基于IBAS-BP算法的熱電廠負荷預測及工程應用

段中興，宋婕菲，溫 倩，周 孟

(西安建筑科技大學 信息與控制工程學院，西安 710055)

0 引言

熱電廠通過負荷預測[1]能夠得到不同時段的負荷變化趨勢，規劃、調度部門可以根據預測結果安排電網建設計劃，調整機組配置，滿足用電需求的同時節省發電成本，各負荷時段預測量可以指導運行部門安排機器檢修及維護工序。因此，無論從經濟還是社會角度，提升預測水平，就是提高電網效益[2]。熱電廠短期負荷預測作為預測的重要內容，需要達到更高的精度。目前，基于深度學習[3-4]、智能算法[5-6]和人工神經網絡[7-8]等模型已廣泛應用于負荷預測中。

國內外對負荷預測及相關模型做了大量研究。霍娟等[9]采用改進支持向量機方法對負荷進行預測，但SVM受自身參數影響較大，預測結果具有不確定性。閆重熙等[10]采用天牛須搜索算法對向量機參數進行自動搜索，能夠有效提高模型的尋優能力，但其算法尋優個體單一，無法滿足種群進化算法多樣性要求。賈永會等[11]通過BP神經網絡算法搭建燃燒區域溫度預測模型，無法避免BP網絡局部極小化問題。孟子超等[12]提出基于遷移學習和深度卷積神經網絡的組合優化方法，解決中小樣本學習能力差的問題。劉倩穎等[13]結合Kmeans聚類與BP神經網絡算法，對辦公建筑逐時用電負荷進行預測，在預測精度上有較大突破，但未考慮BP網絡訓練速度慢的局限性。郭彩杏等[14]提出一種結合改進遺傳模擬退火算法和Metropolis準則的BP神經網絡優化算法，有效提高網絡的擬合能力。但該算法影響因子較多，導致模型訓練復雜性高，尋優時間較長。

近年來，BP神經網絡廣泛應用于短期電力負荷預測中，針對目前研究存在的問題，大量學者將種群進化算法[15]與BP神經網絡方法緊密結合，充分利用進化算法種群多樣性的優點，同時，利用BP網絡能夠自適應及自學習的特點，可使優化模型得到更好的預測效果。與其他種群算法相比，2017年提出的天牛須搜索算法，個體單一，運算量較少，能夠較好地解決簡單的尋優問題。但因其只有一個尋優個體，無法滿足進化算法種群多樣性要求，一旦遇到多輸入及更加復雜的優化函數，或維數較多的優化問題時，BAS的優化精度明顯降低，性能變差。本文引入精英個體和變步長策略對標準天牛須算法進行改進，并通過建立IBAS-BP優化模型，改善BP神經網絡的尋優能力，提高預測精度，降低預測誤差。

1 短期熱電廠負荷的主要影響因素

短期熱電廠負荷預測由多種因素共同作用：一方面，負荷數據呈隨機性和波動性趨勢；另一方面，負荷數據也具有周期規律性的特點，這為實現有效的預測奠定了基礎。影響短期電力負荷的主要因素如下：

1)溫度因素。不同的溫度情況會產生對應的用電需求，溫度因素的變化對短期負荷預測產生較大的影響。例如，夏季高溫天氣時，空調、冰箱等制冷設備用電負荷較大；冬季天氣寒冷時，溫度較低，電熱毯，電暖氣等加熱設備用電量明顯增加；春秋季溫度適宜時，用電負荷較前兩種情況趨于平穩。因此，氣溫的變化已成為影響短期負荷預測的關鍵因素[16]。

2)日期屬性。通常，短期電力負荷以星期為單位呈現周期性變化[17]。工作日用電負荷趨于平穩，雙休日用電種類較多，用電負荷較工作日有較大波動。因此，星期屬性是影響短期負荷預測的重要因素。

3)電價因素。電網運行結構影響負荷特性的峰谷值，合適的峰谷電價不僅能夠降低高峰負荷的增長速度，還可以較明顯的拉高負荷力，在一定程度上能夠提高電力負荷的預測精度及電網設備的利用率。

4)其他因素。短期電力負荷受多種因素共同作用，影響因素的多樣性對負荷預測產生不同的影響。除去溫度，日期等外界影響因素，還包括用戶習慣、深度調峰需求、靈活調峰需求等。

