楊雨琪+田恬+王慧

摘 要：文章依據(jù)電網(wǎng)實(shí)際運(yùn)行數(shù)據(jù)建立一個(gè)基于徑向基函數(shù)（RBF）的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，探討含小水電地區(qū)電網(wǎng)的負(fù)荷情況。仿真分析結(jié)果驗(yàn)證了該方法具有較好的精確性，可為供電企業(yè)的負(fù)荷預(yù)測(cè)和規(guī)劃調(diào)度工作提供一定的指導(dǎo)作用。

關(guān)鍵詞：小水電；RBF神經(jīng)網(wǎng)絡(luò)；短期負(fù)荷預(yù)測(cè)

中圖分類號(hào)：TM714 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）07-0191-02

Abstract： In this paper， a neural network forecasting model based on radial basis function （RBF） is established according to the actual operation data of the power network， and the situation with the load of the power network with small hydropower is discussed. The simulation results show that the method has good accuracy and can provide some guidance for load forecasting and planning and dispatching of power supply enterprises.

Keywords： small hydropower； RBF neural network； short-term load forecasting

引言

隨著電力市場(chǎng)的發(fā)展，電力負(fù)荷預(yù)測(cè)扮演著越來越重要的角色，而對(duì)于所研究的某地區(qū)中，小水電站容量小、數(shù)量多且分布較為分散。由于其占比過大，致使不具備良好的調(diào)節(jié)能力和應(yīng)對(duì)措施，因此或多或少存在汛期費(fèi)水、枯水期又電力緊缺的現(xiàn)象。并且由于小水電站多數(shù)地處經(jīng)濟(jì)不發(fā)達(dá)的西部地區(qū)，因此用電量較少，過剩的電能就地消化困難，并且在電力調(diào)配方面沒有一套經(jīng)濟(jì)調(diào)度規(guī)則。其次關(guān)于多小水電地區(qū)的通信網(wǎng)絡(luò)的覆蓋率低，也不能為其安全、穩(wěn)定的供電提供依據(jù)，使小水電的運(yùn)行管理處于無序狀態(tài)。因此一套較好的關(guān)于小水電的負(fù)荷預(yù)測(cè)分析是解決問題的得力助手。而RBF神經(jīng)網(wǎng)絡(luò)可以有效并且快速對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)建模，使社會(huì)經(jīng)濟(jì)效益最大化、最優(yōu)化。

1 小水電負(fù)荷預(yù)測(cè)特性

小水電發(fā)電負(fù)荷的不確定性較強(qiáng)，表現(xiàn)出的規(guī)律性往往并不理想。不同環(huán)境，不同條件下電力預(yù)測(cè)負(fù)荷曲線的形狀與發(fā)電量之間的差別相當(dāng)明顯，這使多小水電地區(qū)的負(fù)荷預(yù)測(cè)難以順利開展。而對(duì)于徑流式水電站，自我調(diào)節(jié)能力較差，河流降雨等的天然流量對(duì)其影響較大，因此影響小水電地區(qū)負(fù)荷變化的主要因素便多種多樣。為了更加準(zhǔn)確的預(yù)測(cè)其變化規(guī)律，一個(gè)理想的預(yù)測(cè)模型就顯得尤為重要。一般而言，降雨量在大于2mm時(shí)對(duì)發(fā)電負(fù)荷的影響逐漸增強(qiáng)。

2 短期電力負(fù)荷預(yù)測(cè)方法

2.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是具有單隱層的三層靜態(tài)前向網(wǎng)絡(luò)。第一層是由信號(hào)源節(jié)點(diǎn)組成的輸入層。所探究的問題不同，輸入變量的數(shù)目也就不同，其相對(duì)應(yīng)的輸入層的節(jié)點(diǎn)數(shù)也相應(yīng)的發(fā)生變化。第二層為隱含層，其點(diǎn)個(gè)數(shù)則由所描述問題的復(fù)雜程度而定。由近年來神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)的應(yīng)用的普及程度來看，隱合層的節(jié)點(diǎn)數(shù)的求取也成為一項(xiàng)值得探究的問題。第三層為輸出層，它負(fù)責(zé)對(duì)輸入模式的作用做出響應(yīng)，并產(chǎn)生相對(duì)應(yīng)的變化。

