基于改進人工蜂鳥算法優化ELM的電力負荷預測

王童

摘? 要： 為了能夠提高短期電力負荷預測的精度，提出一種改進人工蜂鳥算法優化ELM的電力負荷預測模型。改進標準的人工蜂鳥算法，通過引入Sobol序列初始化種群和修改訪問表更新規則，增強算法的尋優能力。將改進后的人工蜂鳥算法應用于ELM的參數尋優中，進一步提升ELM的準確性。結果顯示，改進后的人工蜂鳥算法能夠快速地找到最優解，負荷預測的準確率超過了99.161%，驗證了本文預測模型的穩定性與可靠性。

關鍵詞： 負荷預測； 極限學習機； 人工蜂鳥算法； Sobol序列

中圖分類號：TP18；TM714? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2023）06-43-05

Optimized ELM based on improved artificial hummingbird

algorithm for power load forecasting

Wang Tong

（School of Computer Science and Technology， Zhejiang Sci-Tech University， Hangzhou， Zhejiang 310018， China）

Abstract： In order to improve the accuracy of short-term power load forecasting， an improved artificial hummingbird algorithm is proposed to optimize the power load forecasting model of ELM. Firstly， the standard artificial hummingbird algorithm is improved. By introducing the Sobol sequence initialization population and modifying the access table update rules， the optimization seeking ability of the algorithm is enhanced. Then the improved artificial hummingbird algorithm is applied to the parameter search optimization of ELM to further improve the accuracy of ELM. The experimental results show that the improved artificial hummingbird algorithm can find the optimal solution quickly， and the accuracy of load prediction exceeds 99.161%， which verifies the stability and reliability of the prediction model proposed in this paper.

Key words： load forecasting; extreme learning machine; artificial hummingbird algorithm; Sobol sequence

0 引言

電力負荷預測就是利用現有的負荷、氣象、經濟等數據來構建模型，對未來電力負荷數據做出合理的預測[1]。只有對電力數據做出精準預測，才能夠有效的保障電力供應和合理的電力調度[2]，避免電力資源的浪費。電力負荷預測常用的方法有支持向量機、循環神經網絡和極限學習機（extreme learning machine， ELM）等[3-5]。其中ELM在負荷預測中表現出較高的預測精度，且訓練時間極短，因而在實時負荷預測系統中有較大的優勢。龍干[6]等人采用改進多元宇宙算法優化ELM進行短期電力負荷預測，引入混沌映射，并改進傳統多元宇宙優化算法的旅行距離率，預測性能有較好的提升。葛瓊宇[7]等人采用改進麻雀算法優化ELM進行電力預測，通過改進的麻雀算法初始化ELM參數，提高算法的尋優能力，電力負荷預測的準確率和收斂速度得到了提高。

基于以上研究，本文提出了一種基于改進人工蜂鳥算法（improved artificial hummingbird algorithm， IAHA）優化的ELM電力負荷預測模型。通過引入sobol序列初始化和修改訪問表的訪問規則，引導模型快速地跳出局部最優解，從而提升了算法的收斂速率和穩定性。并將改進后的人工蜂鳥算法用于ELM的參數尋優，提高了ELM算法的準確性，實現了電力負荷的有效預測。

1 人工蜂鳥算法及其改進

1.1 人工蜂鳥算法

人工蜂鳥算法（artificial hummingbird algorithm， AHA）是Zhao[8]等人在2021年提出的群智能優化算法，主要模仿蜂鳥采食花蜜的行為。AHA算法靈感來自于蜂鳥的飛行技能、記憶能力和覓食策略。每個蜂鳥的位置也代表了食物源的位置，食物源的花蜜填充率用函數適應度來表示，適應度越好，花蜜的填充率越高。蜂鳥對食物源具有記憶性，算法通過訪問表，記錄對每個食物源的訪問級別，代表食物源距離上次被訪問的時間。蜂鳥的覓食行為包括三個階段：引導覓食、領地覓食和遷徙覓食。

