论文部分内容阅读
【摘要】电力工业作为关系到国计民生的战略性产业，其健康发展关系到每一个人的切身利益。本文收集了全国第一电力消费大省江苏省1990至2013年的用电量数据，利用BP神经网络算法构建了用电量预测模型。并对江苏省未来五年的用电量进行了预测，为有关部门的电力规划与投资提供有效的决策依据。
【关键词】BP神经网络；江苏省；用电量；预测
1、引言
电力作为一种特殊的商品具有如下两大特性：电力不可存储；电力的生产、运输和消费同时在瞬间完成。因此如果供给过多则会造成巨大的投资与能源浪费，如果电力供给不足则会从负面影响到社会经济的发展。另一方面，电力电网投资巨大，建设周期较长，大约需要三年的时间，在缺电情况下开工的项目不能马上发电以满足用电需求。三年后开始发电时同期经济可能进入下行轨道，届时电力需求回落和电力项目集中投产同步发生，将会导致电力供给大于需求。面对电力投资与用电需求脱节的难题，尽快建立比较准确的用电量需求预测体系具有重要的理论与实践意义。江苏作为经济大省，经济发展和人民生活水平快速提高，对电力的需求持续增长。2013年，江苏省全社会用电量实现历史性突破，达4957亿千瓦时，超过广东省4830.13亿千瓦时的全社会用电量，跃居全国第一[1]。同时江苏也是资源小省，电力供求长期处于紧平衡状态。所以为了更好地适应经济发展的需要，精确地预测未来一段时间内用电量的变化趋势，对江苏省电力规划和经济的长远发展而言都具有重要的意义。本文利用BP（误差反向传播）神经网络模型对江苏省未来五年的全省用电量进行预测，为相关部门的电力投资与规划提供参考数据。
2、BP神经网络原理与结构
BP神经网络也被称为误差反向传播神经网络，是神经网络模型中使用最广泛的一类。它是由非线性变换单元组成的，采用误差反向传播学习算法的前馈网络。从结构上讲，BP网络是一种分层型的典型多层网络，具有1个输入层、若干隐含层和1个输出层，层与层之间多采用全连接的方式，同一层单元之间不存在相互连接。图1给出了一个典型的3层BP神经网络结构拓扑图。
（7）判断全局误差E是否满足精度要求。若满足，则转至（9），否则继续。
（8）更新网络次数，若学习次数小于规定的次数，返回（2）。
（9）结束。
3、基于BP神经网络的用电量预测模型及仿真实现
根据上述介绍的BP神经网络算法基本原理，笔者采用MATLAB R 2009a编制程序，利用MATLAB神经网络工具箱建立网络模型，并将建立的网络模型用于对江苏省全社会用电量的预测。
3.1 样本数据的准备
获取样本数据是BP神经网络结构设计与网络训练及测试的基础，本文通过江苏省统计年鉴收集了1990年至2013年江苏省的电力消费量数据。具体数据见表1。
3.2 网络层数的确定
BP神经网络是一种多层前馈網络，但是Robert Hecht Nielsen在1989年证明了三层网络可以模拟任意复杂的非线性问题，也就是说只含一个隐含层的BP神经网络可实现任意的非线性映射[3]。所以，本文选择三层BP神经网络模型。
3.3 各层节点数的确定
用电量是典型的时间序列数据，具有一定的连贯性。将前几年的数据作为输入，其后续年的数据作为目标，进行训练。如果符合实际情况，就可以对未来的用电量进行预测。对于本问题，输入为前5年的用电量增长率，输出为后一年的用电量增长率。将增长率作为样本的好处是既能直观地观测用电量的变动趋势，又能估计出用电量的绝对值。因此输入层的节点数为5输出层的节点数为1。
隐含层节点数的确定目前还没有比较成熟的理论，通用的隐含层节点数的确定经验公式为：i=√（m+n）+a[4]
其中：m、n分别为输入层和输出层的节点数，a为常数且1 3.4 传递函数与学习算法的选取
第一层是S型函数且第二层为线性函数的BP神经网络就可以用来模拟任何连续有界的函数[5]。因此，本文隐含层传递函数为S型函数“tansig”，输出层函数为线性函数“purelin”。与在众多的算法相比，LevenbergMarquart算法具有收敛速度快和预测精度高的优点，故本文采用LM算法。
3.5 BP网络训练与检测
