巩晓锋

（大连市城市规划设计研究院，辽宁 大连116012）

1 人工神经网络原理

目前，人工神经网络的研究领域，有代表性的网络模型达数十种，并且随着应用研究的不断深入，新的模型也在不断推出。人工神经的研究和应用多是以下4种基本模型及其改进型：Hopfield神经网络、多层感知器、自组织神经网络和概率神经网络。在电力等系统负荷预测中，应用最多的是带有隐层的前馈型神经网络。它通常具有输入层、输出层和若干隐层组成。假如某一前馈型神经网络，有m层，每一层有若干个神经元，第k层第j个神经元具有下列输入输出关系：

Nk为第k层神经元数目；m为总层数。

利用上式可以求出网络总输入y1(0),y2(0),……,yN(0),与输出 y1(m),y2(m),……,yN(m),之间的关系式。实际上，代表输入输出的有关信息主要分布在神经元之间的连接上，不同的连接强度反映不同的输入输出关系。在对结构确定的神经网络进行训练时，一般是通过一定算法逐步修改各神经元之间的权重等参数而使计算结果趋近于实际目标，当计算结果与实际目标之间的误差达到允许值时，则称对该网络的训练结束。

2 预测结果分析

2.1 课题背景

在本项目中，笔者采用Matlab神经网络工具箱建模，以7天为周期组织2005年—2009年的小时负荷及各天相关数据作为样本神经网络进行训练，在满足训练精度要求后，将到的人工神经网络应用于2010年的小时负荷预测工作。

2.2 预测结果及分析

为使数据的预测结果更具直观性，编程输出 “误差数据”并研究其特点，为提取这些数据所包含的信息，笔者分别以天、周等作为周期重新组织数据组织，对比对应时间点误差变化的特点，考虑燃气提供商的运作特点，分析误差产生的原因并提出可能的改进方向。

2.2.1 全年小时负荷预测结果统计

笔者将训练后的神经网络用于预测2006年-2010年小时负荷，并分析预测误差的分布情况：整体看2010年的小时负荷预测结果与其他年预测结果相似，且略好于其他各年.具体表现在2010年预测误差大于30%的数据总量明显小于其它各年，误差在10～30%之间的数据大量增加。总结起来，2005年数据好于其他各年的原因可能有以下两点：

（1）用气户数的增加：总用气户数增加，更好地表现居民的用气规律，增强负荷的“日周期”规律，减小用气量的随机波动，从该市的用户统计中可以得到证明。

（2）工业用气量的增加：工业用户生产连续，用气稳定，因而工业用气量的增加可以使总用气波动相对减小，有利于提高预测精度。该市近两年来工业投资大量增加，工业用户持续增长，为稳定用气、提高负荷预测精度发挥了积极作用。

2.2.2 全年误差分布图

为分析燃气小时负荷预测全年的误差分布，笔者统计1月至12月的各月误差分布，从数据中我们可以总结出各月数据有以下特点：

（1）各误差区间内，全年各月误差分布相似，误差波动小。

（2）全年1月份误差在30～100%间的数据明显比其它各月高，其超过一月份总数据量的20%。

（3）在误差大于100%的区间上，11月误差占其总数据量的10%(明显大于其它各月)。

笔者分析产生以上现象的原因可能有以下几点：

1）从整体上来看，全年中用户的用气规律基本保持一致，或者说用气规律保持缓慢、连续的变化，因而预测精度没有出现大变化；

2）1月小时负荷预测精度低，这种现象的出现可能是由于重大节日(如元旦)期间用气规律突变所致。

3）现象(3)的产生从数据上原因未确定，可能由于操作失误或有工业大用户增减等原因。

3 结论及改进方向

3.1 建立有效的数学模型

针对每天凌晨预测误差大的现象，建议以此为课题，考虑以管网的储气容积、城市夜间燃气消耗量、燃气公司间歇供气量作为边界条件建立数学模型，用于研究燃气负荷预测。

3.2 细致分析一月份误差大的真实原因

针对春节、元旦等重大节日编写相对独立的预测程序，预期此工作可能进一步提高重大节日的负荷预测精度。

3.3 加强与燃气公司技术合作

信息沟通，将第一手的负荷资料、工程管理信息与研究人员的预测理论相结合，有助于深入研究燃气负荷的规律。

3.4 关注人工神经网络方面的动态信息

提取燃气负荷的波动特性，考虑改造人工神经网络，同时关注人工神经网络与其它预测工具融合的可能性。

［1］林锦顺，姚俭.基于BP神经网络的组合预测及在电力负荷的应用[J].上海理工大学学报，2005，27(5)：451-455.

［2］周中明，李建平，张鑫，等.ANN在电力系统中期负荷预测中的应用[J].电力系统及其自动化学报，2003，15(2)：157-160.