1.1.1 飛行技能

蜂鳥的飛行方式有三種：軸向飛行、對角線飛行和全向飛行。在覓食過程中，通過引入方向切換向量模擬蜂鳥的飛行技能，通過矢量用來控制在d維空間中的方向。

軸向飛行定義如下：

[D（i）=1，i=rand（[1，d]）0，其他? ?i=1，…，d] ⑴

對角線飛行定義如下：

[D（i）=1，i=Pj， j∈1， k，P=randpermk，k∈[2，r?d-2+1]0，? 其他] ⑵

全向飛行定義如下：

[D（i）=1，? i=1，…，d]? ⑶

其中，[rand（[1，d]）]代表生成[[1，d]]之間的隨機整數，[randpermk]代表[[1，d]]之間的隨機[k]個整數，[r]代表（0，1）中的隨機數。

1.1.2 引導覓食

AHA算法會根據訪問表，優先訪問最長時間未被訪問的食物源；在訪問級別相同的情況下，蜂鳥都會傾向于訪問花蜜填充率最高的食物源。根據蜂鳥的飛行方向和目標食物源尋找新的食物源位置，新食物源位置公式如下：

[vit+1=xi，tart+a?D?（xit-xi，tar（t））] ⑷

其中，[xit]代表第i個蜂鳥當前位置，[xi，tart]代表第i個蜂鳥的目標食物源，[a～N（0，1）]為服從標準正態分布的隨機數。

引導覓食后，計算新食物源的位置的花蜜填充率，并與蜂鳥當前位置進行比較。如果新位置的填充率優于當前位置，蜂鳥就會放棄當前食物源，飛向新的食物源進行覓食；否則蜂鳥仍停留在當前位置。蜂鳥在完成引導覓食后就會自動更新訪問表，將該蜂鳥對目標食物源的訪問等級設為零，對其他食物源的訪問等級加一。如果蜂鳥飛至新的食物源，其他蜂鳥對該食物源的訪問等級設為最高，確保其他蜂鳥優先訪問新食物源。

1.1.3 領地覓食

蜂鳥在訪問被吃掉的目標源之后，很可能會尋找新的食物源，而不是訪問其他蜂鳥的食物源。因此，蜂鳥會移動到自己的領地鄰近區域，尋找新的食物源位置，領地覓食按照公式⑸進行更新。在找到新的食物源之后，同樣會將新食物源位置與當前蜂鳥所在的位置的花蜜填充率進行比較，按照上述引導覓食的更新規則進行更新。

[vit+1=xit+a?D?xit] ⑸

1.1.4 遷徙覓食

當蜂鳥所訪問的范圍里經常食物匱乏時，蜂鳥將會轉移到一些更遠的地方尋找新食物源。AHA算法規定了遷移系數，在迭代時間超過了遷移系數的預定值之后，此時在花蜜填充率中最差的蜂鳥將拋棄舊的食物來源。蜂鳥將在搜索空間中再次搜索新的食物來源，然后飛向新的食物來源并按照引導覓食的規則更新訪問表。遷徙系數公式為：

[M=2n] ⑹

其中，[M]代表遷徙系數，[n]代表種群數量。

1.2 人工蜂鳥算法改進

1.2.1 Sobol序列初始化種群

種群初始化和遷徙覓食等過程中個體位置的分布狀況，也會影響AHA算法的收斂速率和尋優準確度。標準AHA算法采用隨機初始化的方式初始化種群和遷移覓食過程中個體位置，種群分布不均勻。因此本文通過Sobol序列對種群個體進行初始化，并更新遷徙覓食過程中個體情況。圖1為搜索空間為二維，[x∈[0，1]]，[y∈[0，1]]種群規模為200時，種群個體的分布。可以看出Sobol序列初始化的種群的分布相較于隨機生成的更均勻，可以使種群更好的遍歷整個搜索空間。

