朱斌，姜宁，霍雪松，王勇，吴海伟，孙凯祺，胡爽
（1．国网江苏省电力公司，江苏南京 210024;
2．国网南京供电公司，江苏南京 210019；
3．山东大学电气工程学院，山东济南250061）
——
摘要：城市电网核心区负荷变化复杂，影响因素众多，对电网调度部门的安全运行提出了挑战。基于南京电网实际负荷数据，分析了负荷变化特性及各类影响负荷变化的因素，同时针对预测方法中存在的边缘效应等问题，通过改进训练策略，提出了一种新的人工神经网络短期负荷预测模型。该模型采用多隐含层和动态神经元个数的预测方法，对不同神经元预测结果进行比较，以达到预测负荷的目的。预测结果表明，基于该方法建立的预测模型适用性强且能获得较高的预测精度，可为城市核心区的短期负荷预测提供可行方案。
关键词：电网；负荷特性；短期负荷预测；Elman人工神经网络；训练策略
0引言
随着社会经济的不断发展．城市电网负荷快速增长．现代生产生活对供电量和供电质量的要求显著提高。另一方面，城市电网核心区负荷变化复杂．影响因素众多，对电网调度部门的安全运行提出了挑战。如何快速准确把握城市电网的短期负荷变化特征，进行精准负荷预测显得极为重要。
短期负荷预测是以未来几分钟、几小时或者几天内的连续负荷变化趋势作为研究对象。随着智能算法的兴起，专家、学者相继提出了许多关于短期负荷预测的方法，这些方法主要包括专家系统法、遗传算法、模糊理论、支持向量机和人工神经网络等。此领域内已有大量结合上述方法并针对短期负荷预测做出分析的文献，例如，文献[11]基于人工神经网络理论，考虑了外界因素对短期负荷变化的影响；文献[12]介绍了考虑相似日特性的一种新型支持向量机的预测方法：文献[13]考虑了不同季节的周、日负荷，并对温度、输入变量的选择进行了研究，讨论了过拟合现象对预测的影响。
虽然上述方法已被证明在短期负荷预测领域取得了丰硕成果．但由于城市核心区负荷受相关因素影响大，不同地区负荷呈现不同的规律性，因此．如何针对特定地区的短期负荷进行研究仍然是实际生产工作中的重点和难点，应结合实际地区负荷特性进一步分析。
本文通过对南京城市电网核心区实际负荷数据进行分析，总结变化规律和受相关因素影响的具体程度，基于人工神经网络，改进训练策略，提出了一种新的短期负荷预测模型，进一步提高了预测精度以及算法的适应性。
1 南京城市电网核心区负荷特性分析
南京市经济发达．城镇人口密度大，其城市电网核心区负荷受多种因素影响，这些影响因素的存在，导致负荷特性出现非平稳的随机变化，加大了负荷预测难度。为使预测模型达到目标要求．预测前有必要深入研究负荷变化的特性，就其变化规律进行归类分析，归纳出影响负荷变化的众多因素，为后续提高模型预测精度提供参考。
本文基于南京城市电网核心区实际负荷数据，针对不同类型日、天气因素以及政策性冈素对短期负荷预测的影响进行了详细分析。
1.1 不同类型日对短期负荷预测的影响
短期负荷预测中，同类型的日负荷其整体变化趋势具有相似性。图1中两曲线分别为2014年1月两相邻周四的负荷曲线（2014年1月15日，2014年1月22日）．图2中两曲线分别为2013年和2014年1月1日即元旦节假日的负荷曲线。
对图1和图2的负荷曲线分析可得出．无论是正常日还是节假日，南京城市核心区同类型日的全天负荷变化规律具有高度相似性，其负荷高峰低谷出现时间段基本相同。而不同类型日之间全天负荷变化趋势差距较大。负荷预测时可以根据相似日特点进行分类预测，从而实现提高预测精度的目的。
1.2气象因素对短期负荷预测的影响
