2024年8月23日发(作者：局紫南)
维普资讯
２００８年２月
陕西理工学院学报（自然科学版）
Ｆｅｂ．２ｏｏ８
第２４卷第１期
Ｊｏｕｒｎａｌ ｏｆ Ｓｈａａｎｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｆｏ Ｔｅｃｈｎｏｌｏｇｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ）
Ｖｏ１．２４ Ｎｏ．１
［文章编号］１６７３—２９４４（２００８）Ｏ１—００２５—０４
基于ＡＲＴ—ＣＣ的电力负荷数据预处理
吴耀华
（陕西理工学院电气工程系，陕西汉中７２３００３）
［摘要］ 电力负荷观测值由于受到各种因素的影响，正常的负荷数据中夹杂着许多脏数
据，严重影响负荷预测的精度。对此提出了由自适应共振网络（ＡＲＴ网络）和超圆神经元网络
（ＣＣ网络）组合而成的神经网络模型，并应用该模型清洗陕西省某地区的负荷数据，结果表明
该模型能较好的完成脏数据的辨识任务，对负荷数据修正后能明显提高负荷预测精度。
［关键词］ 负荷预测； 自适应共振网络；超圆神经元网络； 脏数据处理
［中图分类号］ＴＭ７１５ ［文献标识码］ Ａ
短期负荷预测是电力系统优化调度（如机组最优组合、经济调度、最优潮流计算等）的基础工具，是
电力企业日常经营管理工作的重要组成部分，准确的短期负荷预测是电网调度机构制定发供电计划和
做好电网供需平衡的关键，它有助于系统运行人员高效地预估电能的生产、输送、分配及消费情况…。
电力负荷是一个随机非平稳过程，其负荷观钡０值由于受到各种因素的影响，可能会存在某些”脏数
据”，这些数据夹杂在正常的负荷数据中参与神经网络的训练，严重影响了负荷预测的精度。为准确、
快速地清洗负荷历史数据，本文通过对自适应共振网络（ＡＲＴ网络）抗差聚类性能和超圆神经元网络
（ＣＣ网络）模式分类性能的分析，设计由这两种网络组合而成的神经网络模型，较好地完成了脏数据辨
识的任务。从而为准确的负荷预测打好基础 。
１ ＡＲＴ网络简介
ＡＲＴ网络可以保证在适当增加网络规模的同时，在过去记忆的模式和新来的训练模式之间做某种
折中，最大限度地接受新的模式信息，同时保证较少地影响过去的模式样本。它具有较大的灵活性以适
应新输入的模式，而且又能保持对过去学习过的样本的记忆 引。
１．１ ＡＲＴ网络的结构
ＡＲＴ网络的结构示意图如图１所示，它是一个特
殊的两层结构。网络的第一层为输入模式样本通过该
层连接权值｛ｂｉ；｝的前馈；输出层为所有输出节点按该
锄押
层的连接权矩阵｛ｔｉｉ｝对输入节点的反馈。从结构上来
说，它类似于双向联想记忆网络，但是在该网络的输出
输Ｅ
端节点问还存在自兴奋、侧抑制相互连接，通过竞争学
习的方式来得到最匹配的节点。
１．２ ＡＲＴ网络的基本工作原理
ＡＲＴ网络的基本工作原理是，网络接受来自外面
输Ｅ
环境的输入，根据新来的模式样本与网络所有存储的
模式典型矢量（输出端对应的类别节点权矢量）之间的
ｘ１ ｘ２ ｘ３
相似程度，按照预先设计的参考门限来考察这些相似
图１ ＡＲＴ网络结构
收稿日期：２００７—０９—２３
作者简介：吴耀华（１９７０一），男，陕西安康人，陕西理工学院讲师，主要研究方向为电力系统自动化。
维普资讯
陕西理工学院学报（自然科学版） 第２４卷
度，从而确定这个新来的输人是否属于网络中已存储的模式类
别。对相似度超过参考门限的所有模式类，选择最为相似的类