1.2.2 修改訪問表更新規則

AHA三種覓食過程中，食物源的位置有更新時，為了保證最新的食物源被優先訪問，會將新食物源的優先級別置為最高。如果新食物源的花蜜填充率較低，則蜂鳥進行引導覓食時，會造成該食物源對其他蜂鳥的引導無效，導致AHA算法容易陷入局部最優解。因此需要調整更新規則，只有新的食物源的花蜜填充率高于所有食物源的平均值時，才將該食物源的優先級調為最高，否則仍保持原有食物源的訪問級別。這樣不僅保證了整體的尋優能力，也加快了算法的收斂速度。

1.2.3 算法仿真測試

為了檢驗上述改進算法的效果，選用以下四個函數作為基準測試函數，四個基準函數定義如表1所示。其中[f1]、[f2]為單峰函數，[f3]、[f4]為多峰函數。設置算法的種群規模為50，最大迭代次數為500。

將改進后的人工蜂鳥算法與鯨魚優化算法[9]（whale optimization algorithm， WOA）、灰狼優化算法[10]（grey wolf optimization， GWO）以及標準人工蜂鳥算法進行比較，并計算每次最優模擬結果的均值與標準差作為算法的評價指標。四個基準測試函數的收斂曲線如圖2所示。各算法獨立運行30次，并對30次結果的最優值計算平均值與標準差，然后計算出每個算法的預測結果如表2所示，由表2可以看出，改進后的人工蜂鳥算法具有更好的準確性與穩定性。

2 改進人工蜂鳥算法優化的ELM預測模型

2.1 ELM模型

極限學習機ELM的模型如圖3所示。

由圖3可知，神經網絡一次向前傳播，就可以輸出預測結果。設置輸入特征為[X]，輸入層權重為[ω]，閾值為[b]，則隱藏層的輸出：

[H=g（ωX+b）]? ⑺

其中，[g（?）]為激活函數，文中使用Sigmoid函數作為激活函數。由隱藏層得到輸出層的輸出為：

[T=Hβ]? ⑻

其中，[β]為隱藏層權重，ELM算法中隨機設置輸入層權值與閾值，此時只需要求解出輸出層的權重[β]，就可以達到更好的預測效果。[β]可以由公式⑼求出。

[β*=H+T]? ⑼

其中，[H+]為矩陣[H]的廣義逆矩陣，[β]的值通過矩陣運算即可得到，無需進行迭代訓練，訓練時間短。但是ELM的輸入層權重和閾值參數會影響預測的準確度。因此為提升模型性能，本文引入人工蜂鳥算法對ELM的相關參數進行尋優。

2.2 IAHA-ELM

IAHA-ELM模型預測流程如圖4所示。具體步驟如下。

⑴ 構建ELM神經網絡模型，設置IAHA種群大小、最大迭代次數以及參數上下限，根據ELM模型參數計算IAHA的位置維度，并使用Sobol序列初始化種群。

⑵ 將蜂鳥的位置作為ELM網絡中輸入層的權重和閾值，計算個體適應度。初始化蜂鳥訪問表，記錄訪問間隔時間。

⑶ 選擇蜂鳥飛行方式和覓食方式，根據公式⑷和⑸對蜂鳥位置進行更新，并更新個體適應度和蜂鳥訪問表；根據式⑹判斷是否達到遷徙覓食條件，利用Sobol序列隨機生成種群位置，進行遷徙覓食。

⑷ 判斷是否達到迭代次數，如果達到迭代次數，將當前適應度最優的參數賦值給ELM模型，否則返回步驟⑶。

⑸ 根據IAHA獲得的最優參數構建ELM神經網絡模型，對樣本進行預測，輸出預測結果。

3 實驗結果

為了驗證算法的性能，本文選用了UCI大學公開的某聯合發電廠的電力負荷數據進行訓練。數據集包含了2006-2011年中9568個負荷數據，將電力數據按照8：2的比例分組，包括了訓練集和測試集，并對數據進行歸一化處理。本文選用均方根誤差（[RMSE]）和平均絕對百分比誤差（[MAPE]）作為模型評價指標。

