基于bp神经网络的智能电表用电量预测研究.doc

论文15— 01基于BP神经网络的智能电表数据分析预测 郑建柏1，王芳2 （1. 国网厦门供电公司 营销部，2. 国网福建检修公司 厦门分部） 摘要：针对智能电表高频率快速采集的实时数据，采用BP神经网络的方法对用户的用电行为进行分析预测。通过制定分时电价将用户的用电行为从用电高峰向低谷时段引导，平衡用电高峰和低谷的波动幅度，减少最大用电负荷，提高电网的运行效率。 1 引言 智能电表是智能电网数据采集的基本设备之一，主要作用为采集、计量和传输原始电能数据，以实现信息集成、分析优化和信息展现，主要包括高级量测体系（AMI）和自动抄表系统（AMR）两大核心模块[1]。国内对智能电表的定义是以微处理器为核心的，可存储测量信息并能对测量结果进行实时分析、综合和做出各种判断能力的仪器。智能电表具有自动测量功能，强大的数据处理能力，人机交互功能和一定的人工智能[2]。另外，近年来载波、GPRS、ZigBee等通信功能和用户计量功能等特征也被引入到智能电表的概念中[2,3,4]。 从智能电表应用的角度来看，智能电表一方面能够将用户的用电信息实时反馈给用户，便于用户管理自身的用电量，达到节能减排的目的；另一方面，智能电表实现了每隔15分钟即可采集一次用户用电信息，可以对用户历史用电数据进行挖掘分析，根据用户在一天之中各个时段的用电信息动态调整电价，对用户在不同时段的用电量进行控制，达到削峰填谷的效果。本文主要研究后者阐述的问题，利用智能电表强大的数据采集、数据分析和处理能力，在智能电表中引入BP神经网络模型对用户在未来各时段的用电趋势进行预测，通过预测结果及时调整电价，以节约电网的运行成本，减少最大用电负荷并提高电网的运行效率。此外，从电能计费的角度出发，本文中讨论的用户用电量均指智能电表计量的分时有功电能。 2 BP神经网络原理 2.1 多层前馈神经网络结构 BP神经网络是在多层前馈神经网络的基础上进行学习的。多层前馈神经网络的主要特点是，每个节点的输出只能作为下一节点的输入，而不允许向其上一层节点进行反馈[5]。下图1是多层前馈神经网络的示意图。 图1 多层前馈神经网络示意图 多层前馈神经网络包括输入层、隐层和输出层三部分。输入层由一系列代表训练样本的非类别标识属性组成，输入层的输出形成神经网络的隐层（理论分析的结果是神经网络的隐层最多两层即可，实际应用中，通常只需要一个隐层），输出层由训练样本的已知类别标识属性组成，表示对给定样本的网络预测[5]。 使用神经网络进行用电量预测的前提是对神经网络的拓扑结构进行定义，主要包含两个方面：首先是确定网络拓扑图，即确定输入层中输入节点的数量，隐层的数量、各个隐层中节点的数量以及输出层中的单元数量；其次是对输入节点的属性值进行标准化，将输入属性值标准化到[0,1]区间进行取值。 神经网络拓扑结构的定义是一个需要不断探索的过程，结构的好坏直接影响神经网络学习的精确度。在实际应用中，需要使用输入数据对不同的网络结构进行反复训练，寻找最合适的拓扑结构。 2.2 BP算法的流程 BP算法是使用最广泛的神经网络学习方式，主要由模式顺传播和误差逆传播两个过程组成[5]。模式顺传播的过程是指将一组训练样本作为输入信息由输入层经中间层向输出层的传播过程；误差逆传播的过程是指网络的期望输出与网络的实际输出之间的误差信号由输出层经中间层向输入层逐层修正连接权值的过程。重复模式顺传播和误差逆传播的过程，直到权重最终收敛或达到稳态，即输出的预测类标识与实际样本的类标识之间的均方差达到指定的误差范围内时，完成神经网络的训练。 BP神经网络的具体训练流程包含以下4个步骤： （1）权重初始化。初始化权重往往在一个较小的范围内随机生成，比如-0.5~0.5。 （2）模式顺传播。计算输入层、隐含层和输出层的每个单元的输入输出情况。对于输入层而言，其输入值等于输出值。即对输入节点，有。对于隐层和输出层中的节点，每个单元的输入为上一层的输出与相应权值的复合，即对于节点的下一层节点，有公式： 为下一层节点的输入，为上一层节点的输出。为上一层节点到下一层节点的权值。为节点的阈值。 （3）误差逆传播。计算输出层误差的计算公式为： 其中，是单元的实际输出，是基于给定训练样本类别标识的取值。隐层中节点到输出层节点的误差计算公式为： 权值的修正公式为： 新的权值更新为： 阈值的修正公式为： 新的阈值更新为： 其中表示学习率，有，其作用是避免BP网络陷入局部最优解。 （4）BP算法的终止条件。BP算法终止主要有三种情况，首先是前一阶段的权重变化值已经足够小，低于设定的阈值；其次是前一阶段的所有样本中出现错误分类的比率低于设定的阈值；最后一种情况是神经网络的训练次数超过了设定的周期数。 2.3 神经网络预测原理 构建神经网络的过程实质上是通过神经网络记