基于遺傳神經(jīng)網(wǎng)絡的短期負荷預測研究

摘要：電力短期負荷預測在實時控制和保證電力系統(tǒng)經(jīng)濟、安全與可靠運行方面起著重要作用，對于系統(tǒng)運行具有重大影響。根據(jù)電力短期負荷的變化特點，綜合考慮溫度、天氣、風力等因素，提出了基于遺傳算法優(yōu)化人工神經(jīng)網(wǎng)絡方法的短期負荷預測模型。在試驗中采用單一的人工神經(jīng)網(wǎng)絡和優(yōu)化的神經(jīng)網(wǎng)絡建模分別對廣東省某城市電網(wǎng)的短期負荷進行預測。實際預測結果表明，基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡方法預測模型的預測準確度明顯高于單一神經(jīng)網(wǎng)絡方法的預測準確度。

關鍵詞：短期負荷預測；神經(jīng)網(wǎng)絡；遺傳算法

作者簡介：黃國棟（1976-），男，廣東陽江人，廣東電網(wǎng)湛江供電局，工程師。（廣東 湛江 524005）

中圖分類號：TM714 文獻標識碼：A 文章編號：1007-0079（2014）06-0261-02

電力短期負荷預測是對未來一周以內（通常為一周或一天）的負荷進行預測。短期負荷預測在電網(wǎng)運行實時控制和發(fā)電規(guī)劃中具有重要地位，短期負荷的預測結果是調度中心制定發(fā)電計劃、電力系統(tǒng)運行安全評估、電力企業(yè)日常經(jīng)營管理的重要依據(jù)。[1]在當前電力系統(tǒng)市場化形勢下，提高負荷預測精度對于電力系統(tǒng)的經(jīng)濟運行、合理制定機組檢修計劃和進行電力需求管理等具有重要意義。

一、電力系統(tǒng)負荷變化的特點及預測方法

電力系統(tǒng)負荷變化受到很多因素的影響。一方面，負荷變化存在由未知不確定因素引起的隨機波動；另一方面，具有周期變化的規(guī)律性，這也使得負荷曲線具有相似性；同時，由于受天氣、節(jié)假日等特殊情況的影響，負荷變化又會體現(xiàn)出差異性。[2]整體上講，負荷曲線是與很多因素相關而且難以用數(shù)學公式表達的非線性函數(shù)。

相對于早期的統(tǒng)計技術法和專家系統(tǒng)法，神經(jīng)網(wǎng)絡的優(yōu)點在于它不依靠專家經(jīng)驗，只利用觀察到的數(shù)據(jù)，可以在訓練過程中通過學習來逼近任意的非線性輸入/輸出關系，因此，將神經(jīng)網(wǎng)絡方法應用于電力負荷預測有著明顯的優(yōu)勢。但是，神經(jīng)網(wǎng)絡存在兩個主要問題：收斂速度慢和容易陷入局部極小點。因此，本文采用遺傳算法優(yōu)化人工神經(jīng)網(wǎng)絡，建立電力短期負荷預測模型，并將結合廣東省某城市的電力負荷的實際情況對預測方法進行探討和研究。

二、人工神經(jīng)網(wǎng)絡模型

BP（Back Propagation）神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，神經(jīng)網(wǎng)絡模型中的所有神經(jīng)元按照功能一般分成三層（輸入層、隱含層和輸出層），各層順次連接。[3]其三層模型拓撲結構如圖1所示。

BP算法的學習過程分為正向傳播過程和反向傳播過程兩個階段。

1.正向傳播過程

輸入信息從輸入層經(jīng)隱含層逐層計算各單元的實際輸出值，各神經(jīng)元的狀態(tài)只對下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。設BP網(wǎng)絡的輸入層有n1個節(jié)點，隱含層有n2個節(jié)點，輸出層有n3個節(jié)點，輸入為xi，輸入層與隱含層之間的權值為wki，隱含層與輸出層之間的權值為wjk；隱含層的閾值為bk，輸出層的閾值為bj；隱含層的傳遞函數(shù)為f1（·），輸出層的傳遞函數(shù)為f2（·）。則隱含層節(jié)點輸出zk和輸出層節(jié)點輸出yj分別為：

k=1，2，……n2

（1）

j=1，2，……n3

（2）

2.反相傳播過程

若網(wǎng)絡實際輸出值與期望值之差，即誤差超出允許值，則逆向逐層修正連接權值。設BP網(wǎng)絡有P個輸入樣本，采用平方型誤差函數(shù)，于是得到全局誤差為：

