PSO-BP的短期電力負荷預測

安徽理工大學 周 莉 張 珂

應對短期電力負荷預測需求的提高，本文提出了一種BP神經網絡的粒子群優化方法（PSO-BP算法）。通過對某地區短期負荷樣本開展預處理，構建了基于PSO-BP的電力負荷預測模型。由實驗結果可知，PSO-BP模型預測收斂速度快，精密度有一定的提高，運行時間縮短。

1 背景

社會不斷發展，用電量在增加，需求也在提高。為有效降低“發輸變配”等過程損耗，要制定準確的發電計劃并合理調度。在我們制定計劃和提出方案時，準確的負荷預測能為其提供合理的參考依據。

短期負荷預測一般是猜測未來24H或幾天的電力需求。在供電調度和供電規劃需求量的提升下，短期電力負荷預測為其提供了重要保障。它也在傳統電力系統和無管制電力系統的運行中起著關鍵作用，是電力系統經濟可靠運行的有效工具。

常用的電力負荷預測方法如表1所示。

表1 常用電力負荷預測方法

在當前新型電力能源市場環境下，為了適應更加靈活多變的時代節奏。本文提出建立一種PSO-BP模型，利用粒子群多輸入輸出能以最快速度靠近最優解得特性，再混合BP神經網絡算法建立模型。通過繪制MATLAB仿真模型，經仿真證明，此算法減小了對網絡收斂性和學習效率的影響。將數據集帶入該模型后，能提高收斂速度，誤差降到了0.0947。

2 歸一化處理

有時，不同的數據范圍、格式和類型會導致錯誤。由此，為了保證數據的質量，在呈周期性的時間間隔內，剔除無效數據、非標準數據和錯誤數據對于在短期電力負荷預測的情況下顯得尤為重要。所以第一步要對樣本進行歸一化處理。具體方法如下：

式中，Xn’為處理結果；Xn為樣本電力數據；Xmax為樣本最大值；Xmin為最小值。

處理完后數據的范圍[0,1]。再反歸一化操作，得到有量綱的預測數據：

3 PSO-BP預測模型

3.1 BP神經網絡基本原理

BP神經網絡的概念在1986年被提出。它采用簡單的三層網絡，具體分為兩個步驟：首先信號的前向傳播，順著輸入到輸出計算實際輸出；再進行誤差的后向傳播，再逆方向校正權重和閾值。網絡結構如圖1所示。

圖1 BP網絡結構圖

3.2 粒子群算法

粒子群算法（Particle Swarm Optimization），是一種新型進化計算方法，它建立在鳥群聚集不斷疊加最后定位于最佳覓食區域。PSO是一種迭代優化工具。D維空間中，量綱不變的情況下，初始化有Z個隨機粒子組成一個粒子群體。假設其中第i個粒子的空間位置為Xi=(Xi1，Xi2，…，XiD)，(i=1，2，…，Z)，這個粒子的位置作為優化的一個潛在解。我們的目標就是不斷更新這個位置，通過迭代找到“極值”。列出優化函數，將i粒子的位置代入，得到適應值，以此來判別Xi的好壞。經過第N代后，第i個粒子所經歷過的位置作為歷史最佳，記為Pi=(Pi1，Pi2，…，PiD)；同時其各自飛行速度為Vi=(Vi1，Vi2，…，ViD)；迭代結束后，粒子群的歷史最佳位置記為Pg=(Pg1，Pg2，…，PgD)。每一代粒子，其第d維(1≤d≤D)的速度與位置迭代規律詳見(1)、(2)所示。

式中，u為慣性權值，代表部分尋優能力；c1和c2代表加速系數；r1和r2為隨機數，在[0,1]內變化。

3.3 優化過程

計算BP網絡的隱含層節點數，通常采用剪枝或分步構造法。在試行過程中，其個數會不停變化，初始權值和閾值也要更改，保持不對稱性。由此，會讓網絡收斂性不穩定，學習效率變差。為了減小這種影響，本課題采用新方式，對每個網絡都設定N個不同初始權值和閾值的BP網絡，再采用PSO-BP算法進行優化。在初始化不同的網絡中，經過算法訓練，邏輯判斷，最終得到的BP網絡誤差最小。優化過程如圖2所示。

圖2 PSO-BP算法流程圖

4 實驗部分

當外部影響因素大致相同時，在相同時間段內，因為短期負荷曲線的周期性和連續性的特點，負載變化趨向基本相同，峰谷負荷的時間基本一致。由此，本文利用某一地點每15min采樣的電力負荷數據，經過預處理后，搭建模型，利用PSO-BP算法進行預測。預測原理如圖3所示。

圖3 預測原理圖

本課題的仿真環境為MATLAB2020b，本課題采用某地的每15min采樣的電力負荷數據建立預測模型。900個樣本用以建立模型作為訓練，100個作為檢驗。建立PSO-BP預測模型后，把樣本代入預測電力負荷。通過對比PSO-BP和BP模型的均方誤差（MSE）來評價模型優劣，結果如表2所示。

表2 均方誤差對比

N個樣本，X為真實值，X’為預測值。

通過比較兩種預測模型結果，和BP神經網絡預測模型對比，PSO-BP預測模型的均方差誤差更小，能一定程度上改善收斂性能。從效果圖來看，輸入輸出之間的映射能力有一定的提高，誤差降低至0.0947。

把樣本代入PSO-BP模型中實行電力負荷預測，得到模型預測效果曲線如圖4所示。得到預測誤差如圖5所示。將樣本代入BP神經網絡模型中，得到對比圖如圖6所示。

圖4 輸出測試集預測效果（PSO-BP）

圖5 輸出測試集誤差（PSO-BP）

圖6 輸出測試集預測效果（BP）

結論：本課題采用PSO-BP算法和BP神經網絡兩種模型對同一地點的同一數據集進行預測。結果表明，與基本BP算法訓練結果相比，粒子群多數入多輸出優化BP網絡的模型，一定程度上提高了學習能力，使試驗不局限于單純的網絡結構。