别模式作为该模式的代表类，然后把这个模式按一定学习规则
归并到该类别模式类。即调整与该类别相关的输出端类别节
点到对应的连接权值，使以后与该模式相似的输人再与该模式
对应的类别权矢量匹配时，能得到更大的相似度，而输出端对
应的其它类别节点的连接权值，则不作任何变动。若该输人模
式在网络输出端类别节点对应的所有相似度都不超过参考门
Ｘ１ Ｘ２ Ｘ３ Ｘｎ
限，则在网络输出端设立一新模式类节点，并建立与该模式类
节点相连的权值，以存储该类模式，以便于其参与以后的匹配
图２基于ＣＣ模型的网络结构
过程。网络就是这样周而复始地对所接受的每个新的输人样本，进而上面的反复学习与匹配，直至所有
的训练样本被学习完为止。
也就是说ＡＲＴ网络的自组织学习过程包括三个部分：一是匹配阶段，即计算输出节点类别模式与
输人模式样本的匹配度；二是比较与搜索阶段，即比较输人模式与存储的类别模式之间的相似度，如果
满足警戒门限值，则进人第三个阶段一学习阶段；三是学习阶段，即对发生共振的输出节点对应的类别
模式或存储模式进行加强学习，以便于以后出现与该模式相似的样本能得到更大的输出。
２ ＣＣ网络模型介绍
在完成了历史数据的聚类后，我们就得到了各个数据类的特征曲线。接下来对历史数据进行坏数
据的模式分类以实现对坏数据的辨识和利用特征曲线对坏数据进行修正。本文提出使用收敛速度快、
模式分类能力强的基于超圆神经元网络的ｃｃ模型构建负荷坏数据的模式识别分类器（每一个聚类中
心对应于一个神经网络） Ｊ。
２．１ ＣＣ网络模型结构及基本原理
超圆神经元网络的每个神经元都有一个功能作用域（吸引域）。位于吸引域内的输人数据响应同
一
种输出（类别），每个神经元的吸引域就是一个空间分割块，位于分割块中的输人特征对应同一种输
出类别。因此，ＣＣ模型是用超圆（非线性）而不是超平面（线性）来分割输人空间。
基于ｃｃ模型的网络结构如图３所示。其中第一层为ｃｃ神经元层，完成对样本空间的划分，其个
数由下面所提到的算法确定，每个ＣＣ神经元的参数为（Ａ，ｃ）以及所属类别，Ａ为其特征向量，ｃ为吸引
域。第二层为ＭＰ神经元层，完成输出的判断，每个ＭＰ神经元需要确定的参数为。
ｃｃ模型是采用非线性方式来完成对样本空间的划分。可以看到，这种基于ｃｃ模型的神经网络能
都完成对样本的最优或次优划分，其学习复杂度低，网络结构易于理解，使用较少的网络隐层神经元，具
有较强的容错能力。
２．２采用ＣＣ网完成非正常曲线模式分类
ｃｃ网分类模型的建立分两个步骤：训练样本集的产生和网络的训练。
２．２．１ 用特征曲线产生ＣＣ网训练样本集
设ＡＲＴ网将负荷曲线分成Ｐ类，记为置， ：，…， ，每条特征曲线对应一个ＣＣ网，记为ＣＣ，，ＣＣ ，
…
，
ｃ 。以ｃｃ 为例，输人输出样本集的生成过程如下ｔ
①将特征曲线 。作为一个输人样本，对应输出样本ｙ为（Ｏ，…，Ｏ）；
②将 的第一个分量叠加一个偏差ｅ，产生一条含有１个坏数据的曲线，对应输出ｙ为（０．５，０，
…
，
Ｏ）。依次对第二个直至全部分量均如此处理，得到正偏差样本集；
③将ｅ换成一ｅ，＋０．５换成一０．５，重复第②步，得到负偏差样本集，至此形成ｃＣ，的样本集；
用类似的方法形成Ｃｃ２，…，Ｃｃ 的输人输出样本集。方法所考虑的主要是曲线的横向特征，对那
些使曲线形状发生突变、明显破坏曲线平滑性特征的点进行识别，这与专家对坏数据的直观判断方法是
一