（3）

式中：為第p個樣本的實際輸出，為期望輸出。

采用累計誤差BP算法依次調整輸出層權值wjk和隱含層權值wki誤差使全局誤差變小，即：

（4）

（5）

式中：η為學習率。

如此往復不斷調整權值，直到使網(wǎng)絡的誤差滿足要求。

三、遺傳算法

1.遺傳算法的基本原理

遺傳算法（Genetic Algorithms，簡稱GA）是一種高度并行、自適應全局優(yōu)化搜索方法。[4]它借鑒自然界遺傳和選擇機理，首先初始化一個種群，然后按照某種指標在每一代選取較優(yōu)個體，利用遺傳算子（選擇、交叉和變異）對這些個體進行組合，產(chǎn)生新一代個體，重復此過程，直到滿足優(yōu)化準則為止。遺傳算法是基于對生物遺傳和進化過程的計算機模擬，它能使各種人工系統(tǒng)具有良好的自適應能力和優(yōu)化能力。目前，遺傳算法已經(jīng)廣泛應用于規(guī)劃設計、組合優(yōu)化、自適應控制、經(jīng)濟運行、模式識別、人工智能、分子生物學、故障診斷以及計算機技術等領域，并取得了很好的效果。

2.遺傳算法的實現(xiàn)過程

（1）將問題的解以編碼形式表示出來，并隨機生成若干個體，即初始群體。

（2）譯碼，計算目標函數(shù)得出個體適應度值，判斷是否滿足停止條件。

（3）根據(jù)個體適應度值的高低，應用選擇、交叉和突變算子進行遺傳操作，產(chǎn)生下一代群體。

（4）返回步驟（2），反復執(zhí)行，直到滿足停止條件。最后，搜索到最優(yōu)個體，即問題的最優(yōu)解。[5]

3.遺傳算法優(yōu)化BP網(wǎng)絡權值、閾值

由于遺傳算法是以最大值作為優(yōu)化目標，為適應神經(jīng)網(wǎng)絡算法的要求，將適應度函數(shù)取反，即變?yōu)橐宰钚≈禐閮?yōu)化目標。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡算法的步驟：

（1）構建BP網(wǎng)絡，確定遺傳算法個體長度。

（2）生成初始種群，確定種群規(guī)模。對遺傳算法個體進行編碼，編碼由神經(jīng)網(wǎng)絡的輸入層與隱含層的連接權值、隱含層閾值、隱含層與輸出層的連接權值和輸出層閾值四部分組成。

（3）根據(jù)個體得到BP網(wǎng)絡的權值和閾值，應用訓練數(shù)據(jù)訓練，得到網(wǎng)絡的輸出。計算實際輸出與期望輸出的誤差，并依據(jù)此誤差計算個體適應度值。

（4）根據(jù)個體的適應度進行選優(yōu)操作，選擇若干適應度強的個體直接進入下一代，適應度差的個體被淘汰。

（5）進行交叉、變異操作，生成下一代群體，然后返回步驟（3），直到得到最優(yōu)解。

四、實例分析

本試驗分別采用單一神經(jīng)網(wǎng)絡預測法、遺傳算法和神經(jīng)網(wǎng)絡的組合預測法，分別對廣東省某城市某一日的時負荷進行預測與分析。以該市2010年6月2日～21日和2010年6月3日～22日（只選取工作日）的整點負荷訓練樣本集，根據(jù)6月23日各整點的時負荷數(shù)據(jù)和24日各整點的溫度與天氣，預測6月24日的時負荷。

1.數(shù)據(jù)預處理

根據(jù)神經(jīng)網(wǎng)絡的建模原理，訓練樣本的準確性對于模型的預測準確性至關重要。由于系統(tǒng)故障、線路停電檢修、通信錯誤等原因，歷史負荷數(shù)據(jù)中經(jīng)常存在一些不良數(shù)據(jù)。這些不良數(shù)據(jù)具有很強的隨機性，會對網(wǎng)絡的預測精度和預測速度產(chǎn)生嚴重影響。因此，在建立電力短期負荷預測模型前，先對訓練用的數(shù)據(jù)樣本進行預處理。應用格拉布斯準則判別是否有不良數(shù)據(jù)，如果有要直接消除并以相應的插值代替，從而提高數(shù)據(jù)的準確度和可信度。經(jīng)計算，本實例的樣本數(shù)據(jù)正常，符合實際情況。

數(shù)據(jù)歸一化方法是神經(jīng)網(wǎng)絡預測前對數(shù)據(jù)常做的一種處理方法。數(shù)據(jù)歸一化處理把所有的數(shù)據(jù)都轉化為[0，1]之間的數(shù)，其目的是取消數(shù)據(jù)間數(shù)量級差別，避免因為輸入/輸出數(shù)據(jù)數(shù)量級差別較大而造成網(wǎng)絡預測誤差較大。最后需要進行反歸一化，得到最終預測結果。[6]數(shù)據(jù)歸一化的方法主要有最大最小值法和平均數(shù)方差法。本文采用最大最小值法。

2.確定BP神經(jīng)網(wǎng)絡結構

考慮到該城市位于中國南端，緯度較低，影響電力負荷最主要的因素是溫度等天氣情況。采集預測日前一天每小時的負荷數(shù)據(jù)和預測日當天各小時的溫度值（取平均值）、氣象類型（晴、陰、雨）作為預測條件。由此確定BP神經(jīng)網(wǎng)絡模型的輸入節(jié)點數(shù)為3；輸出節(jié)點數(shù)為1；隱含層節(jié)點數(shù)取8。為方便計算，將氣象類型數(shù)字化、歸一化處理，溫度值和負荷數(shù)據(jù)歸一化處理。本文采用分散式建模方法，即為一天的24小時各建立一個模型，共建立24個。分散式建模方法相對于集中建模方法（24小時用一個模型），雖然模型多，但是預測準確度高。每個整點的時負荷采用相應的BP神經(jīng)網(wǎng)絡模型進行預測。建模工具選用matlab7.0。[7]

