基于遺傳算法優化BP神經網絡的短期發電量預測

郭文強， 師 帥， 張 筱， 李可可， 佘金龍， 高文強

(陜西科技大學 電氣與信息工程學院, 陜西 西安 710021)

?

基于遺傳算法優化BP神經網絡的短期發電量預測

郭文強， 師 帥， 張 筱， 李可可， 佘金龍， 高文強

(陜西科技大學 電氣與信息工程學院, 陜西 西安 710021)

針對傳統神經網絡的網絡初始權值和閾值隨機給出，訓練結果易陷入局部極小值的問題，本文提出一種采用遺傳算法(GA)對BP網絡的初始權值和初始閾值進行優化的方法.通過模擬生物進化中的自然選擇和遺傳機理，首先將網絡的初始權值和初始閾值表示為染色體基因編碼，再利用遺傳算子進行組合交叉、變異、選擇，產生出新的染色體來完成初始參數優化，形成初始權值和初始閾值，最后經BP網絡訓練得到最終權值和閾值，建立用于短期發電量預測的網絡.實驗結果表明，與傳統BP神經網絡預測方法相比，該預測方法精度更高，為短期電量預測提供了一種新途徑.

遺傳算法； BP神經網絡； 優化； 短期發電量預測

0 引言

隨著社會經濟的發展，預測算法在生產、生活各個領域的應用越來越廣泛.多年來，專家和學者們建立了很多發電量數據預測模型和方法，文獻[1]用回歸分析的方法對燃氣-蒸汽輪機聯合循環機(包括兩個燃氣渦輪機、一個蒸汽渦輪和兩個熱回收系統)用環境溫度、環境壓力、相對濕度和排氣真空度四個變量(輸入變量)進行1 h后短期發電量(輸出變量)的預測.回歸分析等方法相對比較成熟，應用也比較多.但這種預測方法是基于數理統計的方法，需要建立數據序列的主觀模型，然后根據主觀模型進行計算和預測，不具備自適應和自學習的能力，系統的魯棒性沒有保障.

近年來，許多學者對非線性進行了深入的研究，建立了多種考慮的非線性發電量預測模型，如BP神經網絡模型、RBF神經網絡、支持向量機預測模型等，對電網調度操作和用電誘導提供了一定的參考[2-4].其中，BP神經網絡模型是比較成功的預測模型.文獻[5]采用人工神經網絡分析環境壓力、溫度、相對濕度和風速對發電量的預測，文獻[6]用人工神經網絡對操作和性能參數在不同環境條件下的蒸汽輪機的發電量進行預測分析.但該模型具有容易產生局部極小值和不易收斂等缺點，導致預測精度受到一定影響.文獻[7]用競爭選擇、交叉、變異等遺傳算子幫助BP網絡來確定模型的權值和閾值，建立了汛期降水短期氣候預測模型.

本文采用遺傳算法(Genetic Algorithm，GA)來優化BP神經網絡，試圖得到更好的網絡初始權值和閾值，利用每個染色體個體來代表神經網絡的初始權值和閾值，將每個染色體進行BP神經網絡預測的預測誤差絕對值之和作為適應度值，通過短期發電量輸入和輸出關系利用遺傳算法尋找最優個體，確定出BP神經網絡的初始權值和初始閾值.隨后，將初始值賦值給BP神經網絡進行訓練，得到最終的預測神經網絡(本文稱之為GA-BP，BP neural network optimized by GA)，實現對短期發電量的預測.

1 基于GA-BP算法的短期發電量預測

1.1 原始數據分析

選擇合適的參數對預測的可行性至關重要，適當的影響因素和變量數選擇可以提高預測算法的速度和精度.本文采用灰色關聯度分析來選擇合適的輸入參數.由后面2.1節討論可知，文獻[1]中預測算法所用環境溫度、環境壓力、相對濕度和排氣真空度四個變量和1 h后短期發電量數據之間具有較大相關度，因此其數據適用于本文研究的預測模型所需的輸入量和輸出量.

1.2 GA-BP算法

GA是一類借鑒生物界的進化規律(適者生存，優勝劣汰遺傳機制)演化而來的隨機化搜索方法，由美國的J.Holland教授1975年首先提出[8].