致的。当某条特征曲线对应的神经网络训练完成以后，若将本类中某条负荷曲线输人网络，含有坏数
・
２６・
维普资讯
第１期 吴耀华 基于ＡＲＴ—ＣＣ的电力负荷数据预处理
据的分量对应的输出分量将接近１，其余正常点对应的输出分量则接近于０。不论坏数据是单点还是连
续成片，据此均能够较准确地辨识和定位。
２．２．２对网络的训练 ．
每一个ＣＣ网络的输入层为２４个节点（对应一天２４个负荷数据点），输出层也为２４个节点，每一
个输出节点与每一个输入节点在位置上一一对应。输入由步骤ｉ产生的样本直至网络收敛。由于ＣＣ
网络是采用非线性方式来完成对样本空间的划分，因此很快可以达到收敛。
３坏数据辨识的组合神经网络模型
３．１ 坏数据辨识模型结构及原理
坏数据辨识模型是一个如图３所示的组合神经网络。
模型第一层为ＡＲＴ自适应共振网络，它的作用是将样本曲
线进行聚类，并给出各类的特征曲线；第二层为若干超圆神
经元网络（ＣＣ网），它们是由各类的特征曲线产生的，一次
只能有一个ＣＣ子网被激活，实现坏数据精确定位。
整个网络训练好之后，即可以用它来辨识坏数据。设
定正常接受域［一０．２，＋０．２］。将待检曲线输入ＡＲＴ网， 图３坏数据辨识模型
与该曲线相似度最大的特征曲线对应的输出神经元值为１，而其它的为０；为１的这个神经元值激活由
此特征曲线训练得到的ｃｃ网；以待检曲线作为该ｃｃ网的输入
矢量，其输出即为网络输出矢量】，。】，超出接受域范围的分量
所对应的输入分量即为坏数据。
３．２基于特征曲线的坏数据调整
调整方法是将特征曲线 的相应段平移到被检曲线
上。
设检出曲线 的Ｐ点至ｑ为坏数据，其特征曲线为置，修
正后的曲线为 ，采用下面的公式对坏数据进行调整：
ｃ ＋鬻 ］／２ 图４数据处理结果对照图
ｉ＝Ｐ，Ｐ＋１，…，ｑ
调整结果使得修正后的曲线 更加符合本类曲线的特征，即使偶有正常数据被误检为坏数据，用
上述方法调整也不会产生大的偏差。
４ 实例分析
表、１负荷检测结果
对于陕西某市２００２年８月一个月的负荷数据
进行辨识，检验结果如表１所示，其中漏检表示把坏
数据检测为正常数据，误检表示把正常数据检测为
坏数据：由表１可以看出，由本文提出的模型对坏数
据的平均检测率为９２．１ １％，效果是令人满意的；而
传统的采用抗差估计方法 辨识坏数据的正确率
仅为８８．１６％。由该数据结果显示，本文提出的方
法可以更为准确的辨识坏负荷数据。
对该市某日２４小时的负荷数据进行修正，修正
结果如图４所示。从图中可以看出，校正后的负荷数
据的误差明显降低，消除了曲线中的毛刺现象，保证负荷曲线的平滑性，有效的保证了负荷数据准确度。
・
２７・
维普资讯
陕西理工学院学报（自然科学版） 第２４卷
最后，本文采用神经网络算法【６ 对该市
２００２年８月１４日（星期三）的负荷进行预
表２负荷预测值与实际负荷预测值与实际值比较
测。预测结果见表２。其中预测值１和误差
１是负荷数据没有经过预处理所做出的预
测，预测值２和误差２是数据经过本文方法
处理后所做出的预测。
从表２可以看出，经过数据处理后的预
测误差均小于３％，误差小于２％的点有２２
个，最大误差为２．０７４％，最小误差仅为
０．０５２％。可见，经过数据预处理后能有效提
高预测精度。
５ 结论
坏数据辨识应当根据具体问题分析数据
的本质特征和内在规律，从而找到有针对性
的有效方法。电力日负荷曲线具有相似性和
平滑性２个重要特征，本文提出的组合神经
网络充分利用这２个重要特征进行坏数据辨
