張　石，張瑞友，汪定偉
東北大學信息科學與工程學院，遼寧沈陽

摘　　　要：針對基于反向傳播神經網絡（Ｂａｃｋ�玻校颍铮穑幔纾幔簦椋铮睿危澹酰颍幔欤危澹簦鳎铮颍耄�ＢＰＮＮ）的中長期電力負荷預測算法中，預測模型的精度和泛化能力易受輸入樣本變量影響這一問題，利用主元分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）方法能消除變量間相關性的特點，對ＢＰＮＮ的輸入空間進行重構，消除重疊信息，提取主導因素，優化了網絡結構，提高了預測精度。通過實例驗證了該方法的有效性。此方法可以使用電計劃部門實時、準確的預測電力負荷，以此較優的配比發電機組，也可減少由于預測不準確帶來的電力系統各種故障的發生。

關　鍵　詞：主元分析；ＢＰ神經網絡；負荷預測；電力系統

１　引　言
電力系統中長期負荷預測是電力系統的規劃、計劃、營銷、市場交易、調度等部門工作的重要依據［１］。科學的預測是正確的保證，能正確并合理地對電力需求做出預先的估計和推測，對電力系統的穩定運行意義重大。中長期負荷預測易受經濟、政策、產業結構等諸多因素影響，是個典型的非線性系統［２�玻矗荨Ｈ斯ど窠浘W絡（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＡＮＮ）算法在解決系統的非線性方面有較好的效果和實際的成果，國內外學者它用ＡＮＮ在電力負荷預測作了一些工作［５�玻梗荨１疚倪\用反向傳播神經網絡（Ｂａｃｋ�玻校颍铮穑幔纾幔簦椋铮睿危澹酰颍幔欤危澹簦鳎铮颍耄�ＢＰＮＮ）利用某城市全社會的用電數據和經濟數據對次年的用電負荷進行預測，但由于網絡輸入維數高且自身存在嚴重的相關性，使網絡的泛化性能變差，導致預測精度下降。考慮到主元分析（ＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）方法能消除變量間相關性的特點［１０�玻保保荩瑢τ^測數據進行主元分析，這樣不但降低了變量維數，也保留了原始數據信息，對于ＢＰＮＮ而言，將導出的主元作為輸入神經元輸入ＢＰ網絡，縮小了網絡結構，提高了網絡的泛化能力，并通過實例驗證了方法的有效性。

登錄網站后可下載文件