基于改進神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預(yù)測

　　摘要： 電力系統(tǒng)的短期負荷預(yù)測是電力系統(tǒng)保證穩(wěn)定運行的重要環(huán)節(jié)，也是區(qū)域配電調(diào)度的重要依據(jù)。為了提高短期負荷預(yù)測的精準度與穩(wěn)定性，本文提出一種基于粒子群算法與遺傳算法共同優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的負荷預(yù)測方法。針對BP神經(jīng)網(wǎng)絡(luò)存在的權(quán)值取值不確定、收斂速度慢等問題，將粒子的維度空間與人工神經(jīng)網(wǎng)絡(luò)的權(quán)值建立映射關(guān)系，使得神經(jīng)網(wǎng)絡(luò)的均方誤差作為粒子群的適應(yīng)函數(shù)，同時，引入遺傳算法對其迭代過程進行優(yōu)化，利用遺傳算法全局搜索能力對極值進行搜索，并對粒子的適應(yīng)度進行分類。最后通過實例分析，證明了該方法的有效性。

　　關(guān)鍵詞： 短期負荷預(yù)測; BP神經(jīng)網(wǎng)絡(luò); 粒子群算法; 遺傳算法

　　1 引言

　　我國是一個能源消費大國，電力產(chǎn)業(yè)的穩(wěn)定運行是國家深化改革的有力保障，是實現(xiàn)兩個一百年的重要基石。電力的發(fā)展往往預(yù)示著國家經(jīng)濟的發(fā)展水平，中國經(jīng)濟的持續(xù)高速增長使得全社會的用電量也保持了較快的增長趨勢，然而快速增長的供電需求給電力部門帶來了壓力，加之電煤供應(yīng)吃緊、水利供電不足等問題的影響，因此如何保障電力系統(tǒng)的平衡供應(yīng)已經(jīng)成為一個至關(guān)重要的問題[1]。

　　電力系統(tǒng)負荷預(yù)測是指從需求供給側(cè)出發(fā)，基于電網(wǎng)負荷的歷史數(shù)據(jù)，結(jié)合現(xiàn)有的重要因素，預(yù)測接下來某段時間某地區(qū)的用電負荷值。由于現(xiàn)實中電能無法進行大量存儲，且發(fā)電、供電、用電過程都是同時進行的，因此為了保障電力系統(tǒng)的穩(wěn)定性和經(jīng)濟性，所以對地區(qū)的電力負荷預(yù)測十分重要。

　　2 BP神經(jīng)網(wǎng)絡(luò)

　　BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播的網(wǎng)絡(luò)模型，它是由D.E.Rummelhart 以及 J.L.Ma Clelland于1986年提出的概念，也是當(dāng)前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[2]。

　　2.1 BP預(yù)測模型設(shè)計

　　(1)網(wǎng)絡(luò)層數(shù)：BP神經(jīng)網(wǎng)絡(luò)由一個輸入層和一個輸出層，以及一個以上的隱含層組成。對一般問題來說，只要增加適量的神經(jīng)元節(jié)點數(shù)，單隱含層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)就能夠滿足絕大多數(shù)問題的需求。

　　(2)輸入層節(jié)點數(shù)：輸入層節(jié)點數(shù)是由實際問題和所擁有的數(shù)據(jù)集決定的，它取決于輸入向量的維數(shù)，比如歷史負荷數(shù)據(jù)、天氣、溫度、節(jié)假日類型等等。

　　(3)隱含層節(jié)點數(shù)：一般來說，隱含層節(jié)點數(shù)越多，網(wǎng)絡(luò)的性能就越好，就越能滿足負荷預(yù)測的需求，但網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜化，也會使得訓(xùn)練時間變長，因此如何選擇既能滿足網(wǎng)絡(luò)性能也能保證收斂速度的最優(yōu)節(jié)點數(shù)，是神經(jīng)網(wǎng)絡(luò)模型搭建過程中至關(guān)重要的問題。在實際的操作中，通常采用以下公式來選擇最優(yōu)隱含層節(jié)點數(shù)：

　　(4)輸出層節(jié)點數(shù)：輸出層節(jié)點數(shù)是有具體問題的需求而確定的，對于一般的負荷預(yù)測，1個節(jié)點數(shù)即預(yù)測數(shù)值就可以滿足預(yù)測需求。