识，实现了坏数据的精确定位，该方法具有纯
数值方法不具有的长处，能够通过自学习掌
握那些不易表达的规律，为坏数据辨识提供
了可能的解决方案。实例分析取得了良好的
效果。用该方法进行坏数据辨识，对负荷特
性没有特别要求，具有普适性和推广应用价
值。
［ 参考文献］
［１］刘晨晖．电力系统负荷预报理论与方法［Ｍ］．哈尔滨：哈尔滨工业大学出版社，１９８７．
［２］ 陈亚红，穆钢，段方丽．短期负荷预报中几种异常数据的处理［Ｊ］．东北电力学院学报，２００２，２２（２）：１—５．
［３］张国江，邱家驹，李继红．基于人工神经网络的电力负荷坏数据辨识与调整【Ｊ］．中国电机工程学报：２００１，２１（８）：
１０４－－１０７．
［４］黄得双，等．神经网络模式识别系统理论［Ｍ］．北京：电子工业出版社，１９９６．
［５］黄金才，陈文伟．非线性ＣＣ神经元模型的原理及其学习算法［Ｊ］．计算机科学，２００１，２９（１２）：８０—８３．
［６］赵林明，等．多层前向人工神经网络［Ｍ］．郑州：黄河水利出版社，１９９９．
Ｐｏｗｅｒ ｓｙｓｔｅｍ ｌｏａｄ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ｂａｓｅｄ ｏｎ ＡＲＴ—．ＣＣ ｎｅｔｗｏｒｋ
ＷＵ Ｙａｏ—ｈｕａ
（Ｄｅｐｔ．ｏｆ Ｅ Ｅ ｏｆ Ｓｈａａｎｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｎｚｈｏｎｇ ７２３００３， Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｌｏａｄ ｖａｌｕｅｓ ｏｆ ｐｏｗｅｒ ｓｙｓｔｅｍｓ ｈａｖｅ ｓｏｍｅ”ｄｉｒｔｙ ｄａｔａ”ｄｕｅ ｔｏ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｖａｒｉｏｕｓ ｆａｃ—
ｔｏｍ．Ｔｈｅｓｅ”ｄｉｒｔｙ ｄａｔａ”ａｆｆｅｃｔ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｓｅｒｉｏｕｓｌｙ．Ｔｈｉｓ ｐａｐｅｒ ｐｕｔｓ ｆｏｒｗａｒｄ ａｎ ｉｎｔｅｌｌｉｇｅｎｔ
ｍｏｄｅｌ ｗｈｉｃｈ ｃｏｍｐｒｉｓｅｄ ｏｆ ａｄａｐｔ ｒｅｓｏｎａｎｃｅ ｎｅｔｗｏｒｋ（ＡＲＴ ｎｅｔｗｏｒｋ）ｗｉｈｔ ｓｕｐｅｒ ｃｉｒｃｌｅ ｎｅｔｗｏｒｋ（ＣＣ ｎｅｔｗｏｒｋ）．
Ｂｙ ｕｓｉｎｇ ｈｔｉｓ ｍｏｄｅｌ ｔｏ ｃｌｅａｎ ｈｔｅ ｌｏａｄ ｄａｔａ ｏｆａ ｃｅｒｔａｉｎ ａｒｅａ ｉｎ ｓｈａａｎｘｉ，ｔｈｅ ｅｆｆｅｃｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｍｏｄｅｌ Ｃａｎ ｒｅｃ
ｏｇｎｉｚｅ ｄｉｒｔｙ ｄａｔａ ｃｏｍｐｌｅｔｅｌｙ，ａｎｄ ｔｈｅ ｒｅｖｉｓｅｄ ｌｏａｄ ｄａｔａ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ａｃｃｕｒａｔｙ．
Ｋｅｙ ｗｏｒｄｓ：ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ；ＡＲＴ ｎｅｔｗｏｒｋ；ＣＣ ｎｅｔｗｏｒｋ；ｄｉｒｔｙ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ
