基于主成分分析和正则化神经网络的电力负荷预测方法
摘要：随着我国电力改革的深化，售电侧市场逐步放开，售电公司已逐渐参与电力市场交易。电力负荷预测是能量管理系统（EMS）的一个重要组成部分，是电力现代化管理不可或缺的技术手段。用电企业用电行为受行业性质、环境变化、交易电价等因素影响，售电公司增强其代理用户用电行为的分析和负荷预测，对制订合理的交易计划和规避违约考核风险具有重要意义。
关键词：荷预测；主成分分析；正则化；神经网络；电力市场交易
引言
为提高用电负荷预测的准确率，提出一种基于主成分分析（PCA）和正则化人工神经网络负荷预测方法。通过分析多个影响负荷变化的变量和因子，利用主成分分析法对变量进行线性降维，减少各变量之间的关联性，用得到的主成分作为BP神经网络的输入变量，同时增加正则化约束项优化神经网络训练过程，提高网络模型泛化能力。
1负荷预测方法分析
1.1负荷预测的基本原则分析
电力系统负荷预测即电力人员充分地考量电力系统运输属性、增容和自然条件，然后采取一系列手段，通过往期信息数据对将来的负荷予以估量，在可控的精度之下，明确将来一个周期的负荷取值。电力负荷预测对于电力系统计划以及运作起到了不可忽视的效用，已经成为发展规划和实时把控的关键性凭证。负荷预测的精准性对电网的投入、布局以及运作的合理都产生了极大的影响，现如今，如何有效地提升电力负荷预测精准程度已经成为当下电力系统亟待解决的重要问题之一。
1.2传统负荷预测工作方法分析
传统负荷预测方法通常可以划分为如下几种类型，具体如下：其一，趋势外推负荷预测方法。该手段即灵活地应用负荷过往的变化态势展开推测，尽管电力负荷实时在发生改变，具有显著性的随机性，不过经过一系列的算法处置，还是可以获取负荷的变化规律，依据往期信息数据不难看出，变化规律能够表现出线性、非线性、周期性以及非周期性，预测人员能够利用最小拟合曲线计算这一方程，该手段在短期内进行负荷预测工作十分合宜，不过无法伴随负荷改变而出现动态改变，其产生的偏差明显。其二，时间序列负荷预测方法。该手段
就是指依据负荷的过往信息，通过统计电力负荷在随机变化期间所表现出的规律性，采用数学模型呈现出来，从而进一步明确负荷预测的数学公式。该手段要充分地参照季节、周、天、小时变化的时间序列，然后再进一步对负荷信息的实际值以及预测值差值予以解析和处置。其流程大概还包括识别模型、估算模型系数、检验模型、预测负荷以及核验预测值精度等等。
2主成分分析法介绍
海量的变量样本数据中蕴含了丰富的信息，但各变量之间存在信息重叠情况，增加了数据挖掘的工作量和分析研究的复杂性。为了在减少变量样本的同时，尽量保留原变量包含的信息，需对样本数据进行降维处理。数据降维算法有很多，比如独立成分分析、因子分析、自组织特征映射、主成分分析（PCA）等。其中主成分分析是统计学中一种常见的降维算法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关变量，可以很好地解决因变量太多造成计算复杂、计算量增大的弊端。PCA的基本思想是将n维的特征变量映射到k维上（k
3正则化神经网络模型
3.1BP神经网络
人工神经网络是一种信息响应网状拓扑结构，具有较快的处理速度和较强的容错能力。BP神经网络是通过计算输出层与期望值之间的误差来调整网络参数，从而使误差变小。BP神经网络包括输入层、隐含层和输出层。相邻各层神经元之间由权重系数相互连接，输入信号经过传递函数的作用由输入层传播到隐含层，再由隐含层传播到输出层，最后得到输出结果，完成一次训练。
3.2神经网络正则化
在传统BP神经网络训练过程中，受网络结构、节点数目以及训练数据质量的影响，有可能出现过拟合情况，导致训练好的网络泛化能力差。一般的神经网络工具箱会将样本数据集分成训练样本、验证样本及测试样本3个部分，使用训练样本得到多个模型，利用验证样本计算各模型的误差，选取误差最小的模型计算测试样本的泛化误差，评价模型的泛化能力。为进一步解决过拟合问题，利用神经网络正则化，在原目标函数E（n）的基础上加入约束项，避免网络模型一味追求误差最小而导致网络结构过于复杂，过度拟合训练样本中的噪声特征而影响模型训练结果。
3.3基于PCA与BP神经网络的负荷预测模型
3.3.1主成分提取
首先将样本数据进行标准化处理，经过处理的数据符合标准正态分布，即均值为0，标准差为1，消除不同数据类型对结果的影响。由标准化处理后的样本数据可得到特征值和方差贡献率。由于前4个分量的累计贡献率已超过80%，包含了绝大部分的数据信息量，因此选择前4个主成分。
3.3.2BP神经网络训练
BP神经网络具有寻优能力强的特点，但容易陷入局部最优的陷阱，造成网络模型过拟合，算法鲁棒性差。利用贝叶斯正则化方法自适应调整α，β的大小，优化BP神经网络的权值和阈值，既可压缩网络模型，又能避免网络陷入局部最小的问题，提高模型泛化能力。具体步骤如下：（1）选取前4个主成分进行建模，预测输出为当日负荷值，所以确定BP神经网络输入层为4，输出层为1，通过经验及试凑法，选择1个隐含层，传递函数选用log-sigmoid型函数。（2）将32个样本中的20个作为训练集，6个作为验证集，6个作为测试集，用来训练神经网络并验证测试网络模型的性能。
3.3.1结果对比分析
利用时间序列预测法以及不含主成分提取的原始数据及正则化约束的BP网络模型对样本数据进行训练预测，与本文训练方法的结果进行对比分析。时间序列预测法得到的结果与实际值偏差较大，主要原因为时间序列预测法只利用历史负荷数据的趋势进行统计分析，未考虑温度以及日期类型对用电负荷的影响。而基于BP神经网络的预测值与实际值较为接近，但因为样本集之间关联性较强且输入样本较多，造成网络模型复杂，存在过拟合现象，导致有些时间的预测值偏离实际值较大；基于主成分分析和正则化约束的BP神经网络模型简捷有效，对训练集外的样本预测准确率较高。
结束语
本文利用主成分分析法对影响负荷变化的变量进行降维，消除各变量间重叠的信息，同时简化了网络模型，然后利用增加正则化约束项的BP神经网络对样本集进行训练，避免模型过拟合，得到负荷预测网络模型。通过与未采用主成分分析及添加正则化项的BP神经网络模型和时间序列法预测的结果进行对比，验证了该方法的正确性和优势，研究方法可供电力用户、售电公司以及其他电力市场参与者参考。
参考文献
[1]唐猛，董晓琦，蒋睿辰.电力现货市场的售电公司短期负荷预测[J].浙江电力，2019，38（3）：87-91.
正则化网络[2]刘畅，刘天琪，陈振寰，等.基于KPCA和BP神经网络的短期负荷预测[J].电测与仪表，2016，53（10）：57-61.
[3]苏振宇，龙勇，赵丽艳.基于regARIMA模型的月度负荷预测效果研究[J].中国电力，2018，51（5）：166-171.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。