杨旭昕
国网信息通信产业集团有限公司 北京 100053
摘要：考虑到历史电力负荷数据、天气、时间等信息的影响，电力负荷预测用于预测未来的电力负荷。对于独立的系统运行，有许多电力负荷预测应用为调度员提供信息和市场运行，如发电调度和系统备用发电，因此准确的电力负荷预测模型是规划管理和运行的必要条件。本文主要分析了基于进化神经网络的短期电力负荷预测研究。
关键词：神经网络；电力负荷；预测研究
引言
近年来，BP网络在电力负荷预测中得到了广泛的应用，它具有自身独特的优势，可以与电力预测数据完美结合，对一些数据的非线性变化和不确定性变化具有很好的分析和处理能力，对电力负荷预测具有很大的价值。短期电力负荷预测是运营商向用户提供服务的基础。传统的电力负荷预测方法包括SVM法、回归法等。这些方法具有施工难度低、操作简单的特点，但电力负荷预测不是很准确，会影响运营商的基本判断，造成用户损失。然而，神经网络能够很好地解决这些问题，保证电力负荷预测的准确性，为电力行业做出突出贡献。
1、神经网络负荷预测概述
电力系统的负荷可视为短期时间序列。从算法的角度来看，有两种预测方法:一种是基于参数的预测方法，另一种是非基于参数的预测方法。本文讨论的BP神经网络短期电负荷预测不是基于参数。此预测方法具有不假定模型信号的优点，其使用范围大于使用参数的预测方法。在短期电力负荷预测中，以前的负荷数据被用作计算未来趋势的基线，这有助于BP网络对数据进行匹配，并适用于未来趋势。
2、电力短期负荷预测对于电网的运行和优化具有重要作用
2.1优化电力调度方面
电力规划是指电力公司根据实际用电量分配电力。要优化计划，需要进行负荷预测，因为预测结果数据可以直接反映计划的工作分配。因此，准确评估电力预测是电力规划的一项重要工作。相关细则和条例还规定，工作人员应制定日常工作计划，以预测电力负荷、发电、运输等情况。，并严格按照这些计划执行。例如，发电厂必须按照每天的发展时间表运行，并根据时间表调整电力。
2.2提升经济效益
经济的迅速发展和电力使用的增加造成了供需不平衡，只有对能源预测进行准确分析，以解决紧急情况，优化机组启动，实现节约和与此同时，随着电力部门改革的发展及其未来发展的形式，电力负荷预测结果的准确性直接影响到电力部门在今后竞争中的优势，也是电力企业的重要手段。
3、基于注意力机制的短期电力负荷预测模型
3.1预测模型
电力负荷历史数据包含许多重要信息，可用于指导短期电力负荷预测。典型的短期电力负荷预测方法，如多位置感知器算法、波神经网络等。，它们都必须使用手动设计的预测功能，例如峰值功率、待机功率负荷等。这些人工筛选功能将导致大量信息丢失，并严重破坏历史数据的相关性。随着风能和水能等清洁能源逐渐进入电网，电网数据传输的规模呈现爆炸性增长趋势，传统算法根本无法处理这种规模数据；此外，研究人员在发现特征时必须考虑到更多的制约因素和特征之间的关系，这需要大量的时间和精力。深层学习算法依靠自身的特征自动提取能力，在处理高维数据方面具有较强的优势。本文提出的基于关注度的短期电力系统负荷预测算法利用卷积神经网络提取高维时间序列特征，探索能量负荷极谱网格模型之间的关系，分析CNN处理的功能，并学习更好的方法尽管LSM结果缓解了传统RNN结果中梯度消失的问题，但当大功率数据输入时间过长时，总会出现梯度色散。
目前，模型的后向传播梯度接近零，导致模型参数无法更新和优化，从而导致模型形成失败。此外，在高维电力数据中还有很多无关的信息如果所有这些功能都直接引入到许多声音数据中，则模型无法收敛。为了解决这一问题，该算法利用注意机制自动调整实体之间的权重，使模型能够专注于对高级数据中的有效信息建模，并提高短期电力负荷预测精度。
