基于遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)模型的配電網(wǎng)短期負(fù)荷預(yù)測

陳浩 戴欣

摘? 要：對于配電網(wǎng)的安全運(yùn)行來說，短期的負(fù)荷預(yù)測有著重要意義。文章以某地區(qū)配電網(wǎng)為研究對象，利用遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)，對該地區(qū)的短期負(fù)荷預(yù)測方法進(jìn)行研究。電力系統(tǒng)短期負(fù)荷預(yù)測受到氣象因素、負(fù)荷類型、時間因素等多種非線性因素的影響，因此針對上述問題，首先確定輸入，輸出樣本，建立前饋神經(jīng)網(wǎng)絡(luò)模型，然后利用遺傳算法對前饋神經(jīng)網(wǎng)絡(luò)的缺陷進(jìn)行優(yōu)化，最后以MATLAB平臺仿真計算。通過對比可知，經(jīng)過遺傳算法優(yōu)化后的前饋神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測精度進(jìn)一步提高。

關(guān)鍵詞：前饋神經(jīng)網(wǎng)絡(luò);遺傳算法;短期電力負(fù)荷預(yù)測

中圖分類號：TM727? ? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號：2095-2945（2020）05-0007-03

Abstract： For the safe operation of distribution network， short-term load forecasting is of great significance. In this paper， with the distribution network of a certain area as the research object， the genetic algorithm is used to optimize the feedforward neural network， and the short-term load forecasting method of this area is studied. Short-term load forecasting of power system is affected by many nonlinear factors， such as meteorological factors， load types， time factors and so on. Therefore， in view of the above problems， firstly， the input and output samples are determined， and the feedforward neural network model is established. Then genetic algorithm is used to optimize the defects of feedforward neural network， and finally simulated on the MATLAB platform. By comparison， the prediction accuracy of the feedforward neural network prediction model optimized by genetic algorithm is further improved.

Keywords： feedforward neural network; genetic algorithm; short-term power load forecasting

引言

電力系統(tǒng)負(fù)荷是電力系統(tǒng)中重要的一部分，負(fù)荷預(yù)測的準(zhǔn)確性對電力系統(tǒng)規(guī)劃和經(jīng)濟(jì)運(yùn)行非常重要[1]。隨著經(jīng)濟(jì)的快速增長，用電量不斷加大，電力系統(tǒng)的規(guī)模也必然擴(kuò)大。但是由于當(dāng)前電能無法大規(guī)模儲存，為了滿足社會用電量的需求，保證配電網(wǎng)的安全運(yùn)行，負(fù)荷預(yù)測就顯得尤為重要。現(xiàn)階段，用于負(fù)荷預(yù)測的方法主要有灰色預(yù)測法、時間序列法、回歸分析法等。由于電力負(fù)荷的影響因素較多，使得電力負(fù)荷具有時變性和非線性。因此傳統(tǒng)的方法對于配電網(wǎng)的負(fù)荷預(yù)測精度不高。前饋神經(jīng)網(wǎng)絡(luò)具有典型的非線性處理能力，其收斂速度快，算法實現(xiàn)容易，通過對訓(xùn)練樣本集進(jìn)行學(xué)習(xí)，以獲取數(shù)據(jù)間的規(guī)律性，建立起輸入數(shù)據(jù)與輸出數(shù)據(jù)間的映射，然后在此基礎(chǔ)上進(jìn)行推理從而得到預(yù)測結(jié)果。但是同樣前饋神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值具有隨機(jī)性，對收斂速度有一定的影響，且不容易收斂。遺傳算法是一種全局優(yōu)化隨機(jī)搜索算法，通過遺傳算子模擬生物遺傳過程中的選擇、交叉和變異過程，獲得最優(yōu)個體[2-5]。

因此本文利用遺傳算法全局搜索能力強(qiáng)的優(yōu)勢，可對前饋神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，提高神經(jīng)網(wǎng)絡(luò)收斂速度，增強(qiáng)預(yù)測模型的準(zhǔn)確性和穩(wěn)定性。

1 遺傳算法優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)預(yù)測模型

1.1 前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)模型其主要特點(diǎn)是：信號是前向傳播的，而誤差是反向傳播的，其拓?fù)浣Y(jié)構(gòu)一般分為三部分，分別為輸入層、隱含層、輸出層。通過對樣本進(jìn)行訓(xùn)練，使輸出值接近真實的期望值，從而通過誤差的反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使其誤差平方和最小。針對配電網(wǎng)電力負(fù)荷短期預(yù)測問題，針對同類型負(fù)荷，將24h內(nèi)氣溫、光照強(qiáng)度、負(fù)荷原始數(shù)據(jù)作為輸入層，將負(fù)荷數(shù)據(jù)作為輸出層，如圖1所示。