[RMSE=1mi=1m（yi-yi）2] ⑽

[MAPE=1mi=1m|yi-yiyi|] ? ⑾

其中，[yi]為真實值，[yi]為預測值，[m]為預測日負荷點數。

設置ELM模型的輸入層和輸出層節點數為4和1，隱藏層節點數為16。其中IAHA的迭代次數為100，種群數量為50。選取訓練樣本的MAPE作為目標值對IAHA模型進行尋優，并選取WOA、GWO和AHA優化的ELM模型與IAHA-ELM模型進行對比，驗證模型的性能。算法迭代過程中的適應度曲線如圖5所示，可知IAHA在ELM參數尋優過程，能夠有效找出最優解。

將各算法得到的最優參數作為輸入層的權重和閾值，對樣本進行訓練和預測，預測結果如圖6所示，計算各算法的MAPE和RMSE如表3所示。

由表3可知，IAHA-ELM的MAPE和RMSE都低于其他模型。IAHA-ELM的 MAPE為0.684%，分別比ELM、WOA-ELM、GWO-ELM、AHA-ELM低了0.155、0.024、0.020、0.019個百分點；RMSE為3.992MW，分別比ELM、WOA-ELM、GWO-ELM、AHA-ELM低了0.625、0.060、0.087、0.099MW。根據預測結果可知，IAHA-ELM模型對電力負荷的預測性能，相較于其他網絡模型的性能更好，證明了IAHA算法能夠有效的提升ELM的預測精度。

4 結論

針對ELM算法輸入層參數選取隨機，預測結果不準確的問題，本文提出了一種基于改進人工蜂鳥算法優化ELM的電力預測模型。采用IAHA調整輸入層的權重和閾值，以及通過IAHA優化的ELM模型進行電力預測。實驗結果表明，與ELM、WOA-ELM、GWO-ELM和AHA-ELM相比，IAHA-ELM具有較高的收斂性能和良好的預測性能。

參考文獻（References）：

[1] 李飛宏，肖迎群.基于EMD-TCN-ELM的短期電力負荷

預測[J].計算機系統應用，2022，31（11）：223-229

[2] Mahjoub S，Chrifi-Alaoui L，Marhic B，et al.Predicting

Energy Consumption Using LSTM，Multi-Layer GRU and Drop-GRU Neural Networks[J].SENSORS，2022，22（11）

[3] Kazemzadeh M R，Amjadian A，Amraee T.A hybrid data

mining driven algorithm for long term electric peak load and energy demand forecasting[J].ENERGY，2020，204

[4] Aponte O，McConky K.Peak electric load days forecasting

for energy cost reduction with and without behind the meter renewable electricity generation[J].International Journal of Energy Research，2021，45（13）：18735-18753

[5] Boriratrit S，Srithapon C，Fuangfoo P，et al.Metaheuristic

Extreme Learning Machine for Improving Performance of Electric Energy Demand Forecasting[J].COMPUTERS，2022，11（5）

[6] 龍干，黃媚，方力謙，等.基于改進多元宇宙算法優化ELM的

短期電力負荷預測[J].電力系統保護與控制，2022，50（19）：99-106

[7] 葛瓊宇，王致杰.基于ISSA-ELM的短期電力負荷預測研究[J].

國外電子測量技術，2022，41（4）：119-125

[8] Zhao W G，Wang L Y， Seyedali M.Artificial hummingbird

algorithm： A new bio-inspired optimizer with its engineering applications[J].COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING，2022，388

[9] 蘇偉杰，劉明俊.基于鯨魚算法優化Attention-BiLSTM模型

的短期船舶流量預測[J].武漢理工大學學報，2022，445）：34-39

[10] Jia Z H，Song Z L，Fan J F，et al.Prediction of Blasting

Fragmentation Based on GWO-ELM[J].SHOCK AND VIBRATION，2022