崔 亚，任明炜

（江苏大学 电气信息工程学院，江苏 镇江 212013）

随着经济的发展，电力用户对供电可靠性、电能质量的要求越来越高，传统的集中式发电面临严重的限制。近几年来，微网作为一种新型的供电系统正受到各国相关部门和研究机构的重视，美国、欧盟、日本等发达国家相继建立了微网试验平台和试点工程，在微网研究方面也取得了很多成果。中国微网研究还处于起步阶段，主要通过理论探索、物理动态模拟、数字仿真等手段对微网的电能质量调节和控制策略进行研究，从而提高微网的供电质量。文献［1］提出微网并网运行的难点、思路及管理方法，保障微网过渡运行的安全性；文献［2］通过优化电力电子装置的结构、安装有源滤波器以控制有功、无功的输出，减少三相不平衡、抑制谐波生成以达到平稳供电电压的目的；文献［3］通过微网中的储能元件来改善微网的动态性能；文献［4-5］介绍孤网与并网模式下的控制策略以及微网的3种微源控制策略，通过一定的控制策略来实现在孤网和并网2种运行模式下的无缝对接，减缓电压的波动，从而提高了电网供电的稳定性和可靠性。

短期负荷预测是电力系统优化调度的基础，是保障供电稳定性的重要手段，高品质的供电需要微网供电能够紧跟负荷的变化，因此，如何改善微网的短期负荷预测能力将是提高电能质量的重要课题之一。近年来，使用神经网络分类器对微网进行负荷预测已得到应用，由于影响微网供电的因素非常复杂，且具有极强的不确定性，仅使用单分类器较难获得令人满意的预测精度，针对这种情况，笔者提出采用多重分类器系统对微网进行负荷预测，进一步提高预测的准确度，缓解预测精度差的困扰。

1 基于神经网络系统的多重分类器

1.1 神经网络及BP算法

用于预测负荷的神经网络［6］实际是一种具有3层单相传播的前馈网络，分别称之为输入层、隐含层、输出层，上、下层之间各神经元实现权连接，正是由于神经元算法中引入了隐含层，才使输入到输出可以映射任何函数关系，组成神经网络的各神经元通过一定的权值连结在一起，并且神经网络在使用之前必须确定这些权值，对于前馈神经网络模型有很多权值修正法，其中比较典型的是BP算法。由于在线学习的速度远高于离线学习速度，一般采用BP在线学习，而传统的训练方法存在网络训练时间长、收敛速度缓慢的缺点，因此，可以采用附加动量方法［7］来提高训练的收敛速率。

1.2 BP神经网络多重分类器

神经网络单一分类器［8］是指使用BP神经网络、径向基神经网络或学习向量量化神经网络等单独构建的神经网络分类器。各分类器受自身结构的限制，在相同条件下不同分类器的预测结果准确度参差不齐，若能将不同分类器的优点结合起来，通过算法融合构建出一个多重分类器，实现各分类器的优势互补，就可以有效地提高预测精度。将多个分类器分类结果使用融合技术进行融合，其总体结构如图1所示，各分类结果通过算法融合，得出最终结果。

图1 多重分类器系统Figure 1 Multiple classifier system

1.3 多重分类器决策融合的负荷预测模型

微网的负荷变化虽然存在随机性，但就宏观而言是呈一定规律分布的，将负荷历史记录按照时间远近分类，按照“近大远小”［9］的原则分配相应的权重，最后将各单分类器的结果以适当的融合策略组合起来，以获得更加高效的预测结果。如图2所示，每个单分类器与其对应的输入、输出都是一个3层BP神经网络，该系统共由3个单分类器构成；融合技术采用“加权平均法”，这种方法根据各单分类器对给定测试样本的输出，输出结果分配相应的权重，最后取平均值。

图2 基于神经网络的多重分类器系统模型Figure 2 Neural network based multiple classifier system model

图2中最顶层为训练数据，分为3个训练区，分别存放着最近24h，3天和1周的用电负荷数据以及影响负荷变动的因素（例如当前天气、温度、节假日等）。系统为这3个训练区分配了3个单分类器，各单分类器采用神经网络BP算法对训练数据进行在线学习，分别得到各单分类器的输出数据。其中BP神经网络分类器结构如图3所示。

图3 BP网络结构Figure 3 BP network structure

输入层：负荷数据与温度、天气、节假日信息；输出层：待预测24h的负荷预测值；隐含层：根据Kolmogorov定理［10］得到隐含层数目n1＝（n＋m）1／2＋a，其中，n为输入神经元数目，m为输出神经元数目，a为［1，10］之间的常数。

2 短期负荷预测的建模与仿真

2.1 网络的建立、设定与仿真

Matlab提供了神经网络工具箱（Neutral Network Toolbox），该工具箱为BP神经网络提供了newff，train和sim这3个函数，首先用newff函数建立网络，根据样本数目确定输入、输出、隐含层数目，变换函数与输出函数的选定；再用train函数训练网络，预先设置好训练参数，训练网络使得预测结果与输出结果的误差保持在一定范围以内；最后sim函数利用已经训练好的网络，对测试数据进行仿真运算。

