基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)電價(jià)預(yù)測(cè)研究

魯婭楠 王金梅 孫帆

摘 要：電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃和運(yùn)行的主要內(nèi)容，而實(shí)時(shí)電價(jià)是影響負(fù)荷預(yù)測(cè)精度的一個(gè)重要因素，文章通過(guò)分析某電網(wǎng)電價(jià)歷史數(shù)據(jù)，結(jié)合PSO算法和BP網(wǎng)絡(luò)優(yōu)點(diǎn)，提出一種PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，將電力系統(tǒng)電價(jià)的不確定性變?yōu)榭深A(yù)測(cè)性。Matlab仿真結(jié)果表明，PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型收斂速度快和預(yù)測(cè)精度高，可運(yùn)用到未來(lái)實(shí)際電價(jià)預(yù)測(cè)當(dāng)中。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；粒子群算法；優(yōu)化算法；電力負(fù)荷預(yù)測(cè)

中圖分類(lèi)號(hào)：TM71 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）28-0015-03

Abstract： Power load forecasting is the main content of power system planning and operation， and the spot price is an important factor that affects the precision of load forecasting. This paper analyzes the historical data of electricity price in a power network and combines the advantages of PSO algorithm and BP network. A forecasting model of PSO-BP neural network is proposed. The PSO algorithm is used to optimize the initial weights and thresholds of the BP neural network， and the uncertainty of the electricity price in the power system can be changed into predictability. The Matlab simulation results show that the PSO-BP neural network prediction model has fast convergence speed and high forecasting accuracy， which can be applied to the actual electricity price forecasting in the future.

Keywords： BP neural network； particle swarm optimization； optimization algorithm； power load forecasting

引言

隨著智能電網(wǎng)的快速發(fā)展，短期電力負(fù)荷預(yù)測(cè)受到經(jīng)濟(jì)、環(huán)境和實(shí)時(shí)電價(jià)等多種不確定因素的影響，而實(shí)時(shí)電價(jià)是影響負(fù)荷預(yù)測(cè)精度的一個(gè)重要因素。因此，本文提出PSO-BP預(yù)測(cè)模型，通過(guò)分析某電網(wǎng)的實(shí)時(shí)電價(jià)和負(fù)荷數(shù)據(jù)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)和粒子群算法全局尋優(yōu)的特點(diǎn)，用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最初權(quán)值和閾值，然后不斷更新粒子位置、速度，直至搜索到最優(yōu)適應(yīng)度值，以此來(lái)提高網(wǎng)絡(luò)訓(xùn)練速度和預(yù)測(cè)精度，將電力系統(tǒng)電價(jià)的不確定性變?yōu)榭深A(yù)測(cè)性。

1 某電網(wǎng)負(fù)荷特性分析

如圖1所示，該電網(wǎng)8月1-5日負(fù)荷的周期性比較明顯，它們總的變化趨勢(shì)和出現(xiàn)峰值、谷值的時(shí)間也基本相同，其它天的負(fù)荷變化曲線(xiàn)也有相似規(guī)律。

如圖2所示，8月1-5日電價(jià)變化曲線(xiàn)有明顯的周期性且電價(jià)出現(xiàn)峰段、谷段的時(shí)段基本相同，且電價(jià)的變化曲線(xiàn)與負(fù)荷變化曲線(xiàn)有相似變化特點(diǎn)。負(fù)荷出現(xiàn)峰值時(shí)，電價(jià)也相應(yīng)較高；谷值時(shí)，電價(jià)也比較低。這樣便可以發(fā)揮電價(jià)的調(diào)節(jié)機(jī)制，峰值時(shí)電價(jià)較高使用戶(hù)減少用電，谷荷時(shí)電價(jià)較低鼓勵(lì)用戶(hù)用電，有削峰填谷的作用。

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種包括隱含層的多層前饋網(wǎng)絡(luò)，能較好解決隱含單元連接權(quán)在多層網(wǎng)絡(luò)中的學(xué)習(xí)問(wèn)題，其學(xué)習(xí)算法分為：信號(hào)向上傳遞和誤差向下傳遞。向上傳遞時(shí)，輸入樣本從輸入層經(jīng)過(guò)隱含層單元逐層處理后傳到輸出層。輸出層將實(shí)際輸出和期望輸出進(jìn)行比較，如果誤差值大于設(shè)定值，則進(jìn)入誤差向下傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷靠近期望輸出[4]。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖3所示。