在短期负荷预测中，气象变化是影响短期负荷非周期性变化的主要原因。研究表明，在一些气候条件下，用电负荷会短时间内急剧变化，日负荷曲线将会有较大的改变，这将对负荷预测产生一定的影响。
图3为2014年7月日平均负荷和最高、最低温度对比。由图3可看出，随着气温的升高，日平均负荷大幅度增加；气温降低，日平均负荷也随之降低．日平均负荷趋势变化与温度变化呈现一致性。通过对温度和日平均负荷的分析，可看出负荷变化受气象因素影响明显。
气象因素众多，对负荷的影响程度也不同。为辨识各种气象因素与电力负荷之问存在的相关性．可用欧氏距离分析法中Pearson相关系数进行相关性分析。Pearson相关系数可以衡量在一条线上2个数据集合是否同时存在．其计算公式为
式中：X为需要辨识的气象因素；Y为负荷数据，本文选取最高温度、最低温度、最大湿度、最小湿度、空气质量指数以及天气类型作为参考量，对其进行分析，所得分析结果如表1所示。
从表1可看出，温度与负荷呈现正相关性，湿度与负荷呈现负相关性。此外，由表1还可看出，空气质量指数与负荷呈现负相关性，天气类型与负荷呈现正相关性，这些影响因素在负荷预测时都应给予考虑。
1.3政策性因素对短期负荷预测的影响
在负荷预测过程中．负荷预测的结果经常受到政策性因素的影响，这些政策冈其执行的突发性和特殊性，难以通过定量分析来把握。但是，由于其对负荷特性的影响方式基本相同，对于历史事件进行分析将有助于为以后类似事件的发生提供经验。
本文以南京青奥会时期对城区及其周边重点行业采取限时停工措施为例，分析政策性因素对短期负荷预测的影响。图4 a）和b）分别为南京城市电网核心区2013年和2014年7月1日-8月31日的日平均负荷曲线。
由图4可看出，南京城市电网核心区2014年7月最大日平均负荷相比2013年7月最大日平均负荷较高，这符合城市电网核心区夏季峰值负荷随经济发展而增加的特点。但自8月5日起，日平均负荷大幅度降低，日平均负荷量相比2013年同期平均下降26.66%。经查阅相关资料获知，2014年8月为南京市政府为保障青奥会环境执行临时管控方案时期．负荷量大幅下降是由于该特殊时间段大量工业负荷削减所致。
利用南京青奥会时期的历史负荷情况进行分析，可以得出针对特殊事件较为通用的负荷变化发展规律，在未来举办类似国际性重大活动或发生重大特殊事件时，本次的负荷变化规律研究可为南京城市电网核心区的负荷预测提供参考。
综上所述．通过分析各类因素对负荷预测的影响，可以确立相关因素的影响程度，在后续建立南京电网核心区短期负荷预测模型时，可根据现有分析考虑各因素对负荷预测的影响。
2南京电网核心区短期负荷预测模型的设计
电力系统负荷预测研究已经有几十年的历史。随着电力系统的发展，传统算法囿于其局限性，不能考虑影响负荷的因素，其预测无法达到电力系统负荷预测发展要求。近年来随着智能算法的快速发展，人工神经网络(ANN)成功应用于短期预测当中，它突破了传统方法的局限性，表现出较强的应用能力。
2.1 Elman人工神经网络
Elman人工神经网络是基于传统BP人工神经网络加以改进的一种新形式神经网络。BP人工神经网络由于算法简单且兼容性极强，其在电力系统负荷预测领域有着广泛的应用。但BP人工神经网络属于静态前馈网络．因其网络结构限制．并不具备记忆性。而Elman人工神经网络是一种反馈型神经网络，其构造是在BP人工神经网络的隐含层后又增加一层承接层，构成反馈，使得网络具有一定的延时特性。Elman人工神经网络模型网络结构如图5所示。
如图5所示，假设网络输入记为U,隐含层输入记为X．输出层记为Y。承接层与隐藏层之间的连接权矩阵记为wl，输入层与隐藏层之间的连接权矩阵记为W2，隐藏层与输出层之间的连接权矩阵记为W3，则Elman人工神经网络学习算法为