．
２８．
2024年8月23日发(作者：局紫南)
维普资讯
２００８年２月
陕西理工学院学报（自然科学版）
Ｆｅｂ．２ｏｏ８
第２４卷第１期
Ｊｏｕｒｎａｌ ｏｆ Ｓｈａａｎｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｆｏ Ｔｅｃｈｎｏｌｏｇｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ）
Ｖｏ１．２４ Ｎｏ．１
［文章编号］１６７３—２９４４（２００８）Ｏ１—００２５—０４
基于ＡＲＴ—ＣＣ的电力负荷数据预处理
吴耀华
（陕西理工学院电气工程系，陕西汉中７２３００３）
［摘要］ 电力负荷观测值由于受到各种因素的影响，正常的负荷数据中夹杂着许多脏数
据，严重影响负荷预测的精度。对此提出了由自适应共振网络（ＡＲＴ网络）和超圆神经元网络
（ＣＣ网络）组合而成的神经网络模型，并应用该模型清洗陕西省某地区的负荷数据，结果表明
该模型能较好的完成脏数据的辨识任务，对负荷数据修正后能明显提高负荷预测精度。
［关键词］ 负荷预测； 自适应共振网络；超圆神经元网络； 脏数据处理
［中图分类号］ＴＭ７１５ ［文献标识码］ Ａ
短期负荷预测是电力系统优化调度（如机组最优组合、经济调度、最优潮流计算等）的基础工具，是
电力企业日常经营管理工作的重要组成部分，准确的短期负荷预测是电网调度机构制定发供电计划和
做好电网供需平衡的关键，它有助于系统运行人员高效地预估电能的生产、输送、分配及消费情况…。
电力负荷是一个随机非平稳过程，其负荷观钡０值由于受到各种因素的影响，可能会存在某些”脏数
据”，这些数据夹杂在正常的负荷数据中参与神经网络的训练，严重影响了负荷预测的精度。为准确、
快速地清洗负荷历史数据，本文通过对自适应共振网络（ＡＲＴ网络）抗差聚类性能和超圆神经元网络
（ＣＣ网络）模式分类性能的分析，设计由这两种网络组合而成的神经网络模型，较好地完成了脏数据辨
识的任务。从而为准确的负荷预测打好基础 。
１ ＡＲＴ网络简介
ＡＲＴ网络可以保证在适当增加网络规模的同时，在过去记忆的模式和新来的训练模式之间做某种
折中，最大限度地接受新的模式信息，同时保证较少地影响过去的模式样本。它具有较大的灵活性以适
应新输入的模式，而且又能保持对过去学习过的样本的记忆 引。
１．１ ＡＲＴ网络的结构
ＡＲＴ网络的结构示意图如图１所示，它是一个特
殊的两层结构。网络的第一层为输入模式样本通过该
层连接权值｛ｂｉ；｝的前馈；输出层为所有输出节点按该
锄押
层的连接权矩阵｛ｔｉｉ｝对输入节点的反馈。从结构上来
说，它类似于双向联想记忆网络，但是在该网络的输出
输Ｅ
端节点问还存在自兴奋、侧抑制相互连接，通过竞争学
习的方式来得到最匹配的节点。
１．２ ＡＲＴ网络的基本工作原理
ＡＲＴ网络的基本工作原理是，网络接受来自外面
输Ｅ
环境的输入，根据新来的模式样本与网络所有存储的
模式典型矢量（输出端对应的类别节点权矢量）之间的
ｘ１ ｘ２ ｘ３
相似程度，按照预先设计的参考门限来考察这些相似
图１ ＡＲＴ网络结构
收稿日期：２００７—０９—２３
作者简介：吴耀华（１９７０一），男，陕西安康人，陕西理工学院讲师，主要研究方向为电力系统自动化。
维普资讯
陕西理工学院学报（自然科学版） 第２４卷
度，从而确定这个新来的输人是否属于网络中已存储的模式类
