刘进波　+陈鑫　+李新花

摘 要 通过对BP神经网络输入负荷值的归一化处理，同时采用LevenbergMarquardt（LM）算法，建立了一个改进了的BP神经网络，同时用它来对电力系统进行短期负荷预测.LM算法有效地提高了BP神经网络的收敛速度和负荷的预测精度.仿真结果表明，改进了的BP神经网络具有很高的预测精度和较强的适用能力.

关键词 BP神经网络；电力负荷预测；LM算法

中图分类号 F224 TP183 文献标识码 A

Power System ShortTerm Load Forecasting Based

on LevenbergMarquardt Algorithm BP Neural Network

LIU Jinbo， CHEN Xin， LI Xinhua

（School of Mathematics and Computational Science， Changsha University

of Science And Technology， Changsha，Hunan 410004，China）

Abstract By utilizing the normalization for the input load values of BP neural network and adopting LevenbergMarquardt algorithm， this paper established an improved BP neural network and investigated the power system shortterm load forecasting. LevenbergMarquardt algorithm improves the convergence speed and the load forecast accuracy. The simulation results show that the improved BP neural network can offer higher forecast precision and has greater applicability.

Key words BP neural network； Power load forecasting； LevenbergMarquardt algorithm

1 引 言

电力负荷预测是以电力负荷为对象进行的一系列预测工作.从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测.其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据.电力系统短期负荷预测能够预测提前一天至一周的电力负荷值，它不仅对确定日运行方式有十分重要的作用，而且也是确定负荷调度方案、地区间功率输送方案和机组组合方案所不可或缺的.电力负荷预测的结果，不仅对大中型电力用户来说，在安排生产计划、估算经济成本和效益、以及规划近、中期的生产规模都具有十分重要的意义，而且对地方政府在资源配置、产业布局等经济决策中有重要的参考价值[1].

人们经过长期的研究与实践开发了多种电力负荷预测方法，主要分为定量预测技术及定性的经验预测技术.常用的定性经验预测方法有主观概率法、专家预测法（专家会议法、德尔菲法等）、类比法等方法.常用的定量预测技术有人工神经网络预测技术、经典技术（弹性系数法、负荷密度法、单耗法、比例系数增长法等）、模糊预测技术、回归模型预测技术、专家系统预测技术、趋势外推预测技术、灰色模型预测技术、优选组合预测法、时间序列预测技术等[1，2].

经 济 数 学第 32卷第2期

刘进波等：基于LM算法的BP神经网络的电力负荷短期预测

目前利用BP神经网络技术对电力负荷进行短期预测是国际上公认为比较有效的方法[3，5-11]，但传统的BP神经网络技术因收敛速度比较慢，学习效率低，泛化能力差等缺陷而有待进一步的改进和完善，正因于此，本文研究了基于LM算法的BP神经网络的电力负荷短期预测问题，在总结现有理论成果的基础上主要对BP神经网络的算法、网络结构、输入数据的预处理等方面进行了研究，并应用到电力负荷的短期预测上.仿真结果表明，改进了的BP神经网络具有很高的预测精度和较强的适用能力.

2 BP神经网络

2.1 BP神经网络的结构

在电力系统负荷预测中，目前应用较多的是反向传播网络（Back Propagation Neural Networks），简称BP网络.它是由Rumelhart等研究者为了解决多层网络的学习问题于1986年提出来的.BP网络由输入层、隐含层、输出层这三个神经元依次组成，各层次之间的神经元按照一定的权重相互连接，但同一层次之间的神经元没有形成反馈连接.

1989年，Robert HechtNielsen证明了对于任何闭区间内的一个连续函数都可以用一个隐含层的BP网络来逼近（拟合），因而，一般选用一个三层的BP网络来进行训练学习[3].

2.2 标准BP算法

BP算法是一种有监督的学习算法.其基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成.信号正向传播时，输入样本从输入层传入，经过各隐藏层逐层处理后，传向输出层.若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段.误差反向传播是将输出误差以某种形式通过隐藏层向输入层逐层反传，并将误差分摊给各层的每个单元，从而获得各层每个单元的误差信号，这种误差信号将作为修正各单元权值的依据.此种信号正向传播与误差反向传播的各层权值调整过程，是不断重复地进行的.权值不断调整的过程，也就是网络的学习训练过程.这种过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止[1-3].