招海丹,吴捷,杨苹,严华 华南理工大学电力学院,广东省广州市510641
本文针对某省网负荷,利用人工智能技术设计了一模块化的综合智能化电力短期负荷预测系统,在当天下午3时以前,对第二天的负荷进行预测。系统中的第一个模块采用人工神经网络(ANN)建模,在训练时,以与训练时刻相关的历史负荷、日类型信息作为输入,训练时刻负荷作为输出,并利用最新获得的输入输出样本对进行适应训练,最后可得出基本预测值;第二个模块采用自适应最优模糊逻辑系统(FLS)建模,首先通过最近邻聚类算法对负荷历史数据进行分组,再将一个数组(一个聚类)视为一个数据对,用最优模糊逻辑系统来进行预测系统的建模;第三个模块是实现在前两个预测的基础上,针对其预测方法的不足,考虑天气和特殊事件等影响负荷变化的主要因素,利用专家经验,建立模糊专家系统(FES)的修正机制。
1 基于人工神经网络的短期负荷预测方法
人工神经网络(ANN)具有很强的非线性映射能力、自适应和学习能力,适合于跟踪大型复杂电力系统负荷的变化。ANN还具有强大的联想、综合和推广的能力,使其可以适用于负荷预测。根据Kol-mogorov定理,一个3层的BP网络[1]就能以任意精度逼近任意复杂的非线性函数[2],因此笔者选择3层的全连接BP网络建立ANN模型。
1.1 学习算法
为了选择一种较好的BP算法,对常规的BP算法(BPX)、改进的变尺度法(EDFP)和正则化改进的高斯-牛顿法(LM)进行了理论分析和仿真对比,衡量的标准是平均训练耗时、平均训练误差和跳出局部极小的能力。结果表明,在解决小规模问题时,EDFP法是一种比较理想的方法。LM法则适用于解决中、大规模的问题。鉴于负荷建模的复杂性,选用LM算法作为神经网络的学习算法。
1.2 用于负荷建模的神经网络结构及训练样本集的选择
本文建立的ANN短期负荷预测系统是一个11-3-1结构的3层前馈神经网络,输出层有1个神经元,对应要预测的小时负荷值,即L(i,t)被预测的第i天第t小时的负荷值。
隐层有3个神经元。输入层有11个神经元,其中8个分别对应于下列负荷值:L(i,t-1)和L(i,t-2)对应于预测当天前2 h的负荷;L(i-1,t )、L(i-1,t-1 )和L(i-1,t-2)对应于预测前1 d相应3 h的负荷;L(i-7,t)、L(i-7,t-1)和L(i-7,t-2)对应于预测前1周相应3 h的负荷。
另外3个是二进制的日类型信息,说明待预测之日是星期几。其中:(0,0,1)、(0,1,0)、(0,1,1)、(1,0,0)、(1,0,1)、(1,1,0)、(1,1,1)分别对应星期一至星期日。输出层活化函数采用线性函数。隐层活化函数选择双曲正切sigmoid函数。
由于1 d中不同时段内负荷模型表现出不同的特征[3],故本系统采用“小时模型”,即不是建立1个预测24 h负荷的系统模型,而是建立24个子网络模型,分别对每个小时负荷进行预测。子网络的训练样本用以往各天同一小时的负荷。为了适应负荷模型的变化,采用动态选择训练样本的方法,训练样本有2个来源:一是时间上最近的30个样本,另一是通过计算“最短距离”选取的20个输入情况与待预测负荷最接近的样本。
1.3 预测计算步骤
ANN预测计算的步骤可以归纳如下:
(1)根据第1.2节建立的ANN模型,并选择训练样本输入、输出对集。
(2)把训练样本集的输入放到ANN的输入,得到ANN的输出。计算ANN输出期望值(即训练样本集的输出)与ANN的实际输出的误差,然后以LM算法修改网络的连接权值。反复计算误差和修改权值,直到误差达到一定的阀值以下。
(3)用训练好的ANN模型进行预测。
(4)根据不同的情况决定适应的周期,再根据该周期选取新的样本集用(2)的方法在保留原权值作为初始值的基础上对网络权值进行自适应调整,以跟踪负荷的最新变化,保证ANN模型的准确度。
2 基于自适应最优模糊逻辑系统的短期负荷预测方法
模糊逻辑系统可以用有限的规则逼近任意的函数关系,特别是具有非线性和随机性的关系,并对系统扰动不敏感(鲁棒性好),因此适用于负荷预测。
