摘要：该文介绍了两种改进的ANN算法，并提出预测时应考虑的相关因素。为减少输入神经元节点，提高收敛速度，应将相关因素按预测方案分组，通过在实际应用中的验证，证明该文提出的方法是有效的。关键词：短期负荷预测；县级电网；相关因素短期负荷预测是制订电力市场交易计划、安排电网运行方式的依据。多年以来，国内外学者提出了多种短期负荷预测的方法^[1，2]，研发了各种原理的负荷预测系统，在地区级电网中已取得了良好的效果。2005年菏泽电网日负荷预测准确率达98.86。县级电网相对地区级电网具有负荷基数小、负荷变化大的特点，负荷预测存在难点，值得从事短期负荷预测研究的学者和预测人员进行深入研究。本文在前人研究成果的基础上，联系实际预测工作经验，提出将改进预测算法与相关因素分组方案相结合，这样既能提高预测准确率又加快收敛速度，经实践检验，能够取得较好的预测效果。1短期负荷预测的神经网络方法（ANN）近年来，随着人工智能技术的发展，人工神经网络（ANN）在负荷预测中的应用越来越广泛，其中较多的是采用反向传播（Back-Propagation，BP）算法的前馈型神经网络（BP网络）。但在应用中发现，BP网络也具有一些固有的缺陷，如容易陷入局部极小点、收敛速度慢、迭代时间长等。因此，如何克服这些缺陷并提高负荷预测精度，是一个亟待解决的问题。1.1遗传算法在神经网络学习中的应用为克服BP网络的缺点，将进化计算中的遗传算法引入了人工神经网络，形成了一类综合人工智能方法。遗传算法是一种基于自然选择和自然遗传的全局优化算法，具有本质的并行计算特点，采用从自然选择机理中抽象出来的几种算子对参数进行操作。这种操作针对由多个可行解构成的群体进行，故在其世代更替中可以并行地对参数空间的不同区域进行搜索，并使得搜索朝着更有可能找到全局最优的方向进行，且不至于陷入局部极小^[3]。采用前向三层神经网络结构（如图1所示），以遗传算法优化神经网络结构，优化初始权值，改进的神经网络算法^[4]进行优化之后，可得到好于传统BP算法的预测精度，已有预测仿真结果进行了论证^[5]。图1遗传算法的三层神经网络结构1.2基于相关因素库与ANN的短期负荷预测方法由于影响负荷的各相关因素的量纲各不相同，因此需要把不同量纲的值通过无量纲化处理，映射到特定的区间，使各个量之间可以有数值上的可比性，从而方便相似度和差异度的定量计算。1.2.1映射库的构成原始定量指标：温度（最高温度、最低温度、平均温度等）、降雨量、风速、相对湿度等。分类为定量的指标：日气象类型（阴、晴、多云、雨、雪、风等），星期类型（周一、周二……周日等），日期差（历史日与预测日相差天数，1天、2天等），日分类（正常日、元旦、国庆、春节等）等。当需要考虑新的特征量时，预测人员可自行加入。指标映射数据库如表1所示。可以专门设计一个用户设置界面，供用户修改映射数据库。用户可以通过这个界面反复预测，反复修改映射数据库的值，摸索出适合本县区的映射关系，直到满意为止。在以后的预测时，这个值就可以不变了，认为已经适合本县区的映射关系。当然在不断的预测中，各县区的负荷特性也是有可能改变的，虽然这种改变不是很剧烈，以后用户仍然可以根据负荷特性的变化来改变为更适应的映射关系。表1相关因素映射举例若有新的气象因素指标，可以直接在数据库中加入，而不用修改计算程序，大大减轻了工作量，提高了程序的灵活性。映射库的作用是用户通过输入数据可以随意改变和建立复杂的映射模型，而不是在程序中固化一段“死”的代码。这样，若需要修改映射方程关系，只需要修改数据库中的映射关系就可以了。1.2.2确定输出层神经元与隐含层神经元数目输出层神经元仅1个，即待预测日该时刻的负荷值。隐含层数和隐含节点数的选取与ANN模型的训练效果是密切相关的。