3.遺傳算法優(yōu)化神經(jīng)網(wǎng)絡

以整點負荷、溫度數(shù)據(jù)和氣象數(shù)據(jù)作為網(wǎng)絡的訓練樣本集，應用遺傳算法對基于單一神經(jīng)網(wǎng)絡建立的各個模型（每小時各建一個模型，共24個）進行優(yōu)化，得到每個模型近似最優(yōu)權值和閾值。應用優(yōu)化的權值和閾值對BP神經(jīng)網(wǎng)絡進行訓練，并保存訓練好的網(wǎng)絡。最后，應用訓練好的網(wǎng)絡對各整點時負荷進行預測。

表1 2010年6月24日負荷預測值與誤差

時間 實際值 BP神經(jīng)網(wǎng)絡

方法預測 誤差/% 遺傳算法神經(jīng)網(wǎng)絡方法預測 誤差/%

0：00 404.743 412.375 1.886 397.470 -1.797

1：00 382.280 376.397 -1.539 382.009 -0.071

2：00 359.937 369.208 2.576 352.735 -2.001

3：00 355.508 352.308 -0.900 357.115 0.452

4：00 347.836 341.504 -1.820 346.528 -0.376

5：00 347.545 342.354 -1.494 346.586 -0.276

6：00 354.184 356.650 0.696 360.655 1.827

7：00 364.504 363.920 -0.160 360.123 -1.202

8：00 395.881 392.358 -0.890 390.042 -1.475

9：00 462.394 471.572 1.985 464.239 0.399

10：00 500.344 502.904 0.512 494.610 -1.146

11：00 514.415 515.950 0.298 513.479 -0.182

12：00 477.935 489.898 2.503 485.792 1.644

13：00 479.680 473.516 -1.285 472.638 -1.468

14：00 470.148 477.403 1.543 462.066 -1.719

15：00 482.950 490.302 1.522 474.556 -1.738

16：00 487.295 483.800 -0.717 486.028 -0.260

17：00 501.225 503.265 0.407 505.465 0.846

18：00 470.361 462.391 -1.694 466.165 -0.892

19：00 455.995 443.791 -2.676 463.788 1.709

20：00 493.266 494.178 0.185 494.682 0.287

21：00 489.909 498.115 1.675 486.195 -0.758

22：00 474.146 486.493 2.604 480.348 1.308

23：00 446.201 436.293 -2.221 441.855 -0.974

單一神經(jīng)網(wǎng)絡方法和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡方法得出的預測結果見表1和圖3。從圖3中3條曲線對比可以看出，應用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡預測模型得到的預測結果比單一神經(jīng)網(wǎng)絡的更接近實際負荷曲線。單一神經(jīng)網(wǎng)絡預測的負荷最大誤差為-2.676%，平均誤差1.408%，而用基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡預測的負荷最大誤差為-2.001%，平均誤差為1.034%，精度顯然大于單一神經(jīng)網(wǎng)絡。

五、結論

本文利用遺傳算法優(yōu)化了BP神經(jīng)網(wǎng)絡結構，并且應用此模型對實際電力短期負荷進行了預測試驗分析。實證證明，遺傳算法的全局優(yōu)化搜索能力有效彌補了BP神經(jīng)網(wǎng)絡容易陷入局部極小值的缺陷，在此基礎上建立的預測模型的可靠性、準確性都有所增強，證明了基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡的短期負荷預測方法是可行的。

參考文獻：

[1]牛東曉，曹樹華，趙磊，等.電力負荷預測技術及其應用[M].北京：中國電力出版社，2002.

[2]陳金賽，張新波.基于改進BP人工神經(jīng)網(wǎng)絡的電力負荷預測[J].杭州電子科技大學學報，2011，34（4）：173-176.

[3]田景文，高美娟.人工神經(jīng)網(wǎng)絡算法研究及應用[M].北京：北京理工大學出版社，2006.

[4]王小平，曹立明.遺傳算法[M].西安：西安交通大學出版社，

2002.

[5]李玲純，田麗.基于遺傳算法和BP神經(jīng)網(wǎng)絡的短期電力負荷預測[J].安徽工程科技學院學報，2009，24（3）：57-60.

[6]吳曉光，徐精彩，李樹剛，等.基于MATLAB 實驗數(shù)據(jù)的幾種處理方法[J].自動化技術與應用，2005，24（1）：25-27.

[7]葛哲學，孫志強.神經(jīng)網(wǎng)絡理論與Matlab2007實現(xiàn)[M].北京：電子工業(yè)出版社，2007.

（責任編輯：王祝萍）