别。对相似度超过参考门限的所有模式类，选择最为相似的类
别模式作为该模式的代表类，然后把这个模式按一定学习规则
归并到该类别模式类。即调整与该类别相关的输出端类别节
点到对应的连接权值，使以后与该模式相似的输人再与该模式
对应的类别权矢量匹配时，能得到更大的相似度，而输出端对
应的其它类别节点的连接权值，则不作任何变动。若该输人模
式在网络输出端类别节点对应的所有相似度都不超过参考门
Ｘ１ Ｘ２ Ｘ３ Ｘｎ
限，则在网络输出端设立一新模式类节点，并建立与该模式类
节点相连的权值，以存储该类模式，以便于其参与以后的匹配
图２基于ＣＣ模型的网络结构
过程。网络就是这样周而复始地对所接受的每个新的输人样本，进而上面的反复学习与匹配，直至所有
的训练样本被学习完为止。
也就是说ＡＲＴ网络的自组织学习过程包括三个部分：一是匹配阶段，即计算输出节点类别模式与
输人模式样本的匹配度；二是比较与搜索阶段，即比较输人模式与存储的类别模式之间的相似度，如果
满足警戒门限值，则进人第三个阶段一学习阶段；三是学习阶段，即对发生共振的输出节点对应的类别
模式或存储模式进行加强学习，以便于以后出现与该模式相似的样本能得到更大的输出。
２ ＣＣ网络模型介绍
在完成了历史数据的聚类后，我们就得到了各个数据类的特征曲线。接下来对历史数据进行坏数
据的模式分类以实现对坏数据的辨识和利用特征曲线对坏数据进行修正。本文提出使用收敛速度快、
模式分类能力强的基于超圆神经元网络的ｃｃ模型构建负荷坏数据的模式识别分类器（每一个聚类中
心对应于一个神经网络） Ｊ。
２．１ ＣＣ网络模型结构及基本原理
超圆神经元网络的每个神经元都有一个功能作用域（吸引域）。位于吸引域内的输人数据响应同
一
种输出（类别），每个神经元的吸引域就是一个空间分割块，位于分割块中的输人特征对应同一种输
出类别。因此，ＣＣ模型是用超圆（非线性）而不是超平面（线性）来分割输人空间。
基于ｃｃ模型的网络结构如图３所示。其中第一层为ｃｃ神经元层，完成对样本空间的划分，其个
数由下面所提到的算法确定，每个ＣＣ神经元的参数为（Ａ，ｃ）以及所属类别，Ａ为其特征向量，ｃ为吸引
域。第二层为ＭＰ神经元层，完成输出的判断，每个ＭＰ神经元需要确定的参数为。
ｃｃ模型是采用非线性方式来完成对样本空间的划分。可以看到，这种基于ｃｃ模型的神经网络能
都完成对样本的最优或次优划分，其学习复杂度低，网络结构易于理解，使用较少的网络隐层神经元，具
有较强的容错能力。
２．２采用ＣＣ网完成非正常曲线模式分类
ｃｃ网分类模型的建立分两个步骤：训练样本集的产生和网络的训练。
２．２．１ 用特征曲线产生ＣＣ网训练样本集
设ＡＲＴ网将负荷曲线分成Ｐ类，记为置， ：，…， ，每条特征曲线对应一个ＣＣ网，记为ＣＣ，，ＣＣ ，
…
，
ｃ 。以ｃｃ 为例，输人输出样本集的生成过程如下ｔ
①将特征曲线 。作为一个输人样本，对应输出样本ｙ为（Ｏ，…，Ｏ）；
②将 的第一个分量叠加一个偏差ｅ，产生一条含有１个坏数据的曲线，对应输出ｙ为（０．５，０，
…
，
Ｏ）。依次对第二个直至全部分量均如此处理，得到正偏差样本集；
③将ｅ换成一ｅ，＋０．５换成一０．５，重复第②步，得到负偏差样本集，至此形成ｃＣ，的样本集；
用类似的方法形成Ｃｃ２，…，Ｃｃ 的输人输出样本集。方法所考虑的主要是曲线的横向特征，对那
些使曲线形状发生突变、明显破坏曲线平滑性特征的点进行识别，这与专家对坏数据的直观判断方法是