3.2输入数据预处理
本文采用相同的数据集建立BP神经网络、LSM标准神经网络和JANET神经网络模型，并对结果进行比较，三种模型的输入特性一致，包括关于负荷、温度和日期类型的历史数据。所有特征值都合并到输入实体矩阵中，并在相同条件下比较三个模型的性能，以确保测试的科学性和公平性。所建议的方法用于预测电网提供的历史负荷数据。由于不同的输入数量具有不同的大小和大小顺序，并且神经网络启用功能对[-1，1]之间的值更敏感，因此需要标准化输入数据。使用最小-最大函数将历史负载数据标准化为[-1，1]，并将日期分为两种类型:工作日和节假日，节假日用0表示，工作日用1表示。
3.3网络结构
LSM网络构建、隐藏标高数和每个标高的LSM隐藏标高数都会影响负荷预测的准确性。使用2017年全年每小时的负荷历史数据作为检查集，固定的历史日期窗口w为7d，并使用枚举方法逐层选择隐藏层中的神经元数量，以确定网络的最佳结构。首先，确定并固定一楼隐藏神经元的最佳数量；然后确定下一个隐藏层(隐藏层2)中的神经元数量的最佳值。以此类推，直到预测精度不再提高。不同网络结构下的预测性能。当选择每层的神经元数量时，它被设置为5到40(间隔为5)，即总共8个级别。隐藏层的数量设置为1、2、3。
4、基于BP网络的短期负荷预测
(1)神经网络预测过程1)BP在实际实施过程中，首次建立模型后，应根据投入产出量构建培训所需的样品，如果样品库中存在不符合规定的数据，应首先将其删除。设定训练样本后，您可以建立范本。完成网络培训后，您可以根据历史数据预测t天或t小时的负荷数。(2)数据处理系统负荷建模需要大量数据，数据收集通常是在电力收集器的基础上进行的，受设备本身和数据传输中的因素以及人的因素的影响，因此经常有大量数据一旦使用了这些不合理的数据，构建的模型肯定会出现重大错误，这可能导致预测算法分散，并对实际分析产生一定影响，因此在实际使用数据之前必须对其进行处理和筛选。(3)处理气象数据，以充分反映声音、温度、湿度等因素的影响。在载荷上，预测的天气、阴气和温度也被视为神经网络的三个输入节点。根据神经网络的要求，本文根据天气特征进行分类晴天、阴天、雨天和下雪天的处理值分别为0.0、4.0、7和1.0。
5、人工神经网络
由于电力负荷取决于时间、时间、经济、电费、随机扰动和地理条件等各种因素，因此提出并应用了许多负荷预测技术，以准确预测负荷模式。有几个因素会影响载荷，并且载荷模型和影响因素之间的关系不是线性的。人工智能算法在处理非线性关系(如模糊逻辑、支持向量机和神经网络)方面具有相当大的优势，而且还进行了许多基于人工智能算法的应用负荷预测研究，因为采用了较为传统的短期负荷预测方法，如在这些算法中，ANN模型由于易于实施和性能良好而得到广泛应用。
结束语
BP神经网络的研究和分析以及电力负荷预测的应用仍然需要大量的努力和时间，因此需要所有部门，特别是电力行业的支持与合作，以确保国家整个电力系统的正常运作，并促进电力系统的现代化和发展。
参考文献：
［1］孔祥玉，郑锋，鄂志君，等．基于深度信念网络的短期负荷预测方法［J］．电力系统自动化，2018，42(5):133-139．
［2］戚任远．上海用电负荷预测中气温累积效应分析［J］．现代电力，2018，35(2):38-42．
［3］龚钢军，安晓楠，陈志敏，等．基于SAE-ELM的电动汽车充电站负荷预测模型［J］．现代电力，2019，36(6):9-15．
［4］周步祥.电力系统短期负荷预测方法的研究[J].电力系统自动化，2018（67）.［5］王冰山.电力短期负荷的多变量时间序列线性回归预测方法研究[J].中国电机工程学报，2016（24）.