为了提高新建网络的性能，利用premnmx函数将输入输出样本进行[-1，+1]归一化处理。分别通过newff和train函数建立与训练网络。设置最大训练次数为1000，训练目标误差为0.0001，学习速率为0.05，动量因子为0.9。由图2可知，从第六个周期开始，训练误差小于目标误差，误差平方和均值为5.89e-008时训练停止。将归一化后的检测样本带入已训练好的网络，利用sim函数进行模拟仿真，并将仿真结果通过postmnmx函数进行反归一化处理，从而得到有效预测值。由表2可知，用电量增长率预测的BP神经网络模型误差很小，预测值与实际值的平均误差为9.68%，预测结果准确性较高。
3.6 江苏省未来5年用电量BP网络训练预测
把2009年至2013年江苏省用电量增长率的实际数据作为训练好的神经网络的输入，得到2014年用电量需求预测值。将2010年至2013年的实际数据以及2014年的预测结果作为输入，得到2015年预测值，以此类推，可以得到2014年至2018年江苏省用电量增长率的预测结果。由表3可知，江苏省未来5年用电量整体呈上升趋势，但是增幅基本保持在9.5%左右。
4、结论
本文以1990～2013年江苏省用电量数据为基础，运用BP神经网络建立预测模型，并利用MATLAB提供的工具箱进行编程。经过对历年江苏省电力消费量的分析，合理地设计了BP神经网络的结构，取得了一定的定量分析的结果。希望通过本文的分析能够满足预测江苏省电力消费的需要，为电力行业相关部门合理安排各电厂发电量，降低运行成本提供有效的决策依据。
参考文献
[1]国网江苏省电力公司.江苏省全社会用电量居全国第一[EB/OL].[2014-01-07]. http：//www.js.sgcc.com.cn/.
[2]崔东文.基于改进BP神经网络模型的云南文山州水资源脆弱性综合评价[J].长江科学院院报，2013，30（3）：1-7.
[3]李亚中，徐朝.2012年中国电机工程学会年会 [C].北京：2012，315-318.
[4]张善鎏，于永忠.基于BP神经网络在校园用电量预测的应用[J].科协论坛，2013（12）：68-69.
[5]郭娟.基于BP神经网络的中国铁矿石需求量预测[J].国土资源报，2008（11）：41-44.
【关键词】BP神经网络；江苏省；用电量；预测
1、引言
电力作为一种特殊的商品具有如下两大特性：电力不可存储；电力的生产、运输和消费同时在瞬间完成。因此如果供给过多则会造成巨大的投资与能源浪费，如果电力供给不足则会从负面影响到社会经济的发展。另一方面，电力电网投资巨大，建设周期较长，大约需要三年的时间，在缺电情况下开工的项目不能马上发电以满足用电需求。三年后开始发电时同期经济可能进入下行轨道，届时电力需求回落和电力项目集中投产同步发生，将会导致电力供给大于需求。面对电力投资与用电需求脱节的难题，尽快建立比较准确的用电量需求预测体系具有重要的理论与实践意义。江苏作为经济大省，经济发展和人民生活水平快速提高，对电力的需求持续增长。2013年，江苏省全社会用电量实现历史性突破，达4957亿千瓦时，超过广东省4830.13亿千瓦时的全社会用电量，跃居全国第一[1]。同时江苏也是资源小省，电力供求长期处于紧平衡状态。所以为了更好地适应经济发展的需要，精确地预测未来一段时间内用电量的变化趋势，对江苏省电力规划和经济的长远发展而言都具有重要的意义。本文利用BP（误差反向传播）神经网络模型对江苏省未来五年的全省用电量进行预测，为相关部门的电力投资与规划提供参考数据。
2、BP神经网络原理与结构
BP神经网络也被称为误差反向传播神经网络，是神经网络模型中使用最广泛的一类。它是由非线性变换单元组成的，采用误差反向传播学习算法的前馈网络。从结构上讲，BP网络是一种分层型的典型多层网络，具有1个输入层、若干隐含层和1个输出层，层与层之间多采用全连接的方式，同一层单元之间不存在相互连接。图1给出了一个典型的3层BP神经网络结构拓扑图。
（7）判断全局误差E是否满足精度要求。若满足，则转至（9），否则继续。
（8）更新网络次数，若学习次数小于规定的次数，返回（2）。
