基于小波分析结合BP神经网络的电网负荷预测方法研究

基于小波分析结合BP神经网络的电网负荷预测方法研究

徐志程徐辉王宇轩

(华北水利水电大学河南省郑州市450000)

摘要：电网电力系统的安全稳定并且实现可实现经济运营，与其对负荷的准确预测具有较为重要的关系，基于多分辨分析思想为基础的小波分析结合BP神经网络构建模型，对电网短期符合进行预测。首先，采用正交小波变换的塔式结构快速算法对电网负荷数据序列实现小波分解过程，剔除负荷中的非有价值历史数据，获得真实规律性电力负荷数据；然后，通过小波分解后，根据分解后的各层分量选取阈值，获得符合其特点的分量数据后输入神经网络，经过小波算法的重构过程得到预测日期的负荷数据。仿真结果显示，运用文中构建的改进BP神经网络模型预测较人工网络预测精度具有明显优势，该预测方法能够更好地对电网进行有效的负荷预测。

关键词：BP神经网络；电网负荷预测

1.引言

迈入21世纪中国经济开启了高速发展模式，与此同时电力资源也出现了严重短缺的现象。电力系统中的短期负荷预测是基础工作之一，负荷数据值预测准确与否将对电力系统的经济利益产生最直接的影响[1]，抓好电力负荷预测工作能为电网安全运营及获取经济效益提供良好保证。电网中的负荷预测不但是电力系统规划设计的首要目标之一，更是电力系统正常稳定运行的保障[2-3]。

2.电网短期负荷预测方法

2.1负荷特性分析

电网电力系统在实现供电过程中具备一定特性，在负荷预测精度角度上讲，主要受到下面几个因素的影响：

（1）可对负荷产生作用的因素较多，其中天气因素能够产生直接作用，它的作用程度因个别用户存在差异，在实现负荷预测过程中，大部分模型重点研究的方向为主要影响作用，从而忽视了诸多次要因素，该类算法与模型是对负荷简单的描述，是可预测的随机事件，然而气象预报的准确性不强，所以会造成对电力负荷预测的双重失误性。

（2）电网负荷预测过程中需要大量资料数据，而该部分资料并不能确保其具有一定的可信度，所以电力负荷预测会出现某些误差。

（3）电网电力预测时出现的特殊事件也会导致预测精度产生较大差别，例如季节不同电量使用情况的重大差异等。

（4）电网中呈现负荷周期特点、趋势特点和具有直接作用的影响等因素之间的样本数据难以量化。

基于电网存在显著的随机特性，采用传统电力负荷预测方法不能有效达到精度目标，因此文中采用改进型的BP神经网络方法对电网负荷进行预测。

2.2基于小波分解的改进BP神经网络预测方法

小波分解在多个工程领域范围内都得到了较大范围的应用，尤其是电力系统内的暂态平稳性分析、动态可靠性分析、负荷预估等方面体现出了强大的应用能力。文中将小波分析方法与BP神经网络方法实行结合，运用小波变换方式分解电网历史负荷序列数据，获取多个频率相对应的层高数和低频系数值，然而因多分辨式的塔式结构（Mallat）算法在某些固定频域区间内存在信号混叠情况，小波分解变换过程中在各个层上的数据稍有波动，所以通过选取阈值的方式减少系数的个数，从而达到删除无价值信息获取有效数据信息的目的。在获取通过阈值作用的数据样本后，对样本进行归一化处理，将样本输入BP神经网络模型预测上述小波系数样本数据，最终运用小波逆变换方式预测获得某日的电网电力负荷值。换而言之，即为以往对负荷序列数据的直接估测转变为对小波系数的估测。

2.2.1小波分解过程

将BP神经网络法与小波分解法进行有效结合，重点在于小波尺度的选择，如果选取尺度少的情况下，信号具有的特殊性质不能有效获取；如果选取尺度多的情况下，模型构建复杂，负荷预测准确性将会降低，故文中选择3层为合理尺度，同时采用Mallat算法分解并重构电网电力负荷数据。