本文將GA全局優化能力引入BP神經網絡實現對網絡的初始權值和閾值優化，利用優化后的初始權值和閾值來構造預測模型(GA-BP)完成目標預測任務.基于GA-BP的預測算法流程如圖1所示.

圖1 基于GA-BP的預測算法流程圖

主要包括以下步驟：

步驟1：數據預處理

對短期發電量原始數據進行預處理，包括數據量化、歸一化，使預處理后的數據作為神經網絡的輸入.

步驟2：判斷是否已有構成優化網絡

若已有優化網絡，直接跳至步驟12，用已有網絡進行預測.若沒有優化網絡則進行下一步.

步驟3：確定BP網絡結構

隨機初始化BP神經網絡的權值和閾值，按照GA算法要求給染色體進行編碼，既完成種群初始化.將染色體輸入GA算法進行優化，算法執行GA算法部分.

步驟4：GA初始化操作

(1)確定種群規模K；

(2)確定最大迭代次數T；

(3)確定交叉概率P與變異概率M；

(4)確定訓練終止調節，如最大期望誤差值；

(5)給出權值閾值的上下界：上界ub和下界lb都為(l×d) 維矩陣；d為BP神經網絡權值和閾值總數，即輸入層與隱層之間的權值、隱層與輸出層之間的權值、隱層的閾值和輸出層的總個數；

(6)生成初始種群X(X1,X2,…,Xd),其中Xi是每個染色體(即實現個體編碼，i=1，…，d)，包含了BP神經網絡全部的權值和閾值(即w1,…,wm;b1,…,bd-m).若BP神經網絡結構已知，結合一條染色體就可以創造一個權值、閾值和結構都確定的BP神經網絡.采用線性插值函數生成種群中個體Xi的一個實數向量作為GA的一個染色體.為了得到高精度的權值和閾值，采用實數編碼方法.

步驟5：計算適應度

根據每個染色體得到BP神經網絡的權值和閾值，用訓練集訓練BP神經網絡并預測輸出，適應度值fit為期望值與預測值誤差絕對值之和，如公式(1)所示：

(1)

其中，n為輸出層節點數；Yi為節點i的期望輸出值；Zi為節點i的預測輸出值；R為常數.

步驟6：保存到目前最好的染色體

計算每個染色體的適應度值，保存到目前為止適應度最優(最小)的染色體信息：

最優適應度：

Cbest=fitbest

(2)

最優染色體：

Rbest=Xbest

(3)

步驟7：選擇操作

選擇操作是指從就舊群體中以一定的概率選擇個體到新群體中，個體被選中的概率跟適應度值有關，個體適應度值越好，被選中的概率越大.本文選擇輪盤賭法實現，每個染色體的選擇概率pi為

(4)

式(4)中：fi為個體Xi的適應度，由于適應度越小越好，所以在個體選擇前對適應度求導數.

步驟8：交叉操作

交叉操作是指從種群中選擇兩個個體，通過兩個染色體的交換組合來產生新的優秀個體.交叉過程為從群體中任意選擇兩個染色體，隨機選擇一點或多點染色體位置進行交換.因個體采用實數編碼，所以用實數交叉法來實現.第k個染色體Xk和第1個染色體X1在j位的交叉操作公式如下所示：

(5)

式(5)中：b是[0,1]間的隨機數.

步驟9：變異操作

變異操作就是從群體中任意選取一個個體，選擇染色體中的一個點進行變異以產生更優秀的個體.第i個個體的第j個基因Xij的變異操作公式如下所示：

(6)

(7)

式(6)～(7)中：r2為隨機數；g為當前迭代次數；r為[0,1]間的隨機數.

步驟10：結束條件判斷(是否完成參數優化)

(1)判斷是否達到期望誤差值，達到則結束迭代，輸出最優染色體Rbest，否則執行下一步.

(2)判斷是否達到最大迭代次數 ，沒有達到則回到步驟5，如果達到則輸出最優染色體Rbest.

步驟11：構造訓練網絡

從GA算法部分獲取輸出Rbest(即優化后的w1,…,wm;b1,…,bd-m)，將得到的優化后的初始權值和閾值賦值給BP網絡并構建網絡，采用訓練集對網絡進行訓練直到訓練,誤差達到要求，完成網絡建模.

