蔡金明，纪 涛，周方琪

（国网浙江德清县供电公司，浙江德清313200）

基于神经网络与综合气象因素的短期负荷预测

蔡金明，纪 涛，周方琪

（国网浙江德清县供电公司，浙江德清313200）

建立每日96点的负荷预测综合模型.引入人工神经网络（ANN）模型，将人体舒适度和历史负荷数据共同作为人工神经网络的输入，建立人工神经网络（ANN）模型，对浙江某市每日96点负荷进行分段预测.每日96点预测值的平均相对误差绝对值可以达到1.3%以下，达到了短期负荷预测精度要求.

负荷预测；神经网络；气象因素；人体舒适度；历史数据；预测模型

0 引言

随着国家经济的进步，居民拥有空调的数量越来越多.而在夏天，气象因素很大程度上决定了电网负荷的大小和波动规律.有学者对负荷与各个气象因子的相关性进行了研究，并且有文献总结出了气象敏感负荷与各个气象因子之间的相关性系数.也有文献采用回归理论建立了各时段气象敏感负荷与各气象因素的关系模型，但回归分析方法存在自身的缺陷，多元非线性方程组的求解十分困难，容易出现不收敛的情况；有时无法满足实时性的要求［1］.人工神经网络具有很好的学习能力，而且非线性映射能力较强.它的学习、预测过程可以通过计算机完成，可以做到工作量小、精度高和实时性.

基于以上问题，本文综合各个气象因子对负荷的影响提出了“人体舒适度”这一综合气象指标，将人体舒适度指数和历史电网数据一起作为神经网络单元的输入，建立综合考虑各种气象因子的短期负荷预测人工神经网络（ANN）模型.

1 考虑综合气象指数的负荷预测

1.1 气象因素对人体的影响［2］

气象包含的因素较多，有降雨量、气压、气温、风速、相对湿度等.电网负荷会受温度、湿度等各种气象因素的共同作用，尽管我们日常只用气温的大小来表示当天的冷暖，但是气象因素对电网负荷的影响必须考虑各个气象因素的综合影响.气温、湿度、辐射、气压、风速等气象因素都会对电网负荷造成相应的影响，导致负荷的增加或减少［3］.

1.2 人体舒适度指数的引入

人体对周围环境的感受一般会受风力、气温和湿度等因素的影响，“人体舒适度”概念的引入也因此而来.所谓“人体舒适度”是指在不特别采取防暑降温或防寒保暖措施的条件下，人体在自然环境中感受到舒适程度的一种综合表达形式.为了准确、科学地总结、归纳天气条件对人体生理的影响程度，提出了人体舒适度指数的概念［4］.

风速大小、相对湿度和气温的高低是影响人体舒适程度的主要气象因素，但是各个气象因子在评价人体舒适度时所占的比重是不一样的.人体舒适度指数就是为了从气象角度来评价在不同气象条件下人的不同舒适度感觉，是根据人体与周围环境相互作用而归纳的生物气象指标［5］.具体计算公式为：

式中：DI是人体舒适度指标；T是温度（℃）；U是相对空气湿度（%）；V是风速（m/S）.

夏季环境温度很高，人体舒适度指数的变化将直接作用于空调和制冷负荷的改变.因此，人体舒适度同夏天电网负荷的关联性要强于风速、日照时间、气温等单一气象因子与负荷的关联性［5］.

1.3 浙江地区人体舒适度公式

结合浙江地区实际的气象条件和夏季负荷特性.本文拟定浙江地区夏季的人体舒适度计算公式为：

式中：各参数的含义与式（1）相同.

2 预测模型的建立与数据处理

2.1 预测模型的总体结构

由于要预测的是预测日全天96个点的负荷值，它们的幅度各相不同；而且更为关键的是如果采用一个网络来同时预测96点的负荷值，训练时的输入量非常多，网络结构异常庞大，训练所需时间长，且精度下降.因此有必要用96个不同的神经网络来进行分时段训练和预测.预测模型的总体结构如图1.

Fig. 1 Overall structural diagram of Prediction model

2.2 样本数据的选择与处理

2.2.1 样本数据的选取

在本文中，选择某市某年夏天（7月1日至8月31日）的负荷数据和气象数据作为神经网络学习和预测的样本数据.其中7月1号至8月25日作为训练样本数据，8月26日至8月31日作为预测用数据.在数据中，已经剔除节假日数据.对于工作日样本和双休日样本数据，在训练和预测时，针对不同的日期类型进行赋值，工作日（周一至周五）取0.2，双休日（周六至周日）取0.6.气象部门给出的气象数据为每日24点，所以需要采用插值法获取每日96点气象数值.

2.2.2 数据归一化处理

如果用收集的数据直接对构建的神经网络进行训练，容易导致神经元饱和，从而影响神经网络的预测精度.为了消除这一现象，需要对数据做归一化处理.研究表明，以恰当的方式对数据进行归一化处理可以加快神经网络的收敛.在归一化处理之后，需在输出层反归一化换算回原始值［6］.

其中，xmax、xmin分别为训练数据输入变量的最大值和最小值，xi、yi分别为输入样本归一化前后的值.