选择一类小波进行分解（），具体过程可作如下描述：

◆（1）

上式中：表示离散时间序列号，其中；表示原始信号，层数为，其中；时域范围内，小波分解器由和代表，同时也可解释为滤波器系数；原始信号在层中低频范围内的小波系数由表示；原始信号在层中高频范围内的小波系数由表示。

以上小波分解的意义可解释为：假定待检测信号是，该信号能够分解成低频和高频两个部分，低频域区间内可通过原始信号在尺度上通过小波系数与卷积计算以后获得，对结果进行间隔数据收集获得；高频范围内是由原始信号在层获得小波系数和滤波器系数实行卷积运算，对结果进行间隔数据收集获得。

2.2.2阈值作用过程

将分解后获得的各层系数实行阈值选取，同时对高频系数进行软阈值处理。因为输入到BP神经网络模型中的数据要求平稳性，所以通过上述步骤降低获取系数个数，最终实现提取有效信息的目的。

但是在工程实际应用中，运用阈值作用方法对低频信号进行处理时，部分有效信息则会删除，为规避上述误删低频信号范围内具有价值信息的现象，小波分解步骤后各层选取阈值时，低频信号范围内不作阈值选择，将对高频信号范围内的数据，依据各层次特性选取相对阈值。

高频系数需要进行软阈值处理过程，小波分解方法运用软阈值对小波系数值实行量化，小波系数等于或是小于阈值的情况下，该系数值要重置0；小波系数大于阈值的情况下，该系数值要变换为两者之差。经过阈值作用后，能够令高频信号范围内的小波系数数量降低，有助于输入BP神经网络模型中。

2.2.3小波分解系数处理过程

为规避BP神经网络的神经元产生饱和情况，需要采取归一化方法对样本实现处理过程，经过处理后的训练样本值要在[0,1]区间范围，可描述归一化处理过程：

（2）

在获取归一化数据后，运用BP神经网络以各层系数为样本进行估测。通过神经网络模型输出后运用以下步骤进行再次变换为小波系数值，可描述该步骤为：

（3）

上述（2）与（3）公式中：归一化处理后的系数为；是示小波系数；小波尺度中该层中系数最大值和最小值分别是与。

2.2.4重构过程

经过神经网络模型处理之后得到小波系数，运用小波重构算法对上述小波系数实现数据重构过程，进而获得估测日期的电网地理负荷预测值，可描述重构步骤为：

(4)

上式（4）中：是小波分解的层数量；,分别表示低、高频域范围内滤波器系数值，是时域范围内的重构滤波器。重构步骤的意义为：原始信号在尺度（层）低频范围内小波系数为；原始信号在尺度低频域区间内的小波系数是，经过隔点插零和重构滤波系数实行卷积后，再与同层次上高频范围内的小波系数经过隔点插零和重构滤波系数实行卷积后，相加之和获得重构后的信号。多次重复以上步骤，直到第尺度层次，获得最终重构信号。

3.结语

电网具有波动性强易受外界因素影响的特性，传统BP神经网络对电力负荷预测的准确性存在明显不足，因此文中针对传统方法的不足之处进行优化，引进小波分解方法，将两种方法的优点实行结合，利用小波变换理论对负荷预测过程中的非价值信息进行剔除，获取能够真实反映电网负荷的规律数据，从而输入神经网络结构，实现电网电力负荷的有效预测过程。仿真结果显示，通过运用文中方法对电网电力负荷值预测后获得预测值与实际值对比，电力负荷值预测精度强，表明该方法性能优良。

参考文献

[1]周旭,来庭煜,饶佳黎.基于RBF神经网络模型的电力系统短期负荷预测[J].通信电源技术,2018,35(11):158-160.

[2]康田园,尹淑萍,王现法,等.大型城市电网负荷特性及其影响因素分析[J].电测与仪表,2016,53(6):51-56.

[3]蒋增林,叶江明,陈昊.基于时间序列分析的负荷预测方法的比较研究[J].南京工程学院学报(自科版),2018,16(02):26-31.