　　(5)傳遞函數(shù)：輸出層均選用線性函數(shù)作為傳遞函數(shù)，而輸入層和隱層的傳遞函數(shù)選用S型函數(shù)，如下式所示：

　　(6)訓(xùn)練方法：在訓(xùn)練開始前，確定初始值作為迭代調(diào)整的起點，并用迭代調(diào)整的方式確定權(quán)值，接著對歷史負荷數(shù)據(jù)進行訓(xùn)練。

　　3 粒子群算法

　　粒子群優(yōu)化算法是科學(xué)家通過觀察鳥群捕食過程研究而來的仿生學(xué)方法，是基于種群的隨機優(yōu)化技術(shù)的一種非常典型的尋優(yōu)算法，于1995年由Eberhart和Kennedy提出。

　　BP算法的缺點在于隱含層節(jié)點難確定、易限入局部極小值、收斂速度慢等問題。BP神經(jīng)網(wǎng)絡(luò)能否達到預(yù)期目前，與算法的選擇、網(wǎng)絡(luò)的確定、訓(xùn)練樣本的大小都有很大關(guān)系。而粒子群算法通過概率全局搜索最優(yōu)，其具有收斂速度快，魯棒性好等優(yōu)點，而神經(jīng)網(wǎng)絡(luò)模型具有一定的自學(xué)習(xí)能力。將粒子群算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，利用粒子群算法來選擇神經(jīng)網(wǎng)絡(luò)的權(quán)值，不但能夠發(fā)揮粒子群算法的優(yōu)點，還能夠提高神經(jīng)網(wǎng)絡(luò)的收斂速度和學(xué)習(xí)能力[3]。

　　3.1 粒子群優(yōu)化步驟

　　利用粒子算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的主要工作為：將粒子維度空間與神經(jīng)網(wǎng)絡(luò)的權(quán)值建立映射關(guān)系，神經(jīng)網(wǎng)絡(luò)權(quán)值的個數(shù)對應(yīng)著粒子群的個數(shù);使粒子群的適應(yīng)函數(shù)作為神經(jīng)網(wǎng)絡(luò)的均方誤差。在算法的設(shè)計過程中，首先對神經(jīng)網(wǎng)絡(luò)權(quán)值進行編碼，表示粒子群的個體，再按照粒子群算法進行迭代，把新生成的個體向量還原成神經(jīng)網(wǎng)絡(luò)權(quán)值，最后將輸出結(jié)果用于計算樣本點的均方誤差，如果誤差小于系統(tǒng)指定的誤差精度，則停止訓(xùn)練[4]。同時，訓(xùn)練過程中產(chǎn)生的均方誤差作為評價個體的適應(yīng)函數(shù)，訓(xùn)練的目的是使均方誤差指標達到最小，即：

　　其中n，c分別表示樣本的個數(shù)與神經(jīng)網(wǎng)絡(luò)的輸出個數(shù)，tk，p為p個樣本的k個理想輸出，Yk，p為第p個樣本的第k個實際輸出。當(dāng)均方誤差的適應(yīng)度函數(shù)達到最小時，神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值就確定了。

　　具體過程如下：(1)首先確定網(wǎng)絡(luò)規(guī)模、最大速度、搜索范圍、最大迭代步數(shù)以及精度要求等。(2)其次根據(jù)粒子群的規(guī)模和權(quán)值個數(shù)確定種群。(3)計算各粒子的適應(yīng)值。(4)將當(dāng)前每個粒子的適應(yīng)度與全局適應(yīng)度值進行比較，確定每個粒子最優(yōu)適應(yīng)度。(5)檢驗迭代次數(shù)和誤差要求，判斷是否符合預(yù)定條件。(6)更新每個粒子的速度和位置。(7)返回步驟(3)繼續(xù)迭代至結(jié)束。