輸入層用來傳遞傳輸信號(hào)，輸出層是對(duì)函數(shù)的線性化進(jìn)行規(guī)整，而隱含層是對(duì)高斯函數(shù)的可變參數(shù)進(jìn)行調(diào)控。因此從輸入空間到隱含層空間的變換是非線性的，完成這種非線性變換的函數(shù)就是徑向基函數(shù)，而從隱含層到輸出層的空間是呈線性規(guī)律變化的。因此，相比來說，兩者所完成的任務(wù)并不相同，自然而然，針對(duì)它們的學(xué)習(xí)策略也不同。

RBF神經(jīng)網(wǎng)絡(luò)具有拓?fù)浣Y(jié)構(gòu)簡單、學(xué)習(xí)效率高，學(xué)習(xí)過程透明且能逼近任意非線性函數(shù)等優(yōu)點(diǎn)，可解決其他神經(jīng)網(wǎng)絡(luò)存在的容易陷入局部極小點(diǎn)、收斂速度慢、迭代時(shí)間長等缺陷。在實(shí)際應(yīng)用中同樣可較大程度地提高含小水電地區(qū)短期電力負(fù)荷預(yù)測(cè)的精度，有較為可觀的實(shí)用價(jià)值。

3 含小水電的短期電力負(fù)荷預(yù)測(cè)實(shí)例與分析

根據(jù)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，以某含小水電地區(qū)的實(shí)際用電負(fù)荷為依據(jù)，選擇連續(xù)兩個(gè)月的數(shù)據(jù)，一天按照96個(gè)時(shí)間點(diǎn)，作出網(wǎng)絡(luò)擬合曲線，再預(yù)測(cè)第二天的理想電力負(fù)荷值。不考慮突發(fā)天氣等變動(dòng)較大的外界因素，由預(yù)測(cè)數(shù)據(jù)可知24天之內(nèi)電力負(fù)荷預(yù)測(cè)值大約在1400-1800kWh之間變動(dòng)，且由預(yù)測(cè)結(jié)果可得，其相對(duì)誤差在±50kWh之間。

由圖1可知，運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)對(duì)一天連續(xù)24小時(shí)的電力負(fù)荷預(yù)測(cè)結(jié)果的精確度能夠滿足電力系統(tǒng)運(yùn)行調(diào)度的需求，而且從數(shù)據(jù)曲線可知，運(yùn)用RBF網(wǎng)絡(luò)進(jìn)行電力負(fù)荷預(yù)測(cè)，具有收斂速度快，預(yù)測(cè)精度高，響應(yīng)時(shí)間短等特點(diǎn)，具有較高的社會(huì)經(jīng)濟(jì)效益。

4 結(jié)束語

在matlab仿真平臺(tái)中，本文采用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)含小水電地區(qū)的短期電力負(fù)荷，在不考慮外界突發(fā)性條件的前提下，由實(shí)例中的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行仿真分析，其結(jié)果驗(yàn)證了該預(yù)測(cè)方法的準(zhǔn)確性和可行性。而且具有學(xué)習(xí)速度快，預(yù)測(cè)精度高等多方面優(yōu)點(diǎn)。能夠滿足供電企業(yè)正常情況下的規(guī)劃需求，其對(duì)于含小水電地區(qū)的電力負(fù)荷預(yù)測(cè)具有較為可觀的實(shí)用價(jià)值。

參考文獻(xiàn)：

[1]朱詩卉，王颯，孫偉軍，等.RBF神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)模型研究[J].三峽大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，35（5）：46-49.

[2]曹安照，田麗.基于RBF神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J].電子科技大學(xué)學(xué)報(bào)，2006，35（4）：507-509.

[3]韓民曉，徐振華.RBF神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].華北電力學(xué)院學(xué)報(bào)，1994，21（4）：2-6.

[4]李程，譚陽紅.電力負(fù)荷的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].Heilongjiang Electric Power，2010，32（4）：253-254.

[5]彭顯剛，胡松峰，呂大勇.基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法綜述[J].電力系統(tǒng)保護(hù)與控制，2011，39（17）：144-147.

[6]何耀耀，許啟發(fā)，楊善林，等.基于RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的電力負(fù)荷概率密度預(yù)測(cè)方法[J].中國電機(jī)工程學(xué)報(bào)，2013，33（1）：93-98.

[7]盧蕓，林莘.神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2006，28（1）：41-44.

[8]徐瑋，羅欣，劉梅，等.用于小水電地區(qū)負(fù)荷預(yù)測(cè)的兩階段還原法[J].電網(wǎng)技術(shù)，2009，33（8）：87-92.endprint