一
致的。当某条特征曲线对应的神经网络训练完成以后，若将本类中某条负荷曲线输人网络，含有坏数
・
２６・
维普资讯
第１期 吴耀华 基于ＡＲＴ—ＣＣ的电力负荷数据预处理
据的分量对应的输出分量将接近１，其余正常点对应的输出分量则接近于０。不论坏数据是单点还是连
续成片，据此均能够较准确地辨识和定位。
２．２．２对网络的训练 ．
每一个ＣＣ网络的输入层为２４个节点（对应一天２４个负荷数据点），输出层也为２４个节点，每一
个输出节点与每一个输入节点在位置上一一对应。输入由步骤ｉ产生的样本直至网络收敛。由于ＣＣ
网络是采用非线性方式来完成对样本空间的划分，因此很快可以达到收敛。
３坏数据辨识的组合神经网络模型
３．１ 坏数据辨识模型结构及原理
坏数据辨识模型是一个如图３所示的组合神经网络。
模型第一层为ＡＲＴ自适应共振网络，它的作用是将样本曲
线进行聚类，并给出各类的特征曲线；第二层为若干超圆神
经元网络（ＣＣ网），它们是由各类的特征曲线产生的，一次
只能有一个ＣＣ子网被激活，实现坏数据精确定位。
整个网络训练好之后，即可以用它来辨识坏数据。设
定正常接受域［一０．２，＋０．２］。将待检曲线输入ＡＲＴ网， 图３坏数据辨识模型
与该曲线相似度最大的特征曲线对应的输出神经元值为１，而其它的为０；为１的这个神经元值激活由
此特征曲线训练得到的ｃｃ网；以待检曲线作为该ｃｃ网的输入
矢量，其输出即为网络输出矢量】，。】，超出接受域范围的分量
所对应的输入分量即为坏数据。
３．２基于特征曲线的坏数据调整
调整方法是将特征曲线 的相应段平移到被检曲线
上。
设检出曲线 的Ｐ点至ｑ为坏数据，其特征曲线为置，修
正后的曲线为 ，采用下面的公式对坏数据进行调整：
ｃ ＋鬻 ］／２ 图４数据处理结果对照图
ｉ＝Ｐ，Ｐ＋１，…，ｑ
调整结果使得修正后的曲线 更加符合本类曲线的特征，即使偶有正常数据被误检为坏数据，用
上述方法调整也不会产生大的偏差。
４ 实例分析
表、１负荷检测结果
对于陕西某市２００２年８月一个月的负荷数据
进行辨识，检验结果如表１所示，其中漏检表示把坏
数据检测为正常数据，误检表示把正常数据检测为
坏数据：由表１可以看出，由本文提出的模型对坏数
据的平均检测率为９２．１ １％，效果是令人满意的；而
传统的采用抗差估计方法 辨识坏数据的正确率
仅为８８．１６％。由该数据结果显示，本文提出的方
法可以更为准确的辨识坏负荷数据。
对该市某日２４小时的负荷数据进行修正，修正
结果如图４所示。从图中可以看出，校正后的负荷数
据的误差明显降低，消除了曲线中的毛刺现象，保证负荷曲线的平滑性，有效的保证了负荷数据准确度。
・
２７・
维普资讯
陕西理工学院学报（自然科学版） 第２４卷
最后，本文采用神经网络算法【６ 对该市
２００２年８月１４日（星期三）的负荷进行预
表２负荷预测值与实际负荷预测值与实际值比较
测。预测结果见表２。其中预测值１和误差
１是负荷数据没有经过预处理所做出的预
测，预测值２和误差２是数据经过本文方法
处理后所做出的预测。
从表２可以看出，经过数据处理后的预
测误差均小于３％，误差小于２％的点有２２
个，最大误差为２．０７４％，最小误差仅为
０．０５２％。可见，经过数据预处理后能有效提
高预测精度。
５ 结论
坏数据辨识应当根据具体问题分析数据
的本质特征和内在规律，从而找到有针对性
的有效方法。电力日负荷曲线具有相似性和
平滑性２个重要特征，本文提出的组合神经