4.2 參數(shù)優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-3-1，隱含層、輸出層的傳遞函數(shù)分別為S函數(shù)‘tansig和線(xiàn)性函數(shù)‘purelin，訓(xùn)練目標(biāo)為1e-5，學(xué)習(xí)速率為0.02，權(quán)值為18，閾值為4。PSO算法參數(shù)：迭代次數(shù)為100，最大速度為0.5，加速因子c1=2，c2=1.8，？棕max=0.9，？棕min=0.3，設(shè)定最小誤差為0.001，粒子數(shù)為40。PSO-BP電力負(fù)荷預(yù)測(cè)模型的精確度用絕對(duì)誤差（MAE）和相對(duì)誤差（MRE）檢驗(yàn)。

4.3 PSO-BP預(yù)測(cè)模型分析

將訓(xùn)練好的樣本數(shù)據(jù)輸PSO-BP網(wǎng)絡(luò)預(yù)測(cè)模型，Matlab工具進(jìn)行仿真后PSO-BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度曲線(xiàn)如圖5所示，群體最佳適應(yīng)度和當(dāng)時(shí)的位置分別為1.1655，100，從圖中可以看出該模型有較好的收斂效果。

PSO-BP電力負(fù)荷電價(jià)預(yù)測(cè)結(jié)果如圖6所示，其中黑線(xiàn)代表的是8月6日電價(jià)實(shí)際值，藍(lán)線(xiàn)代表的是8月6日電價(jià)預(yù)測(cè)值，從圖中可以看出預(yù)測(cè)值和實(shí)際值的變化趨勢(shì)基本相同。

網(wǎng)絡(luò)訓(xùn)練結(jié)束后，PSO-BP神經(jīng)網(wǎng)絡(luò)的相對(duì)誤差曲線(xiàn)如圖6所示，可以看出PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差在0左右變化，相對(duì)誤差較小。網(wǎng)絡(luò)運(yùn)行結(jié)束后，相對(duì)誤差為0.0163，MAE=1.58%，即本文運(yùn)用的基于PSO-BP神經(jīng)網(wǎng)絡(luò)電價(jià)的預(yù)測(cè)模型具有較好的預(yù)測(cè)精度和準(zhǔn)確度。

5 結(jié)束語(yǔ)

電力系統(tǒng)的復(fù)雜性間接造成了電力負(fù)荷預(yù)測(cè)的困難，文章通過(guò)分析某電網(wǎng)電價(jià)和負(fù)荷歷史數(shù)據(jù)，用PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)未來(lái)幾天的電力市場(chǎng)電價(jià)進(jìn)行預(yù)測(cè)，將電價(jià)的不確定性變?yōu)榭深A(yù)測(cè)性，并對(duì)該預(yù)測(cè)模型進(jìn)行驗(yàn)證。結(jié)果表明，本文提出的PSO-BP預(yù)測(cè)模型訓(xùn)練速度快，預(yù)測(cè)精度高，可為未來(lái)電力市場(chǎng)中的電能交易價(jià)格提供技術(shù)參考。

參考文獻(xiàn)：

[1]宋超，黃民翔，葉劍斌，等.小波分析在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2002，14（3）：8-12.

[2]馬修元，段鈕鋒，劉猛，等.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的水焦?jié){管道壓降預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2012（05）：54-60.

[3]李東潔，李君祥，張?jiān)剑?基于PSO改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)手套手勢(shì)識(shí)別[J].電機(jī)與控制學(xué)報(bào)，2014，18（8）：87-93.

[4]李松，劉力軍，劉穎鵬.改進(jìn)PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（6）：245-249.

[5]潘昊，韓小雷.粒子群優(yōu)化的BP網(wǎng)絡(luò)學(xué)習(xí)算法研究及應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2008，44（9）：67-69.

[6]仲明月.基于改進(jìn)粒子群算法的電力系統(tǒng)無(wú)功優(yōu)化[J].科技創(chuàng)新與應(yīng)用，2017（01）：230.

[7]張蕾，王蔚，孫凌濤.基于優(yōu)化粒子群算法的風(fēng)電場(chǎng)無(wú)功補(bǔ)償研究[J].科技創(chuàng)新與應(yīng)用，2017（14）：22-23.