（9）结束。
3、基于BP神经网络的用电量预测模型及仿真实现
根据上述介绍的BP神经网络算法基本原理，笔者采用MATLAB R 2009a编制程序，利用MATLAB神经网络工具箱建立网络模型，并将建立的网络模型用于对江苏省全社会用电量的预测。
3.1 样本数据的准备
获取样本数据是BP神经网络结构设计与网络训练及测试的基础，本文通过江苏省统计年鉴收集了1990年至2013年江苏省的电力消费量数据。具体数据见表1。
3.2 网络层数的确定
BP神经网络是一种多层前馈網络，但是Robert Hecht Nielsen在1989年证明了三层网络可以模拟任意复杂的非线性问题，也就是说只含一个隐含层的BP神经网络可实现任意的非线性映射[3]。所以，本文选择三层BP神经网络模型。
3.3 各层节点数的确定
用电量是典型的时间序列数据，具有一定的连贯性。将前几年的数据作为输入，其后续年的数据作为目标，进行训练。如果符合实际情况，就可以对未来的用电量进行预测。对于本问题，输入为前5年的用电量增长率，输出为后一年的用电量增长率。将增长率作为样本的好处是既能直观地观测用电量的变动趋势，又能估计出用电量的绝对值。因此输入层的节点数为5输出层的节点数为1。
隐含层节点数的确定目前还没有比较成熟的理论，通用的隐含层节点数的确定经验公式为：i=√（m+n）+a[4]
其中：m、n分别为输入层和输出层的节点数，a为常数且1
第一层是S型函数且第二层为线性函数的BP神经网络就可以用来模拟任何连续有界的函数[5]。因此，本文隐含层传递函数为S型函数“tansig”，输出层函数为线性函数“purelin”。与在众多的算法相比，LevenbergMarquart算法具有收敛速度快和预测精度高的优点，故本文采用LM算法。
3.5 BP网络训练与检测
为了提高新建网络的性能，利用premnmx函数将输入输出样本进行[-1，+1]归一化处理。分别通过newff和train函数建立与训练网络。设置最大训练次数为1000，训练目标误差为0.0001，学习速率为0.05，动量因子为0.9。由图2可知，从第六个周期开始，训练误差小于目标误差，误差平方和均值为5.89e-008时训练停止。将归一化后的检测样本带入已训练好的网络，利用sim函数进行模拟仿真，并将仿真结果通过postmnmx函数进行反归一化处理，从而得到有效预测值。由表2可知，用电量增长率预测的BP神经网络模型误差很小，预测值与实际值的平均误差为9.68%，预测结果准确性较高。
3.6 江苏省未来5年用电量BP网络训练预测
把2009年至2013年江苏省用电量增长率的实际数据作为训练好的神经网络的输入，得到2014年用电量需求预测值。将2010年至2013年的实际数据以及2014年的预测结果作为输入，得到2015年预测值，以此类推，可以得到2014年至2018年江苏省用电量增长率的预测结果。由表3可知，江苏省未来5年用电量整体呈上升趋势，但是增幅基本保持在9.5%左右。
4、结论
本文以1990～2013年江苏省用电量数据为基础，运用BP神经网络建立预测模型，并利用MATLAB提供的工具箱进行编程。经过对历年江苏省电力消费量的分析，合理地设计了BP神经网络的结构，取得了一定的定量分析的结果。希望通过本文的分析能够满足预测江苏省电力消费的需要，为电力行业相关部门合理安排各电厂发电量，降低运行成本提供有效的决策依据。
参考文献
[1]国网江苏省电力公司.江苏省全社会用电量居全国第一[EB/OL].[2014-01-07]. http：//www.js.sgcc.com.cn/.
[2]崔东文.基于改进BP神经网络模型的云南文山州水资源脆弱性综合评价[J].长江科学院院报，2013，30（3）：1-7.
[3]李亚中，徐朝.2012年中国电机工程学会年会 [C].北京：2012，315-318.
[4]张善鎏，于永忠.基于BP神经网络在校园用电量预测的应用[J].科协论坛，2013（12）：68-69.
[5]郭娟.基于BP神经网络的中国铁矿石需求量预测[J].国土资源报，2008（11）：41-44.