2 相關原理介紹

2.1 BP神經網絡

BP神經網絡信息正向傳遞，誤差反向傳播。信息從輸入層流向隱含層，隱含層對信息進行加工處理后傳遞給輸出層，當輸出層結果無法達到要求時，權值沿著誤差變化的負梯度方向調節，最終達到誤差最小值[18]。

由大量實驗可知，輸入層和輸出層節點個數可根據實際問題和需求確定，隱含層神經元個數無法直接得出，可通過經驗公式窮舉法，選擇最優隱含層節點數。

圖1 BP網絡結構

2.2 天牛須搜索算法

天牛須搜索算法(BAS，beetle antennae search algorithm)是一種觀察天牛覓食行為提出的仿生啟發式算法。天牛通過左右須感知食物氣味，并向氣味更強的方向飛行，不斷調整自己的位置，依據這一簡單原理天?？梢钥焖俑咝У卣业绞澄?。同理，在模型尋優過程中，食物的氣味可看作一個函數，天牛采集自身附近的函數信息，對其進行分析比較，不斷更新自己的空間位置，直至找到函數最優解。

BAS算法步驟如下：

1)天牛參數初始化，設置天牛須初始方向隨機向量。

(1)

式中,K為空間維度，rand()為隨機函數。

2)建立天牛左右須的空間位置坐標。

(2)

xt為第t次尋優時天牛的質心位置，xl,t和xr,t分別代表第t次尋優時天牛左右須的位置坐標，dt代表第t次尋優時天牛左右須的間距。

3)創建天牛搜索行為移動模型。

根據適應度函數計算天牛左右須的適應度值f(xl)及f(xr)，通過比較天牛當前空間位置左右須的適應度函數值，判斷下一步天牛位置的移動方向，更新步長δ。

(3)

式中,xt+1第t+1次迭代天牛的質心位置，xt為第t次迭代天牛的質心位置，δt為第t次迭代天牛移動的步長，sign()為符號函數。

2.3 改進的天牛須搜索算法(IBAS)

2.3.1 多個體精英策略種群更新方式

本文對標準天牛須算法進行改進，將個體尋優擴充為多個體種群尋優，引入精英策略種群更新模式，保留了天牛須算法簡單有效的尋優機制，同時，增加目標解的可能性，從而提高算法的尋優能力與穩定性。

多個體精英天牛須優化算法原理：天牛種群中，每只天牛個體同時擁有左，右須適應度，選擇其中較好的適應度，并根據其確定天牛移動方向，直到找到目標函數最優解，記錄每一次尋優過程的最佳適應度。天牛個體尋優能力各不相同，隨著算法的不斷迭代，種群會出現精英個體，這些個體能夠更好地掌握最優解信息，加快尋優的速度的同時，提高求解的精度。

天牛種群矩陣X如下：

(4)

(5)

fxi表示天牛種群在同一維度下最優適應度值。

精英個體擁有較好的適應度值，掌握搜索過程最優信息，通過引入精英個體，參與尋優過程，提高種群搜索能力。精英個體矩陣C如下所示：

(6)

(7)

2.3.2 非線性遞減步長控制策略

步長是控制天牛搜索能力的重要參數，搜索步長的選擇對算法的尋優效率和精度產生重大影響。步長較大時，算法全局尋優能力較強，但可能導致尋優跳離最優解，出現收斂速度慢、精度低的問題；步長較小時，局部尋優能力較強，但收斂速度太慢，易陷入局部極值難以跳出。標準算法中步長為定值，尋優效率較低，求解精度較差，本文在標準天牛須算法的基礎上，設計基于非線性遞減步長控制策略的改進天牛須算法，其搜索前期具有較大的步長，種群不會過早密集地收斂于局部最優值，使得算法在前期具有較強的全局尋優能力，同時，后期步長非線性遞減，使得后期搜索過程中不會因為步長較大錯過最優值，在后期也有較優的局部尋優能力。

非線性遞減步長控制策略可表示如下：

(8)

式中，δ0為初始步長，一般取值較大，增強全局搜索能力，t為當前迭代次數，T為最大迭代次數，eta為0～1之間的調節因子。當eta較大時，全局搜索能力差，較快陷入局部搜索，當eta較小時，局部搜索能力差，易錯過局部最優解。