步驟12：預測輸出

將預處理數據輸入到訓練好的GA-BP神經網絡，網絡輸出結果即為所求的短期發電量預測值.

2 結果與分析

為了驗證本文提出的基于GA-BP算法的短期發電量預測，進行了如下實驗.另外，為了突出本文算法的優越性，實驗中還與傳統BP神經網絡預測法作了性能比較.實驗所用工具為MATLAB R2014a，計算機配置為Intel(R) Core(TM) i5-4288U CPU @2.60GHz 2.10GHz和4G內存.

2.1 數據預處理

燃氣-蒸汽輪機聯合循環是把燃氣輪機和蒸氣輪機這兩種按不同熱力循環工作的熱機聯合在一起的裝置[9].實驗所選用到的數據同文獻[1]一樣，來自于UCI數據庫中的燃氣-蒸汽聯合循環機數據集[10]，它是常用來驗證人工智能和機器學習算法的數據集.

該數據集主要包括采集的每小時發電量(EP，單位：MW)和如下4組發電量影響因素及其取值范圍：

環境溫度(T)在1.81 ℃～37.11 ℃之間；

環境壓力(AP)在992.89～1 033.30 mb之間；

相對濕度(RH)在25.56%～100.16%之間；

排氣真空度(V)在25.36～81.56 cm Hg之間.

其中參數V對蒸汽輪機產生影響，其它3個參數影響燃氣輪機.

為驗證輸入變量與預測變量之間的關系，對數據集進行灰色關聯度分析，分析影響因素與測試目標變量的關聯程度.分析結果如表1所示.

表1 關聯度分析

從表1可以看出，4個因素與目標變量EP的關聯程度都大于0.6(通常認為關聯度達到0.5以上就有很好的關聯性)，可以認為相關性很高，適合用于預測模型.

取其中的9568組數據，選前9468組為訓練集，后100組為測試集，即取用后100組數做測試，用4個發電量影響因素數據(輸入變量)進行1 h后短期發電量(輸出變量)的預測.

根據前文第2部分的GA-BP預測算法步驟1～步驟11進行網絡初始權值、閾值優化，構建GA-BP網絡.

2.2 GA-BP算法預測

由原始數據知道輸入4個變量，輸出1個變量，所以設置GA-BP神經網絡結構為4-9-1，即輸入層4個節點，隱含層9個節點，輸出層1個節點，共有個4×9+9×1=45權值，9+1=10個閾值，所以染色體編碼長度為d=45+10=55.隱層激勵函數用tan-sigmoid，輸出層的激勵函數是linear，訓練函數是traingd.

設置種群規模K為10，最大迭代次數T為50，確定交叉概率P為0.2與變異概率M為0.1，適應度系數R取1，權值和閾值的最小值、最大值分別取-5和5.

2.3 預測結果分析

為了體現本文提到算法的優越性，在相同的網絡結構下，用傳統BP對相同樣本做預測，并與GA-BP算法預測做比較，并將網絡訓練前后的部分權值閾值進行了對比.

圖2顯示的是在其它參數相同情況下，傳統BP和GA-BP方法初始權值、初始閾值、BP網絡訓練的權值、閾值四組數據變化情況.從中可明顯看出，傳統BP預測模型和GA-BP預測模型權值W2、閾值B1是不相同的；究其原因模型的差異主要是兩個模型的初始權值、初始閾值選擇的差異引起的.

本文方法與傳統BP法進行每小時發電量預測的實驗結果對比如圖3所示.圖4更清楚地展示了兩種預測算法與真實值之間的誤差情況.預測評價指標對比如表2所示，其中主要考量了下述評價指標：平均絕對誤差(MAE)、均方誤差(MSE)、絕對誤差與期望值商的平均值(MAPE).