2.1 系统输入输出量的选取
本系统采用自相关分析法来对历史负荷时间序列进行分析,找到与预测输出最相关的因素作为系统的输入变量。自相关程度的大小可以用自相关系数rk来度量[4]:
式中 n为样本个数;k为滞后期;y为样本数据平均值。
预测要求输出量是24 h的预测负荷,在此过程中,采用“移动时间窗口”(即将当前预测值作为已知值预测再下一时刻的负荷)这一有效的技术,逐步递推实现,以获得较高的预测精度。
2.2 最优模糊逻辑系统
设有N对输入-输出数据对(xl,yl),l=1,2,…,N,且N较小,如N=30。则由中心平均模糊消除器、乘积推理规则、单位模糊产生器以及高斯隶属函数可以构造出模糊逻辑系统[5]:
这个模糊逻辑系统能将所有N对输入-输出数据对拟合到任意给定的精度,所以又可称之为最优模糊逻辑系统。
2.3 聚类分析
聚类分析就是通过无监督训练将样本按照相似性分类,把相似性大的样本归为一类,占据特征空间的一个局部区域,而每个局部区域的聚合中心又起着该类型的代表作用。本系统采用最近邻聚类学习算法将样本数据分组,使一组数据对应于模糊逻辑系统的一条规则。
2.4 预测计算
预测计算的过程如下:
①从历史数据中取一段数据(比如一个季节的数据),即时间序列{yi},i=1,2,…,根据自相关分析法产生数据对((xi,yi),i=1,2,…,n)作为学习样本。从第一个数据对(x1,y1)开始,在x1上建立一聚类中心点x10,且设Al(1)=yl,Bl(1)=yl,选择一半径r。
②假设考虑第k对数据(xk,yk)时,k=2,3,…已存在M个聚类,其中心分别为x10,x20,…,xM0,分别可求出该数据对到这M个聚类中心的距离|xk-xl0|,l=1,2,…,M,设|xk-xlk0|,为这些距离中的最小距离,即xlk0为xk的最近邻聚类,则:
如果存在lk∈{1,2,…,M},使|xk-xlk0|≤r,则将xk归为xlk0类,作如下运算:
Alk(k)=Alk(k-1)+yk
Blk(k)=Blk(k-1)+1
当l≠lk时,l=1,2,…,M,设
Al(k)=Al(k-1)
Bl(k)=Bl(k-1)
如果对于任意lk∈{1,2,…,M},有|xk-xlk0|>r,则将xk作为一个新类的中心点,即xM+10=xk。设AM+1(k)=yk,BM+1(k)=1,且保持Al(k)=Al(k-1),Bl(k)=Bl(k-1),l=1,2,…,M。
③当所有的n个样本对都经过处理后共获得M个聚类,则经过学习后的预测系统为
3 基于模糊专家系统的预测系统修正机制
由于历史数据(包括气象数据、重要事件数据、地方电源数据甚至负荷数据)不齐全或方法本身的缺陷,使得现有的负荷预测精度达不到要求。在这种情况下,利用专家经验可对负荷预测结果进行修正。
3.1 模糊知识表示和模糊推理方法
本系统采用规则表示方法。合成推理规则由Zadeh于1973年提出。其基本思想是:先求出规则“IFXisATHEN YisB”中的规则前件A和规则后件B的确定关系R,然后再将该关系与观察事实“Xis A′”中的规则前件A′进行合成,得到推理结果B′[6]。本系统采用合成推理规则,并采用下列规则形式
IFX1 is A1i THEN Y1 is F1k
…
IFXn is Anm THEN Yn is Fnk
式中 X1~Xn为输入数据;Y1~Yn为中间数据。
最后结果为Y=∑nl=1KlYl,其中Kl(l=1,…,n)为权值。模糊规则集将为n个一维矢量,规则数目相对较少,有利于人工确定模糊规则。
3.2 输入输出量的确定
由于本系统中的ANN预测模块和FLS预测模块均没有考虑天气因素的影响,并且缺乏特殊事件的数据,因此模糊专家系统的输入数据包括天气和特殊事件的数据。