　　4 遺傳算法

　　遺傳算法是模擬達爾文進化論的自然選擇和遺傳機理的生物進化計算模型，是一種具有適者生存、自然淘汰的一種優(yōu)化算法，它能夠把求解問題表示成染色體，通過編碼的形式表示成字符串。在利用遺傳算法求解問題時，首先要確定問題的目標函數(shù)和變量，然后對變量進行編碼，這樣做主要是因為在遺傳算法中，問題的解是用數(shù)字串來表示的，而且遺傳算子也是直接對串進行操作，編碼方式可以分為二進制編碼和實數(shù)編碼[5]。隨著遺傳算法的迭代，品質(zhì)優(yōu)良的特征值會被逐漸被保留，并且重新組合產(chǎn)生新的個體。遺傳操作包括三個基本的遺傳算子，即選擇、交叉、變異，選擇和交叉能夠完成大部分搜索功能，而變異則可以最大限度逼近最優(yōu)解。

　　遺傳算法的特點是：適應(yīng)度函數(shù)采用目標函數(shù);很強的全局優(yōu)化能力和搜索能力;采用啟發(fā)式搜索，而不是完全的隨機測試。

　　4.1 遺傳算法優(yōu)化步驟

　　將粒子群算法與遺傳算法結(jié)合，對BP神經(jīng)網(wǎng)絡(luò)做優(yōu)化，不僅具有粒子群算法收斂速度快的優(yōu)點，而且也有遺傳算法的全局收斂的優(yōu)點。優(yōu)化的具體過程為：

　　(1)初始化種群以及設(shè)定粒子群相關(guān)參數(shù)，如最大迭代次數(shù)以及誤差精度等，其中，每個粒子都對應(yīng)著BP神經(jīng)網(wǎng)絡(luò)的權(quán)值。

　　vi (t+1)=θ1 × vi (t)+(1-θ1)vj (t)vj (t+1)=(1-θ1)× vi (t)+θ1× vj (t)

　　對粒子之間的位置交叉公式操作實現(xiàn)如下：

　　xi (t+1)=θ2 × xi (t)+(1-θ2)xj (t)xj (t+1)=(1-θ2)× xi (t)+θ2× xj (t)

　　式中的θ為一個范圍在[0，1]之間的隨機數(shù)，比較交叉后粒子的適應(yīng)度值，保留適應(yīng)度值較大的粒子進入下一次迭代，剩下的部分則進行變異操作。

　　(4)更新個體和群體的全局極值，經(jīng)過遺傳算法的處理后，再對粒子的當(dāng)前適應(yīng)度值與個體極值做比較，判斷是否需要更新個體極值pbest與全局極值gbest。

　　(5)重復(fù)以上步驟，直到迭代數(shù)達到上限或者達到目標函數(shù)的收斂精度。

　　(6)將得到的全局最優(yōu)解賦值于BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過BP神經(jīng)網(wǎng)絡(luò)再進行學(xué)習(xí)訓(xùn)練，得到負荷預(yù)測的網(wǎng)絡(luò)模型。

　　5 實例分析

　　本文基于某縣供電站的歷史負荷數(shù)據(jù)，訓(xùn)練樣本采集了2012年1月1日至2012年6月28日共180天的負荷數(shù)據(jù)。對于該負荷預(yù)測的步驟數(shù)據(jù)處理如下：

　　(1)對負荷數(shù)據(jù)進行預(yù)處理，修補異常數(shù)據(jù)及缺失數(shù)據(jù)。然后對樣本數(shù)據(jù)的歸一化處理，將數(shù)據(jù)壓縮到[0，1]或者[-1，1]區(qū)間內(nèi)。

　　(2)確定BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點數(shù)、學(xué)習(xí)率、訓(xùn)練目標、迭代次數(shù)等。對于BP神經(jīng)網(wǎng)絡(luò)其學(xué)習(xí)率為0.01，誤差訓(xùn)練的目標值為0.0001，迭代次數(shù)上限為300次。

　　推薦閱讀：《廣西電力建設(shè)科技信息》以馬列主義、毛澤東思想、鄧小平理論和“三個代表”重要思想為指導(dǎo)，全面貫徹黨的教育方針和“雙百方針”，理論聯(lián)系實際，開展教育科學(xué)研究和學(xué)科基礎(chǔ)理論研究，交流科技成果，促進學(xué)院教學(xué)、科研工作的發(fā)展，為教育改革和社會主義現(xiàn)代化建設(shè)做出貢獻。