(a) W2訓練前后參數情況

圖3 不同預測算法實驗

圖4 不同預測算法實驗結果誤差比較

表2 預測評價指標對比

從表2可以看出，除優化耗時較多外，GA-BP法多項評價指標均優于傳統BP算法，誤差范圍總體趨小.分析可知，GA-BP法預測性能提高的原因是由于GA算法引入生物進化中的自然選擇和交叉與變異算子等實現了高效啟發式搜索，有效地縮小了BP模型參數尋優的取值范圍，提高了預測模型的準確度.

3 結論

本文提出的基于GA-BP算法的短期發電量預測方法，對BP網絡初始權值、閾值優化引入生物進化中的自然選擇和交叉與變異算子，有效地縮小了預測模型尋優參數的取值范圍.實驗結果表明，GA-BP預測算法與傳統BP相比，整體預測準確度得到了提高.本文方法對短期發電量等預測問題，具有良好的應用價值.從預測算法模型的4個影響因素可以看出發電量預測與環境有極大關聯，而在實際應用中環境參數都是由周圍氣象預報平臺獲得，目前可以較準確的預測兩天內的環境參數，所以本算法相應可以較準確的預測兩天之內的短期發電量情況.隨著天氣環境預測技術水平的發展，本算法也可以隨之提高預測精度和預測時間范圍.

[2] 鄭 淏,薛惠鋒,馮海濤.基于BP神經網絡的地表水污染指標短期預測分析[J].陜西科技大學學報(自然科學版),2016,34(3):156-160.

[3] 彭顯剛,胡松峰,呂大勇.基于RBF神經網絡的短期負荷預測方法綜述[J].電力系統保護與控制,2011,39(17):144-148.

[4] 吳倩紅,高 軍,侯廣松.實現影響因素多源異構融合的短期負荷預測支持向量機算法[J].電力系統自動化,2016,40(15):67-72.

[5] Kesgin U,Heperkan H.Simulation of thermodynamic systems using soft computing techniques[J].International Journal of Energy Research,2005,29(7):581-611.

[6] Fast M,Assadi M,De S.Development and multiutility of an AN(s)N model for an industrial gas turbine[J].Applied Energy,2009,86(1):9-17.

[7] 胡邦輝,成 龍,王學忠,等.長江中下游汛期降水GA-BP預測模型[J].解放軍理工大學學報(自然科學版),2016,17(6):564-570.

[8] 宋曉勇，陳年生.遺傳算法和神經網絡耦合的金融預測系統[J].上海交通大學學報,2016,50(2):313-316.

[9] 蔣松含,李中豪,張沛超,等.燃氣-蒸汽聯合循環機組的實時數字仿真建模[J].電力系統保護與控制,2015,43(20):137-142.

[10] H Kaya,P Tufekui.Local and global learning methods for predicting power of a combined gas & steam turbine[DB/OL].https://www.cmpe.boun.edu.tr/～kaya/kaya2012gasturbine.pdf,2012-03-05.

【責任編輯：蔣亞儒】

Short-term power generation prediction based on BP neural network optimized by genetic algorithm

GUO Wen-qiang, SHI Shuai, ZHANG Xiao, LI Ke-ke, SHE Jin-long, GAO Wen-qiang

(College of Electrical and Information Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China)

In order to reduce the influence of unreliable initial weights and thresholds problem,a back-propagation neural network based on genetic algorithm(GA-BP) optimization is proposed which leads to improve the prediction model performance.Genetic mechanism of crossover,mutation and selection and in nature is introduced to represent the network′s initial weight and threshold values as the chromosomes coded gene.According to the principle of survival fitness in the evolution,the genetics combination of crossover and mutation operators helps to produce new chromosomes,which achieves the network parameter optimization.Then the GA-BP prediction model is constructed via BP training to predict the short-term electricity power generation.Experimental results show that,GA-BP prediction approach superiors to the tradition BP prediction algorithm with better accuracy.The proposed approach may also be utilized in wide other prediction domains.

genetic algorithm; back propagation neural network;optimization; short-term prediction

2017-01-10

陜西省科技廳自然科學基金項目(2017JM6057)； 陜西省教育廳專項科研計劃項目 (2013JK1114)； 陜西科技大學博士科研啟動基金項目(BJ12-03)

郭文強(1971-)，男，陜西咸陽人，副教授，博士，研究方向：智能系統與模式識別

2096-398X(2017)04-0159-05

TP183

A