天气方面将采用日平均气温和天气状况(晴、阴、雨)的数据,因为气温是天气诸因素中对负荷变化影响最大的一个,而天气状况的变化也会对负荷产生很大影响。特殊事件的处理包括节假日、重大的社会活动或者自然变动、事故、行政指令甚至地方电源的影响等。处理的办法是由有经验的调度人员对各种情况进行综合评分。为了减轻调度人员的工作负担,节假日可预先确定特殊方式。而当没有出现特殊事件时,由系统自动赋缺省值0。模糊专家系统的输出量就是预测负荷的修正量,即初始预测负荷与最终预测负荷的差值。
3.3 连接与修正机制
上述ANN、FLS预测模块和FES修正模块均已集成在以Delphi为平台的软件包下,FES修正模块与2个预测模块通过共用的预测数据库来连接,用ANN和FLS预测模块进行预测所得的数据均可存储在预测数据库中,FES修正模块可直接从预测数据库中读取数据并加以修正,最后结果再存入预测数据库。
4 负荷预测软件包与预测结果
本负荷预测系统软件包以Delphi为开发平台编制而成,现已投入试运行。系统各部分功能简介如下:
(1)负荷预测模块 该模块中集成了ANN预测方法、FLS预测方法和FES修正方法。在天气变化不大且没有特殊事件发生时,用FLS预测方法和ANN预测方法预测星期二到星期六的负荷,均可得到比较理想的结果,不必用FES进行修正。而对于星期日和星期一的负荷,或当天气突变、有特殊事件发生时,就必须利用FES修正方法对预测结果进行修正。
(2)数据库模块 在这一模块中可以对数据库进行刷新、清空、查看和修改的操作。
(3)预测结果查询模块 可以查看1~7天预测值、实际值的曲线图。
(4)预测误差查询模块 显示日负荷的24点误差、日(月)平均准确率和最高(低)准确率。
(5)帮助模块 各种预测方法的参数整定、设置范围及使用方法的说明和帮助信息。
对某省1999年连续一星期的历史负荷数据,分别用ANN预测方法和FLS预测方法进行实例验证,并用FES方法对星期日和星期一的预测数据进行修正,结果如表1所示。
从表中可以看出,用ANN预测方法和FLS预测方法对星期二到星期六的负荷进行预测,均能取得较为满意的预测精度,而对星期日和星期一负荷的预测结果则不够理想。这是因为星期日和星期一的负荷预测均要在星期五提前进行,所以无法利用星期六和星期日的实际负荷数据,而只能采用预测数据,这就造成了误差积累,导致星期日和星期一预测误差偏高,必须用FES进行修正。
5 结论
针对某省电网负荷的实际情况,设计了一模块化的综合智能化电力短期负荷预测系统,利用人工神经网络方法和模糊逻辑系统方法分别进行负荷预测,并用模糊专家系统方法对结果进行修正。这个系统已经形成软件包,并已投入试运行。在实际应用中,可以根据具体情况并结合各方法的特点,进行灵活组合预测,以取得较好的预测结果。如果能获得天气方面的其它数据和地方电源的运行状态数据,并在模糊专家系统的设计中考虑这些因素的影响,则将会大大提高负荷预测的精度。
参考文献:
[1] Rumelhart D E,Hinton G E,Willams RJ.Learning internalrep-resentation by error propagation[M].Parallel distributed Pro-cessing,Cambridge,MA:MIT Press,1986,1:318-362. [2] 韦岗,贺前华.神经网络——模型、学习及应用[M].北京:电子工业出版社,1994. [3] Pqre M D,et al.Practical experienced with an adaptive neural network short-term load forecasting system[J].IEEE Trans on Power Systems,1995,10(1):254-265. [4] 易丹辉.统计预测——方法与应用[M].北京:中国人民大学出版社,1990. [5] 王立新.自适应模糊系统与控制——设计与稳定性分析[M].北京:国防工业出版社,1995. [6] 李凡.模糊专家系统[M].武汉:华中理工大学出版社,1995.
|