凭经验，ANN的隐含层节点数约为输入层节点数的2倍左右，可以把隐含层神经元数设为2（n n（n 1）m），然后在此基础上适当增加或减少神经元数目，根据训练结果选择一个比较合适的神经元数目。1.2.3预测方法的优点采用相关因素库对每天的相关因素进行模糊映射的处理，把各种相关因素值直接数量化，通过本文后面的相关因素训练算法可以优化这种模糊映射的处理，从而更加精确地反映各种相关因素的影响大小。网络结构比一般的负荷预测模型小，因此输入节点大大减少，而输出节点只有一个，从而使得网络训练速度大大加快，收敛性能大大加强。实践证明预测的精度依然是可以得到保障的，而且更加全面考虑相关因素后，精度还有进一步提高的潜力。采用L-M算法，大大加快训练速度，而且克服了前面提到的传统BP算法的种种弊端，收敛性能也大为改善。通过不断的试验，可以得出比较合适的隐含层节点的数目，大大改善了网络的性能。2县级电网负荷预测应考虑的相关因素因县级电网负荷受单一因素影响引起的变化比较大，在进行相关因素设置时包含可能影响负荷的各种因素。日平均温度、日最高温度、日最低温度、风力、天气类型等气象因素。这几种气象因素是采用相关因素的预测算法必须考虑的，因降水引起的负荷变化一般不会在降水停止后立即恢复至与降水前水准，气象类型除阴、晴、雨、雪外还应增加一个“雨后”。图2为2005年夏季成武电网在某次降水前后平均负荷变化曲线（单位：MW）。图2降水前后平均负荷变化曲线降水量。降水量的大小决定是否可以消除旱情，减少灌溉负荷及室外作业的用电企业是否停工，负荷变化在降水后的恢复速度也受降水量影响，故必须是某一时段内的降水量。星期类型。一个县区内的用电负荷结构在一个时期内相对稳定，每周基本均呈现一个周期性的变化。节日类型。因各类节日，部分甚至多数用电企业可能放假，短期负荷预测必须考虑节假日，且不同类型的节日在映射库中的取值相差也可能很大。节前和节后。某一重大节日，可引起节前多日负荷连续下降，过渡至一个典型的节日负荷曲线，节后负荷逐渐恢复，以春节最为突出。图3是成武电网2006年春节期间的典型负荷曲线，节前过渡时间长达10天，节后恢复时间超过10天。图32006年春节期间电网负荷曲线3相关因素的分组和预测方案相关因素增多在ANN算法体现为输入节点增加，可导致训练时间变长甚至不收敛。在进行一个待预测日的负荷预测时，不可能同时考虑全部相关因素，一般考虑2～3个相关因素即可满足预测精度要求。可设计一个界面使用户自行制订各种预测日的预测方案，设定每个方案的相关因素，在预测时选用一个方案即可。为成武电网负荷预测设计了一系列如表2所示的方案，在试用中取得了比较好的效果。表2相关因素分组和映射方案4结束语在设计县级电网负荷预测软件时，采用新的预测算法有助于提高预测精度，而一些传统的预测方法在某些预测日仍可达到较高的预测准确率，并且具备算法简单、存储空间少、预测速度快的优点。在考虑影响负荷的相关因素时，不仅要包含可能影响负荷的各种因素，也要控制预测算法输入节点的数量，以减少存储空间占用、提高收敛速度，对相关因素分组是一个比较好方法。参考文献[1]牛东晓，等.电力负荷预测技术及其应用.中国电力出版社，1998.[2]夏昌浩，张毓哲.电力系统负荷预报方法综述.电力学报，2001（16），2.[3]王耀南.智能控制系统.湖南大学出版社，1996.[4]金先级.人工神经网络导论讲义.华中理工大学出版社，1996．[5]梁海峰，等.遗传神经网络在电力系统短期负荷预测中的应用.电网技术，2001（1），1.[6]康重庆，程旭，夏清，等.一种规范化的处理相关因素的短期负荷预测新策略.电力系统自动化，1999，23(18):32-35.