标准的Elman网络f（x）为sigmoid函数
式中：k为时间；M1和M2分别为输入层和隐含层的修正值。
2.2短期负荷预测模型的设计
2.2.1 改进型预测模型训练策略
传统神经网络预测是在训练得到模型后，通过模型一次性预测得到多个点数据。但经实际预测发现，所得预测结果集存在误差两边大中间小、相邻波动大的数据所得预测结果误差大等情况。其主要原因是模型固定后，模型的神经元数目和权值阈值均同定，模型适应性降低，由于其变化规律与训练数据存在不同，遇到新数据后，易出现预测精度降低的情况。若逐点进行预测且结合每组训练数据特点分别建立预测模型，就能在一定程度上提高模型的适应性，提高预测精度。
基于以上分析，本文提出了一种改进型训练策略，改变了传统上只输入一个时间点的多个相关日历史负荷数据的做法，改为输入多个时间点的多个相关日历史负荷数据。代入模型预测后，只选取预测值序列中的中间值作为本次预测的目标值，从而避免了边缘效应及数据波动对预测的影响。改进型训练策略如图6所示。
2.2.2 隐含层层数和神经元个数确定
隐含层层数和神经元个数的选择是一个较为复杂的问题，在确定输入变量和输出变量后，为避免因神经元节点数目所导致的欠学习或过学习现象的出现，以及因初始阈值和权值的错误设定导致的误差增大等问题的发生，同时实现提高模型泛化能力的目标，本次选择采用多隐含层和动态神经元个数的预测方法建立模型。
训练时，首先设置初始隐含层神经元数，将训练样本代入训练后，选择不同的网络初始阈值和权值，获得多组训练结果，通过与检验样本作对比，选择误差最小的一组作为该神经元数目下训练样本预测结果。通过设置不同隐含层的初始神经元数，经过上述训练会得到不同训练结果，对比训练结果，选择与验证样本误差最小的一组，其对应的模型即被选为本次的预测模型。模型预训流程如图7所示。
3算例分析
本文采用南京城市电网核心区实际负荷数据训练神经网络，考虑到不同类型日以及气象因素对负荷预测的影响，为了验证所提方法得出的预测结果精度，并证明模型的通用性，本文从南京2014-2015年1年时间内的4个季节中各选一组数据集作为样本，在同一精度要求下，对比了改进前后的Elman人工神经网络预测结果。
本文选用南京城市电网核心区2014年6月27日-7月8日、2014年10月8日-16日、2014年12月8日-17日、2015年4月7日-16日这4个时间段内的平常日(不包含周六、周日及节假日)10:00-12:00每隔0.5 h记录的实际负荷数据作为Elman神经网络的训练样本。选择2014年7月9日、10月17日、12月18日和2015年4月17日11:00负荷作为预测目标。预测结果及对比如表2所示。
为了证明本文方法的优越性，分别采用目前常用的BP人工神经网络和支持向量机预测方法进行预测，并与本文方法所得预测负荷数据作对比。预测结果及对比如表3及图8所示。
从表2、表3和图8可看出，本文方法平均误差为0.961%，传统Elman人工神经网络方法平均误差为2.635%，BP人工神经网络平均误差为3.358%，支持向量机方法平均误差为2.529%，本文方法相比常用方法在预测精度方面有明显提高。
4结语
本文根据南京电网实际历史负荷数据，分析了南京城市电网核心区电网负荷特性，并对导致电力系统负荷特性变化的影响因素进行了对比，建立了短期负荷预测模型，根据南京城市电网核心区电网实际情况对模型的输入和网络结构进行了改进。经预测结果验证，本文提出的模型可较为准确地预测南京城市电网核心区某日某时刻的用电负荷，并具备一定通用性。