3 基于改進天牛須搜索算法的IBAS-BP預測模型

BP神經網絡因其權值產生具有隨機性，存在易陷入局部最優、訓練速度慢、穩定性差等不足。針對BP神經網絡缺陷，建立IBAS-BP優化模型，采用IBAS算法對BP神經網絡權值進行優化，使BP網絡在IBAS算法的范圍內有效尋優。

IBAS-BP算法流程如圖2所示，具體步驟如下：

圖2 IBAS-BP算法流程圖

1)初始化天牛參數：天牛左右須間距d、質心坐標x、左右須的位置xl，xr，天牛初始步長δ0=15、迭代次數T=200。

2)確定BP網絡結構，網絡參數初始化。本文采用的IBAS-BP模型中，輸入層的34個單元分別為：預測日前一天24 h整點負荷數據、訓練日和預測日最高溫度、最低溫度、平均溫度，訓練日及預測日季節特征、星期屬性。輸出層24個節點為預測日24h整點負荷值，隱含層節點數取值范圍[6～28]，通過窮舉法試驗，確定隱含層節點個數為14。

3)確定適應度函數。選取均方根誤差MSE作為適應度評價函數。

(9)

4)更新天牛空間坐標。更新天牛左右須的空間位置坐標,計算當前左右須的適應度函數值f(xl)和f(xr),對其進行比較，確定天?？臻g移動方向，根據變步長策略更新步長。當適應度函數值達到訓練精度或迭代達到最大次數時，算法運行結束，BP網絡找到最優權值，建立IBAS-BP組合模型。

5)劃分訓練集和測試集。將預測日期前一周負荷數據作為訓練樣本輸入IBAS-BP模型進行訓練，將測試集數據按照星期屬性分為工作日和休息日分別進行預測。

6)得到待測日負荷預測結果，采用誤差評價指標評估并得出結論。

4 算例分析

實驗采用Matlab驗證IBAS-BP預測模型的準確性和可靠性。模型輸入為熱電廠歷史負荷數據、溫度數據、日期屬性、季節特征，采樣數據為熱電廠前一年歷史負荷，采樣周期為每日24 h逐點采樣。模型輸出為24 h負荷預測值。以1月28日(工作日)，31日(休息日)為例，分別采用PSO-BP模型、BAS-BP模型和IBAS-BP模型進行預測，通過3種模型結果對比分析，驗證IBAS-BP模型預測性能。

4.1 實驗評價指標

選取4個標準測試函數進行測試，將BAS算法與IBAS算法尋優性能對比，驗證IBAS算法的預測性能。4種標準測試函數如表1所示，其中f1(Sphere)為單峰函數，f2(Girewank)，f3(Rastrigin)，f4(Alpine)為多峰函數[19]。

表1 標準測試函數

設定BAS種群個數為1，IBAS種群個數為20，迭代次數為200次，每種算法獨立運行各函數30次。

為了更直觀地表現預測能力，實驗選取均方根誤差RMSE、平均絕對百分比誤差MAPE精度評價指標對結果進行分析。均方根誤差RMSE能夠很好地反映預測的精密度；平均絕對百分比誤差MAPE能夠正確地反映預測的精確度?；貧w預測指標公式如下：

(10)

(11)

4.2 實驗結果分析

基于4種標準測試函數的IBAS，BAS算法測試結果如圖3所示。分析圖3(b)可知，在有限的搜索代數內，IBAS算法能夠較快收斂到理想值，有效避免陷入局部極值。圖3(a)、(c)、(d)中，IBAS算法尋優精度分別可達到e-35，e-14，e-20，都能夠尋找到理論最優解0，說明本文算法具有更好的尋優精度。結合表2可知，IBAS算法的測試平均值及標準差均小于BAS算法。因此，與標準BAS算法相比，無論是在單峰或者多峰函數問題上，改進的IBAS算法都具有較高的尋優精度和較快的收斂速度。

圖3 標準函數測試圖

表1 4種函數測試結果

圖4為1月28日(工作日)，1月31日(休息日)負荷預測曲線圖。分別采用PSO-BP，BAS-BP，IBAS-BP模型對工作日，雙休日2個星期屬性日24 h電力負荷進行預測。

