孙文革
（新疆职业大学机械电子工程学院，新疆 乌鲁木齐 830013）
【摘 要】为提高电力负荷预测精度，本文采用Elman神经网络建立模型，提出了一种基于Elman神经网络的电力负荷预测方法，采用自适应学习速率动量梯度下降反向传播算法进行网络训练，对乌鲁木齐电网的实际历史数据进行了仿真，仿真结果表明，Elman神经网络对电力负荷进行预测具有收敛速度快，预测精度高的优点。
教育期刊网 http://www.jyqkw.com
关键词 Elman神经网络；预测模型；电力负荷；仿真
Design of Power Load Forecasting Based on Neural Network
SUN Wen-ge
(Deparnment of mechatronic engineering, Xinjiang Vocational University, Urumqi Xinjiang 830013, China)
Abstract: In order to improve the precision of forecasting of power load, in this paper, a Elman artifical neural network (ANN) approach for load forecasting is proposed and the model based on Elman neural network. In the training algorithm of the network, a back-propagation algorithm with adaptive learning speed and momentum gradient-falling is used, the forecasting model tested by actual data from Urmqi electric network, simulation results indicate that the forecasting for power load based on Elman neural network features quick convergence speed and high forecasting precision.
Key words: Elman neural network; Forecasting model; Power load; Simulation
作者简介：孙文革（1967.06—），汉族，甘肃人，本科，实验师，研究方向为电子技术及自动控制技术。
0 引言
电力系统由电力网、电力用户共同组成。其任务是给广大用户不间断的提供经济、可靠、符合质量标准的电能，满足各类负荷的需求，为社会发展提供动力。由于电力的生产与使用具有特殊性，即电能难以大量的储存，而且各类用户对电力的需求是时刻变化的，这就要求系统发电出力应随时紧跟系统负荷的变化动态平衡，即系统要最大限度的发挥出设备能力，使整个系统保持稳定且高效的运行，以满足用户的需求。否则，就会影响用电的质量，甚至危及整个系统的安全与稳定。因此，有必要对电力系统负荷进行准确的预测，以为电力生产顺利进行提供前提和基础。
负荷预测的核心问题是预测的技术问题，或者说是预测的数学模型。传统的数学模型是用现成的数学表达式加以描述，具有计算量小、速度快的优点，但同时也存在很多的缺陷和局限性，比如不具备自学习、自适应能力、预测系统的鲁棒性没有保障等。特别是随着我国经济的发展，电力系统的结构日趋复杂，电力负荷变化的非线性、时变性和不确定性的特点更加明显，很难建立一个合适的数学模型来清晰的表达负荷和影响负荷的变量之间的关系。而基于神经网络的非数学模型预测法，为解决数学模型的不足提供了新的思路。
目前在电力系统负荷预测领域应用的较多的是BP神经网络，尤其是短期负荷领域应用的较为广泛[1]，该方法实际上是利用静态前馈网络对动态网络进行辨识，将动态时间建模问题变为静态建模问题，这样会带来很多问题，而能够准确反映系统动态特性的网络应该是动态神经网络，即回归神经网络[2]。Elman回归神经网络即属于典型的动态神经网络，它在BP神经网络结构的基础上，通过存储内部状态使其具备映射动态特征的功能，从而使系统能够更好的适应电力负荷的非线性事变特征。
本文尝试使用Elman神经网络建立电力负荷预测模型，利用乌鲁木齐市2008年10月份电力负荷数据进行训练与仿真，仿真结果具有较好的收敛性和鲁棒性，取得了较满意的预测效果。
1 Elman神经网络
1.1 网络结构
Elman神经网络是Elman与1990年提出的，本质上属于反馈型神经网络，该模型在前馈网络的隐含层中增加了一个承接层，作为一步延时的算子，以达到记忆的目的，从而使系统具有适应事变特性的能力，能直接动态反映动态过程系统的特性。
Elman型神经网络分为4层：输入层、隐含层、承接层和输出层。如图1所示。输入层、隐含层、输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可以采用线性或非线性函数，承接层又称为上下文层或者状态层，用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，可以认为是一个一步延时算子。
Elman神经网络的特点是隐含层的输出通过承接层的延迟与储存，自联到隐含层的输入。这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，从而达到动态建模的目的。此外，Elman神经网络能够以任意精度逼近任意非线性映射，可以不考虑外部噪声对系统影响的具体形式，如果给出系统的输入输出数据对，就可以对系统进行建模[3]。
1.2 网络学习过程分析
Elman网络的非线性状态空间表达式为：
式中，k表示时刻；y为m维输出节点向量；x为n维中间层节点单元向量；u为r维输入向量；xc为n维反馈状态向量。w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层的连接权值。g(*)为输出神经元的传递函数，f(*)是中间层输出的线性组合。 为中间层神经元的传递函数，常采用s函数。
网络采用BP算法进行修正，学习指标函数采用误差平方和函数：
2 模型建立及仿真
建模的核心问题是确定神经网络的输入、输出接点，能使其反映电力负荷的运行规律，从而达到预测未来时段负荷的目的。
一般来说，电力系统的负荷高峰通常出现在每天的9-19点之间，本文对乌鲁木齐市2008年10月10日-18日每天9-11点共3小时逐时负荷进行预测。电力系统复合数据如表1所示，表中数据已经经过归一化。
利用前8天的数据作为网络训练样本，每3天的负荷作为输入向量，第4天的负荷作为目标向量。这样可以得到5组训练样本。第9天的数据作为网络的测试样本，验证网络能否合理的预测出当天的负荷数据。
神经网络网络预测曲线及预测误差曲线分别如图2和图3所示。
由图3可知，网络预测误差较小，但是，中间神经元为14时出现了较大的误差，这是因为训练样本太小导致的。当中间神经元为11个时，网络的预测误差最小，也就是预测性能最好。因此，对于本系统，中间层神经元的最佳数量为11个。
3 结论
电力系统的复杂性造成了负荷预测的困难，本文利用Elman神经网络具有的良好的动态特性，建立电力负荷的预测模型进行了数据预测，仿真结果证明Elman神经网络具有动态特性好、逼近速度快、负荷预测准确等优点，在电网用电量预测领域具有广阔的应用前景。
需要指出的是，由于电力负荷特性变化受制于诸多因素，而基础数据信息的局限、天气信息数据的缺乏等情况都会影响负荷预测精度。另外，对于电力预测来说，只考虑历史数据是不够的，对于一个实际的时间序列，它的预测值不仅取决于历史数据，还受许多突变因素的影响，由于工作日和节假日的符合不同，还要考虑时间特征值[5]。
为避免预测时出现相对较大的误差，可以通过加大样本量，事先提出错误数据等措施来提高预测精度。
教育期刊网 http://www.jyqkw.com
参考文献
［１］邵莹,高忠文．基于模糊集理论的短期电力负荷预测[J]．信息技术,2005(5):18-23．
［２］芮执元,任丽娜,冯瑞成．基于Elman神经网络的甘肃电网负荷预测模型[J]．现代电力,2007,24(2):26-29．
［３］飞思科技产品研发中心．神经网络与MATLAB7实现[M]．北京:电子工业出版社,2005．
［４］吴微,徐东坡,李正学．Elman网络梯度学习法的收敛性[J]．应用数学和力学,2008(9):114-119．
［５］王艳,秦玉平,张志强．一种改进的Elman神经网络算法[J]．波翰大学学报:自然科学版,2007(4):24-35．
［责任编辑：汤静］
