基于GA—BP算法的呼和浩特地區短期電力負荷預測

陳英慧+商淼+李婷+高紅艷

摘 要：電力負荷預測要求有較高的精度，負荷預測的參數和預測結果之間呈現出非線性的關系，如何能更好的解決參數和結果之間的非線性關系才能更好的提高預測結果的精度。本文通過實例表明基于GA-BP模型的電力負荷預測能夠很好的適應這種非線性關系，計算結果有著較高的精度。

關鍵詞：電力系統；負荷預測；神經網絡；遺傳算法（GA）

DOI：10.16640/j.cnki.37-1222/t.2018.05.146

1 緒論

電力負荷預測是以電力負荷為對象進行的一系列預測工作。從預測對象來看，電力負荷預測包括對未來電力需求量（功率）的預測和對未來用電量（能量）的預測以及對負荷曲線的預測[1]。電力負荷預測是電力系統中極其重要的工作，對電力系統的生產運行及電力系統自動化有著極其重要的意義，同時也是電力系統經濟運行的基礎。隨著計算機相關領域的不斷發展，尤其是基于深度學習的人工智能的領域的不斷深入的研究，更加準確的預測電力系統的負荷成為可能。并且，電力系統對于負荷預測的精度要求也是不斷地提高，所以，如何能夠更加準確的預測電力負荷有著極其現實的意義。

電力負荷預測受氣象，國家能源政策，人民收入水平，經濟發展的程度和經濟的結構的等多方面的因素的影響，影響因素中各個方面都具有一定的隨機性和非線性，如何很好的適應其中的非線性和隨機性對于預測算法具有很高的要求[2-4]。本文得到結果與實際生產運行的結果進行比較表明本文所使用的方法對于非線性具有較好的適應性，預測的結果有較高的精度，預測的結果可以做為實際的電力生產的依據。

2 GA-BP模型電力負荷預測的原理

BP神經網絡使用三層感知器，分別為輸入層，隱藏層和輸出層。輸出層的誤差通過反向傳播至輸入層，在傳播過程中，將誤差分攤給各層的所有單元，從而獲得各層所有單元的誤差信號，并通過此誤差信號作為修正各單元的權重的依據[5]。

遺傳算法（Genetic Alogrithm，GA）起源于對生物系統所進行的計算機的模擬。它是模仿自然界生物的進化機制發展起來的隨機全局搜索和優化方法，借鑒了達爾文的進化論和孟德爾的遺傳學說，其本質是一種高效、并行、全局的搜索方法，能在搜索的過程中自動獲取和積累有關搜索的空間知識，并自適應地控制搜索過程以求得最佳解。遺傳算法使用適者生存的原則，在潛在的解決方案中逐次產生近似的最優的方案。在遺傳算法的每一代中，根據個體在問題域中的適應度，通過選擇，交叉，和變異對個體進行再造，產生一個新的近似解，得到的新的個體比原個體更能適應環境。

近些年，BP神經網絡結合遺傳算法可以更好的提高BP神經網絡的預測精度，遺傳算法可以克服BP神經網絡的不足，通過遺傳算法可以使得BP神經網絡獲得的更好的參數。對于BP神經網絡結合遺傳算法的方法應該給予更多的重視。

BP神經網絡神經元j的輸出為：，為之前神經元的輸出，為神經元k和神經元j之間的權重。激活函數的表達形式為：。BP神經網絡預測具有較好的精度，但是同時BP神經網絡也具有收斂慢，同時容易局部收斂的缺點，通過GA算法調整BP神經網絡的各神經元的權重和BP算法的初始權重可以很容易的克服BP神經網絡的缺點。可以加入GA算法對其BP神經網絡的初始權重進行優化，其步驟如下：

（1）生成初代權重。

（2）通過選擇、交叉、變異，生成子代權重。

（3）驗證是否符合適應函數，其中。

（4）不斷的迭代直至最終生成函數符合（3）的條件，迭代結束。

3 基于GA-BP算法的短期電力負荷預測的研究

利用呼和浩特某地區電網的從2017-2-1到2017-3-1日每天0時到24時的負荷數據做為訓練樣本，2017-3-2到2017-3-15日每天0時到24時的負荷做測試樣本，并對2017-3-16到2017-3-26日的負荷進行預測，結果見表1。預測數據和實際數據的對比圖見圖1。

如圖1所示預測曲線和實際的負荷曲線基本接近，從表一中可以看出其相對誤差的最大值不超過4%，可以看出GA-BP模型的精度較高，可以應用到實際生產中的電力負荷預測當中。

4 結論

將遺傳算法應用于電力系統負荷預測，通過上述討論，可以得出以下結論：

（1）該模型對電力負荷預測結果符合期望，對電力負荷預測有較高的精度。

（2）參數和結果之間具有非線性，用遺傳算法進行電力負荷預測，對于非線性有較好的適應性。

（3）本文使用自適應算法對遺傳算法進行了改進，避免了遺傳算法中的收斂緩慢和局部極小的問題，提高了運算速度和預測的精度。為電力負荷預測提供了一種改進的方法，該方法預測的結果可以為電力生產和規劃提供參考。

參考文獻：

[1]牛東曉.電力負荷預測技術及其應用[M].中國電力出版社，2009.[2]曾德明.電力負荷的預測方法的建模與仿真[J].計算機仿真，2011.

[3]原媛.電力負荷特性分析及中長期負荷預測方法研究[M].上海交通大學，2008.

[4]師兵兵.神經網絡預測中長期電力負荷對比研究[J].繼電器，2007.

[5]劉政生.基于BP神經網絡的電力負荷預測算法[J].自動化應用，

2012（06）.

作者簡介：陳英慧（1983-），男，河北淶源人，碩士，助教，研究方向：電力系統穩定、電機設備。