圖4 負荷預測曲線圖

由圖4可知：

1)雙休日相對誤差大于工作日，其原因可能為雙休日不可控因素較多，用電種類較多，相比工作日較難建立準確的預測模型，導致預測誤差較大。

2)無論工作日還是雙休日，IBAS-BP模型預測效果均優于BAS-BP模型和PSO-BP模型，PSO-BP預測模型的相對誤差最大，模型的穩定性最差，IBAS-BP網絡穩定性優于BAS-BP網絡。

引入精度評價指標RMSE和MAPE對模型預測性能作進一步評價，如表3所示。

表3 負荷預測誤差評價

由表3所示，工作日IBAS-BP模型的RMSE，MAPE分別為4.163，0.005；休息日IBAS-BP模型的RMSE，MAPE分別為5.595，0.007。對3種模型誤差進行分析，IBAS-BP模型平均誤差小于BAS-BP模型，BAS-BP模型平均誤差小于PSO-BP模型。綜上所述：相較于PSO-BP模型及BAS-BP模型，IBAS算法能更好地改善BP神經網絡的預測性能，模型的負荷預測精度較高。

5 工程應用

我國電力系統中，熱電廠機組承擔著主要的發電任務，高參數大容量的熱電機組多采用單元制并列運行方式[20]。隨著社會電力負荷的增加，我國的電網體系架構也愈加復雜，并網機組容量的日益增加，對電網的安全運行和優化調度提出了更高的要求。電網調度政策遵循《電網調度管理條例》，充分考慮電網配電設備的經濟運行性能，減排節能，電廠機組負荷的優化分配。同時，最大限度地平衡電網公司和電廠對于經濟調度的需求。

由于系統負荷的變化，發電機組不可能始終保持在經濟負荷下運行。如何根據負荷預測結果在機組間進行負荷分配，將會對整個系統的經濟性能產生較大影響。本文基于熱電廠機組煤耗特性曲線、在線用電率曲線、發電功率等數據，結合電網調度政策，對熱電廠接收到AGC指令數據進行實時的優化分配[21]。

本文搭建負荷優化分配的數學模型，需要滿足電網調度負荷指令和機組安全運行的臨界條件。采用粒子群優化算法，依照機組運行狀態和性能參數，優化電廠機組負荷分布。負荷優化分配后，工廠煤耗率較優化前下降，能源利用率有所提升，能夠達到較好的節能優化效果。選取覆蓋全工況范圍的典型工況數據列于表4。

表4 優化前后煤耗分配對比

表4通過對比分析典型負荷分布優化前后的標煤耗可知，當全廠負荷指令在1 465.25 MW平臺時，每個機組的平均功率接近可調節范圍的下限，煤炭消耗量變化不明顯，負荷優化后煤炭消耗量降低1.35 g/kWh，節省標煤耗率為0.372%。伴隨機組穩定運行，設施總負荷的增加，負荷優化所產生的煤炭節約效果逐漸明顯。位于1 985.20 MW平臺時，負荷優化后煤炭消耗量減少了2.81 g/kWh，節省標煤耗率為0.791%，煤炭使用率大大降低，達到節省能源的最好效果。當該平臺上添加總負荷指令至2 240.55 MW時，優化后煤耗降低1.66 g/kWh，節省標煤耗率為0.474%。綜上所述，優化機組負荷分配能夠有效降低煤炭消耗，綠色節能的同時，電廠運行管理經濟性有所提升。

高效的負荷預測為電廠機組實現精準的電力調度提供保障，合理的負荷優化分配能夠提高電廠效益，后期可結合電力系統調度政策，對調度量化指標和提高機組運轉效率方面作進一步研究。

6 結束語

本文提出一種基于改進天牛須搜索算法的IBAS-BP組合模型，并將其應用于熱電廠短期電力負荷預測中。通過引入精英策略，改進BAS算法更新步長，增加了搜索過程的多樣性和隨機性。結果表明，IBAS-BP優化模型具有良好的預測性能。調度中心根據負荷預測結果，綜合考慮電網政策、機組本身的調節性能、效率、煤耗等因素，對熱電廠機組進行負荷優化分配，降低機組煤耗率，保證每臺機組安全、穩定、經濟運行，研究具有工程應用價值。