网络充分利用这２个重要特征进行坏数据辨
识，实现了坏数据的精确定位，该方法具有纯
数值方法不具有的长处，能够通过自学习掌
握那些不易表达的规律，为坏数据辨识提供
了可能的解决方案。实例分析取得了良好的
效果。用该方法进行坏数据辨识，对负荷特
性没有特别要求，具有普适性和推广应用价
值。
［ 参考文献］
［１］刘晨晖．电力系统负荷预报理论与方法［Ｍ］．哈尔滨：哈尔滨工业大学出版社，１９８７．
［２］ 陈亚红，穆钢，段方丽．短期负荷预报中几种异常数据的处理［Ｊ］．东北电力学院学报，２００２，２２（２）：１—５．
［３］张国江，邱家驹，李继红．基于人工神经网络的电力负荷坏数据辨识与调整【Ｊ］．中国电机工程学报：２００１，２１（８）：
１０４－－１０７．
［４］黄得双，等．神经网络模式识别系统理论［Ｍ］．北京：电子工业出版社，１９９６．
［５］黄金才，陈文伟．非线性ＣＣ神经元模型的原理及其学习算法［Ｊ］．计算机科学，２００１，２９（１２）：８０—８３．
［６］赵林明，等．多层前向人工神经网络［Ｍ］．郑州：黄河水利出版社，１９９９．
Ｐｏｗｅｒ ｓｙｓｔｅｍ ｌｏａｄ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ ｂａｓｅｄ ｏｎ ＡＲＴ—．ＣＣ ｎｅｔｗｏｒｋ
ＷＵ Ｙａｏ—ｈｕａ
（Ｄｅｐｔ．ｏｆ Ｅ Ｅ ｏｆ Ｓｈａａｎｘｉ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｎｚｈｏｎｇ ７２３００３， Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ ｌｏａｄ ｖａｌｕｅｓ ｏｆ ｐｏｗｅｒ ｓｙｓｔｅｍｓ ｈａｖｅ ｓｏｍｅ”ｄｉｒｔｙ ｄａｔａ”ｄｕｅ ｔｏ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｖａｒｉｏｕｓ ｆａｃ—
ｔｏｍ．Ｔｈｅｓｅ”ｄｉｒｔｙ ｄａｔａ”ａｆｆｅｃｔ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｓｅｒｉｏｕｓｌｙ．Ｔｈｉｓ ｐａｐｅｒ ｐｕｔｓ ｆｏｒｗａｒｄ ａｎ ｉｎｔｅｌｌｉｇｅｎｔ
ｍｏｄｅｌ ｗｈｉｃｈ ｃｏｍｐｒｉｓｅｄ ｏｆ ａｄａｐｔ ｒｅｓｏｎａｎｃｅ ｎｅｔｗｏｒｋ（ＡＲＴ ｎｅｔｗｏｒｋ）ｗｉｈｔ ｓｕｐｅｒ ｃｉｒｃｌｅ ｎｅｔｗｏｒｋ（ＣＣ ｎｅｔｗｏｒｋ）．
Ｂｙ ｕｓｉｎｇ ｈｔｉｓ ｍｏｄｅｌ ｔｏ ｃｌｅａｎ ｈｔｅ ｌｏａｄ ｄａｔａ ｏｆａ ｃｅｒｔａｉｎ ａｒｅａ ｉｎ ｓｈａａｎｘｉ，ｔｈｅ ｅｆｆｅｃｔ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｍｏｄｅｌ Ｃａｎ ｒｅｃ
ｏｇｎｉｚｅ ｄｉｒｔｙ ｄａｔａ ｃｏｍｐｌｅｔｅｌｙ，ａｎｄ ｔｈｅ ｒｅｖｉｓｅｄ ｌｏａｄ ｄａｔａ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ａｃｃｕｒａｔｙ．
Ｋｅｙ ｗｏｒｄｓ：ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ；ＡＲＴ ｎｅｔｗｏｒｋ；ＣＣ ｎｅｔｗｏｒｋ；ｄｉｒｔｙ ｄａｔａ ｐｒｏｃｅｓｓｉｎｇ
．
２８．