3 预测实例及其结果

3.1 MATLAB程序实现

使用循环语句逐次对每日96个时段的模型进行训练、预测，最后得到预测日的96点负荷值.其中日期类型的工作日取0.2，双休日取0.6；隐含层的神经元数目选择75个；隐含层和输出层的激活函数取双曲正切型Sigmoid函数；学习速率取LP.lr=0.02；训练误差取net.trainParam.goal=0.001；最大训练次数取net.trainParam.epochs=1 000；数据归一化到（-1，1）.

3.2 不同神经网络算法下的预测结果

3.2.1 有动量和自适应学习速率的梯度下降法

基于有动量和自适应学习速率的梯度下降法的预测结果见图2.

Fig. 2 Prediction based on momentum and adaptive learning rate of the gradient descent method

3.2.2 弹性梯度下降法

基于弹性梯度下降法的预测结果见图3.

3.2.3 非线性阻尼最小二乘法（Levenberg-Marquardt）

基于Levenberg-Marquardt法的预测结果见图4.

Fig. 3 Prediction based on elastic gradient descent method

Fig. 4 Prediction based on Levenberg-Marquardt method

4 基于神经网络和综合气象因素的负荷预测评价

通过以上实例发现，在引入“人体舒适度”的综合气象因素后，在不同神经网络算法下，预测结果都达到了较高的预测精度.采用有动量和自适应学习速率的梯度下降法时96点平均相对误差绝对值为1.231 1%，采用弹性梯度下降法时平均相对误差绝对值为1.386 9%，采用非线性阻尼最小二乘法时平均相对误差绝对值为1.149 6%，且96个预测点的最大误差控制在3%以内.

在夏季最热的时间，同时又是负荷变化最剧烈的时期，达到上述预测精度，说明神经网络应用于负荷预测的可行性.同时，在预测过程中也发现BP网络的不同算法对预测的收敛速度、预测的精度都有很大的影响.弹性梯度下降法的收敛速度很快，但是预测的精度不高；非线性阻尼最小二乘法的预测精度相对较高，从表4可以发现，96个预测点的最大误差小于3%，但是非线性阻尼最小二乘法的训练速度比较慢，该方法适用于对中小型网络的预测，且计算机的内存足够，否则无法满足实时性的要求；有动量和自适应学习速率的梯度下降法的收敛速度和预测精度都介于两者之间.因此，在实际预测时，具体采用何种训练算法要依具体的实时性和精度要求而定.

另外，在预测过程中发现，预测结果的准确与否，与样本数据的选择有很大的关系，如何选择有代表性的样本数据直接关系到最后预测的精度.在训练神经网络时，隐含层的神经元数选取、学习速率的选取、期望误差的选取都没有一个确定的规则，需要不断地尝试和调整.一个具体的网络对某一地区的负荷预测是有效的，而对另一地区的负荷预测可能误差会非常大.因此，选择合适的神经网络结构和参数也十分重要.

5 结语

本文提出了“人体舒适度”这一综合气象指标，并且引入人工神经网络（ANN）模型.将人体舒适度指数和历史负荷数据共同作为人工神经网络的输入，建立人工神经网络（ANN）模型，对浙江某市每日96点负荷进行分段预测.人体舒适度不仅与夏季负荷的相关性要强于温度、湿度等单个气象因子，而且把人体舒适度作为神经网络的输入，减少了人工神经网络的输入单元，加快了网络收敛速度，并且可以突出与负荷相关性强的因素，弱化与负荷相关性弱的因素，有效地提高预测的精度.

［1］朱振伟.气象因素对电网负荷特性影响的研究［D］.杭州：浙江大学硕士学位论文，2008：8-11.

［2］康重庆，周安石，王鹏，等.短期负荷预测中实时气象因素的影响分析及其处理策略［J］.电网技术，2006，30（7）：5-10.

［3］莫维仁，张伯明，孙宏斌，等.短期负荷预测中选择相似日的探讨［J］.清华大学学报，2004，44，（1）：106-109.

［4］秦海超，王玮，周晖.人体舒适度在短期电力负荷预测中的应用［J］.电力学报，2006，21（2）：143-145.

［5］袁飞，肖晶，卢毅.基于人体舒适度指数的夏季负荷特性分析［J］.江苏电机工程，2005，24（6）：5-7.

［6］刘凯.基于改进BP神经网络的短期负荷预测研究［D］.南京：河海大学，2005：2-3.

Short-term Load Forecasting Based on Neural Networks and Comprehensive Meteorological Factors

CAI Jinming，JI Tao，ZHOU Fangqi
（State Grid Zhejiang Deqing County power supply Corporation，Deqing 313200，China）

The paper proposes a comprehensive model for load forecasting of daily 96-points combined with artificial neural network（ANN）model which takes human comfort and historical load data as an input.The model executes segmented load forecasting for daily 96-point of a city in Zhejiang，and it has been found that the daily 96 points average absolute value of the relative error of the predicted values can be controlled under 1.3%，and it meets the requirements of the short-term load forecasting.

load forecasting；neural network；meteorological factors；human comfort；historical load data；prediction model

TM744

A

1009-1734（2016）04-0089-05

［责任编辑 吴志慧］

2015-09-10

蔡金明，助理工程师，研究方向：配电网负荷预测、配电网技术.E-mail：120424514@qq.com