，考慮到不同類(lèi)型日以及氣象因素對(duì)負(fù)荷預(yù)測(cè)的影響，為了驗(yàn)證所提方法得出的預(yù)測(cè)結(jié)果精度，并證明模型的通用性，本文從南京2014-2015年1年時(shí)間內(nèi)的4個(gè)季節(jié)中各選一組數(shù)據(jù)集作為樣本，在同一精度要求下，對(duì)比了改進(jìn)前后的Elman人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果。

本文選用南京城市電網(wǎng)核心區(qū)2014年6月27日-7月8日、2014年10月8日-16日、2014年12月8日-17日、2015年4月7日-16日這4個(gè)時(shí)間段內(nèi)的平常日(不包含周六、周日及節(jié)假日)10:00-12:00每隔0.5 h記錄的實(shí)際負(fù)荷數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。選擇2014年7月9日、10月17日、12月18日和2015年4月17日11:00負(fù)荷作為預(yù)測(cè)目標(biāo)。預(yù)測(cè)結(jié)果及對(duì)比如表2所示。

為了證明本文方法的優(yōu)越性，分別采用目前常用的BP人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，并與本文方法所得預(yù)測(cè)負(fù)荷數(shù)據(jù)作對(duì)比。預(yù)測(cè)結(jié)果及對(duì)比如表3及圖8所示。

 從表2、表3和圖8可看出，本文方法平均誤差為0.961%，傳統(tǒng)Elman人工神經(jīng)網(wǎng)絡(luò)方法平均誤差為2.635%，BP人工神經(jīng)網(wǎng)絡(luò)平均誤差為3.358%，支持向量機(jī)方法平均誤差為2.529%，本文方法相比常用方法在預(yù)測(cè)精度方面有明顯提高。

4結(jié)語(yǔ)

 本文根據(jù)南京電網(wǎng)實(shí)際歷史負(fù)荷數(shù)據(jù)，分析了南京城市電網(wǎng)核心區(qū)電網(wǎng)負(fù)荷特性，并對(duì)導(dǎo)致電力系統(tǒng)負(fù)荷特性變化的影響因素進(jìn)行了對(duì)比，建立了短期負(fù)荷預(yù)測(cè)模型，根據(jù)南京城市電網(wǎng)核心區(qū)電網(wǎng)實(shí)際情況對(duì)模型的輸入和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn)。經(jīng)預(yù)測(cè)結(jié)果驗(yàn)證，本文提出的模型可較為準(zhǔn)確地預(yù)測(cè)南京城市電網(wǎng)核心區(qū)某日某時(shí)刻的用電負(fù)荷，并具備一定通用性。