参数设定：设置学习速率为0.5，迭代次数T＝1 700次，误差精度为10-6。通过天气预报可得预测当日的最高、最低气温特征值；天气特征值：0，0.2，0.5和1分别表示晴天、多云、阴天、雨天；日期类型规定：0.6和0.7分别表示工作日、休息日。

输入样本做归一化［11］预处理，将数据处理为［0 1］区间内的数值，输出的结果用反归一化得到实际预测数据。归一化公式为

2.2 分类结果的融合

该预测系统按照时间远近，根据“近大远小”的原则给各分类器分配相应的权重，时分类器权重ω1设为0.5，天分类器权重ω2为0.3，周分类器权重ω3为0.2，预测的结果用“加权平均法”融合，其计算公式为

2.3 Matlab模拟波形对照

以某地预测结果为例，单分类器单独工作（以时分类器为例）的预测负荷曲线、多重分类器模型预测负荷曲线与实际负荷曲线的对比如图4所示。试验结果：单分类器的负荷预测值最小、最大、平均绝对百分误差分别为0.07%，-8.41%，3.67%；而多重分类器预测负荷最小、最大、平均绝对百分误差分别为0.03%，-3.24%，2.05%。由图4对比亦知，多重分类器系统的预测负荷曲线更接近于实际负荷曲线。

图4 单分类器、多重分类器与实际负荷曲线对比Figure 4 Load curve contrast between the actual value andthe forecasting value recorded by single classifier，and multiple classifier

3 结语

通过将神经网络与分类器相结合，笔者组建了多重分类器系统用于微网的短期负荷预测，多重分类器的预测精度明显高于单分类器的预测精度。多重分类器的预测精度更高的原因在于：①当一个分类器发生错误时，其他分类器会即时进行纠正和弥补，这就使得系统得出的结论正确率得到了大大的提高；②一个复杂的问题往往可以被分解成一系列易于解决的小问题，通过多重分类器可以分别解决这些问题，再将最终结果整合进系统结果当中，从而有效地降低了时间和空间的复杂度。

［1］李玮，武志刚，程鲁文，等.智能微网及其可靠并网研究［J］.电力科学与技术学报，2012，27（4）：24-29.

LI Wei，WU Zhi-gang，CHENG Lu-wen，et al.Rasearch of intelligent microgrid and the reliability of its incorporating［J］.Electric Power Science and Technology Journal，2012，27（4）：24-29.

［2］禹华军，潘俊民.PWM整流技术在光伏并网发电系统中的应用［J］.电力电子技术，2005，39（6）：132-135.

YU Hua-jun，PAN Jun-ming.PWM rectifier technology in the application of photovoltaic（pv）grid power generation systems［J］.Power Electronics Technology，2005，39（6）：132-135.

［3］Indrani Maity，Shrisha Rao.Simulation and pricing mechanism analysis of a solar-power electrical microgrid［J］.IEEE System Journal，2010，4（3）：275-284.

［4］Nima Amjady，Farshid Keynia，Hamidreza Zareipour.Short-term load forecast of microgrids by a new bilevel prediction strategy［J］.IEEE Transactions on Smart Grid，2010，1（3）：286-294.

［5］Prodanovic M，Green T C.High-quality power generation through distributed control of a power park microgrid［J］.IEEE Transactions on Industrial Electronics，2008，53（5）：1 471-1 482.

［6］欧建平，李丽娟.人工神经网络在电力系统短期负荷预测中的应用［J］.广东电力，1999，2（2）：194-196.

OuJianping，Li Lijuan.Artificial neural network application in the electric power system for short-term load forecasting［J］.Guangdong Electric Power，1999，2（2）：194-196.

［7］张有兵，翁国庆.分布式发电系统中的人工智能技术［J］.电力科学与技术学报，2009，24（1）：19-25.

ZHANG You-bing，WENG Guo-qing.The technology of artificial intelligence in distributed generation systems［J］.Electric Power Science and Technology Journal，2009，24 （1）：19-25.

［8］史峰，王小川，邹磊，等.MATLAB神经网络30个案例分析［M］.北京：北京航空航天大学出版社，2010.

［9］李永斌.短期电力负荷预测模型的建立与应用［J］.计算机仿真，2011，28（10）：316-319.

LI Yong-bin.Establishment and application of shortterm power load forecasting model［J］.Computer Simulation，2011，28（10）：316-319.

［10］Kodogiannis V S，Anagnostakis E M.A study of advanced learing algorithms for short-term load forecasting［J］.Engineering Applications of Artificial Intelligence Journal，1999，44（9）：159-173.

［11］柳小桐.BP神经网络输入层数据归一化研究［J］.机械工程与自动化，2010（3）：122-126.

LIU Xiao-tong.The research of normalization of input layer’s data in BP neural network［J］.Mechanical Engineering and Automation，2010（3）：122-126.