設(shè)隱含層的激活函數(shù)為f1，輸出層的激活函數(shù)為f2，實際輸出為A，希望輸出為Y，其算法如下：

1.1.1 信息的正向傳遞

1.1.2 利用梯度下降法求權(quán)值變化及誤差的反向傳播

1.2 遺傳算法優(yōu)化前饋神經(jīng)網(wǎng)絡(luò)模型

前饋神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值具有隨機(jī)性，對收斂速度有一定的影響，且不容易收斂。利用遺傳算法全局搜索能力強(qiáng)的優(yōu)勢，對其權(quán)值和閾值進(jìn)行優(yōu)化，提高網(wǎng)絡(luò)收斂速度，增強(qiáng)預(yù)測模型的準(zhǔn)確性和穩(wěn)定性。遺傳算法是一種全局優(yōu)化隨機(jī)搜索算法，通過遺傳算子模擬生物遺傳過程中的選擇、交叉和變異過程，獲得最優(yōu)個體。主要步驟如下[6-7]：

（1）種群初始化。個體編碼為實數(shù)編碼，由輸入層與隱含層連接權(quán)值、隱含層閾值、隱含層與輸出層連接權(quán)值以及輸出層閾值組成。

（2）適應(yīng)度函數(shù)。根據(jù)個體得到BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)后預(yù)測系統(tǒng)輸出，把預(yù)測輸出和期望輸出之間的誤差絕對值和E作為個體適應(yīng)度值F，計算公式為：

（3）選擇操作。遺傳算法選擇操作有輪盤賭法、錦標(biāo)賽法等多種方法，本文選擇輪盤賭法，即基于適應(yīng)度比例的選擇策略，每個個體i的選擇概率為：

（4）交叉操作。交叉操作選擇實數(shù)交叉法，第k個染色體ak和第l個染色體al在j位的交叉操作方法如下：

（5）變異。選取第i個體的第j個基因aij進(jìn)行變異，操作方法如下：

2 仿真算例

本節(jié)利用遺傳算法優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)模型對電力負(fù)荷進(jìn)行預(yù)測，并對預(yù)測結(jié)果進(jìn)行對比分析。在建立模型中，首先選取光照強(qiáng)度、氣溫、電力負(fù)荷作為輸入變量，神經(jīng)網(wǎng)絡(luò)算法參數(shù)設(shè)置：學(xué)習(xí)效率取0.1，動量因子為 0.65，最大訓(xùn)練次數(shù) 2000，網(wǎng)絡(luò)訓(xùn)練最大平方誤差為10-5。遺傳算法參數(shù)設(shè)置：種群規(guī)模取10，進(jìn)化代數(shù)取50，交叉概率取0.4，變異概率取0.2。選取南京某區(qū)的電力負(fù)荷歷史數(shù)據(jù)及天氣狀況、光照強(qiáng)度，利用遺傳算法優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)對2019年6月30日全天24小時負(fù)荷進(jìn)行預(yù)測，預(yù)測結(jié)果如表1所示。遺傳算法優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)的適應(yīng)度曲線如圖3所示。

從表1可見，21個時間點(diǎn)的絕對百分誤差小于3%，最小絕對百分誤差為0.002%，最大絕對百分誤差為4.69%，平均絕對百分誤差為1.89%，表明預(yù)測取得了較滿意的結(jié)果。

3 結(jié)論

本文考慮了負(fù)荷類型、光照強(qiáng)度、氣溫等非線性因素，利用前饋型神經(jīng)網(wǎng)絡(luò)模型對電力負(fù)荷進(jìn)行短期預(yù)測，同時利用遺傳算法全局搜索能力強(qiáng)的優(yōu)勢，可對前饋神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，提高神經(jīng)網(wǎng)絡(luò)收斂速度，增強(qiáng)預(yù)測模型的準(zhǔn)確性和穩(wěn)定性。選取南京某區(qū)的電力負(fù)荷歷史數(shù)據(jù)及天氣狀況、光照強(qiáng)度等非線性變量作為輸入變量，利用模型進(jìn)行短期負(fù)荷預(yù)測，取得了較滿意的結(jié)果，表明該算法具有較高的可信度，對以后的研究有一定的實用價值。

參考文獻(xiàn)：

[1]牛曉東，曹樹華，趙磊.電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用[M].中國電力出版社，1998.

[2]李思琦，蔣志堅.基于神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測模型[J].區(qū)域供熱，2018（4）：42-46.

[3]劉暢，劉天琪，陳振寰，等.基于KPCA和BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測[J].電測與儀表，2016，53（10）：57-61.

[4]張凌云，肖惠仁，吳俊豪，等.電力系統(tǒng)負(fù)荷預(yù)測綜述[J].電力大數(shù)據(jù)，2018，21（1）：52-56.

[5]蘇靖祥.電力系統(tǒng)短期負(fù)荷預(yù)測方法研究[D].天津：天津大學(xué)，2015.

[6]王錦，趙德群.基于遺傳算法的神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化方法[J].電子元器件與信息技術(shù)，2018（9）：33-36.

[7]李莉，劉建勛，劉崇新.基于改進(jìn)型遺傳算法的混沌神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測的應(yīng)用[J].華中電力，2010，23（2）：13-17.