基于BP-ANN融合算法的短期電力負荷預測方法

中圖分類號：TM732 文獻標志碼：A 文章編號：2095-2945（2025）20-0082-04

Abstract：As the scaleandcomplexityof the power systemcontinues toexpand，accurateshort-term power load forecasting hasbecomecrucialtothestableoperation，economicdispatchandenergymanagementof thepowersystem.Aimingatthe possiblelimitationsofBP-ANNalgorithminpredictingshort-termpowerloaddatasuchasasytofallintolocaloptimization andslowconvergencespeed，thispaperproposesashort-termpowerloadforecastingmethodbasedonBP-ANNfusionalgorith. ItisverifiedthroughexamplesthatthecorrelationcoeffientsofGA-BP-ANNandPSO-BP-ANNpredictionmodelsarehigher thanthoseofBP-ANN predictionmodel，andthepredictionerorsare lowerthan thoseofBP-ANNpredictionmodel.The resultsshowthat Short-termpowerloadforecasting methodsbasedonBP-ANNfusionalgorithmhavegoodapplicationprospects and can provide strong technical support for eficient operation and reasonable planning of power systems.

Keywords： particleswarm optimizationalgorithm; power load forecasting; BP-ANN; fusion algorithm; GA-BP-ANN

隨著社會的快速發(fā)展，目前各行各業(yè)用電需求不斷攀升，如工業(yè)生產(chǎn)規(guī)模擴大、居民生活電氣化程度越來越高（各類電器增多等），使得用電負荷呈現(xiàn)快速增長的態(tài)勢。與此同時，電力系統(tǒng)也在不斷更新、擴展與完善，朝著更智能、更高效的方向迅速發(fā)展，以此來保障當前社會的用電需求。在這樣的大背景下，電力負荷預測的重要性愈發(fā)凸顯，電力負荷預測是生產(chǎn)運作的重要組成部分，是供電計劃與合理調(diào)度的保障，更是電網(wǎng)穩(wěn)定運行的基礎。對于工業(yè)企業(yè)來說，準確的負荷預測能讓企業(yè)提前規(guī)劃用電成本、合理安排生產(chǎn)班次，避免因電力供應不足或不合理用電導致的生產(chǎn)停滯等情況；對于整個城市的運轉(zhuǎn)而言，能保障各類基礎設施（如醫(yī)院、學校、交通樞紐等）穩(wěn)定用電，維持社會秩序正常。

近年來，隨著電力系統(tǒng)的不斷完善健全，用于電力負荷預測的模型與方法也隨之增多。常用的電力負荷預測方法主要有時間序列法統(tǒng)計法和人工智能法。時間序列方法是通過曲線擬合歷史負荷數(shù)據(jù)，建立模型并預測，這種方法只考慮了時序因素，未考慮其他對預測結(jié)果可能產(chǎn)生潛在影響的因素，因此預測精度不高。統(tǒng)計法中應用較多的有卡爾曼濾波法，利用消除噪聲可以在長期預測中表現(xiàn)良好。人工智能法對數(shù)據(jù)有著較強的學習能力及較好的非線性適應能力，在目前應用較為廣泛，在處理具有非線性結(jié)構(gòu)的數(shù)據(jù)時，人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetworks，ANN）展現(xiàn)出很強的自適應能力，但其在挖掘數(shù)據(jù)之間的相關(guān)性方面存在短板；誤差反向傳播算法（BackPropagation，BP）在各種人工神經(jīng)網(wǎng)絡算法里是最為常用的一種，但是BP算法存在迭代周期長、收斂速度慢等問題，會影響到整個模型的訓練效率和實際應用的時效性。

文獻[4提出了改進PSO-BP算法的短期電力負荷預測方法，提高電力負荷的預測精度；文獻[5提出了基于改進BP神經(jīng)網(wǎng)絡的短期電力負荷預測方法研究，改進模型能夠有效降低BP神經(jīng)網(wǎng)絡模型的預測誤差，提高預測精度；在文獻6中，采用遺傳算法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，建立GA-BP神經(jīng)網(wǎng)絡的預測模型。結(jié)果表明，改進后預測精度得到明顯提高，這些研究為解決電力系統(tǒng)負荷預測提供了理論依據(jù)。針對以上分析，本文提出BP-ANN融合算法的短期電力負荷預測方法，并通過對短期電力負荷數(shù)據(jù)進行預測并建立模型，驗證了BP-ANN融合算法預測模型的準確性和有效性。

1BP-ANN融合算法預測模型

1.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡（Back-Propagation Neural Network）是一種多層前饋神經(jīng)網(wǎng)絡，其訓練是依據(jù)誤差逆?zhèn)鞑ニ惴▉黹_展的。這種網(wǎng)絡的主要特點在于信號的傳播方向是向前的，而誤差的傳播方向則是反向傳播。BP神經(jīng)網(wǎng)絡的輸入層神經(jīng)元能夠接收來自外部的輸入信號；之后，這些信號會憑借加權(quán)連接的方式被傳遞至隱藏層的神經(jīng)元；在隱藏層里，每一個神經(jīng)元會針對輸入信號開展加權(quán)求和操作，再利用激活函數(shù)來完成非線性變換，進而獲取輸出信號。當輸出層生成輸出結(jié)果后，會將這一結(jié)果和期望輸出進行比較，以此來計算誤差。BP-ANN的拓撲結(jié)構(gòu)如圖1所示。

圖中： ?X₁，X₂，…，X_n 為輸入層的輸入值， Y₁，…，Y_m 為隱含層的預測輸出值， ω_ij 和 ω_jk 為各神經(jīng)元的網(wǎng)絡權(quán)值。若輸入層節(jié)點數(shù)為 n 、隱含層節(jié)點數(shù)為 k 、輸出層節(jié)點數(shù)為 m ，則BP-ANN網(wǎng)絡模型結(jié)構(gòu)為 n-k-m

1.2粒子群優(yōu)化算法

粒子群優(yōu)化算法是一種依托群體智能構(gòu)建而成的優(yōu)化算法。此算法對鳥群或魚群等群體生物尋覓食物期間的社會行為進行模擬，具備能快速收斂、參數(shù)少且易于實施的特點。該算法把在搜索空間里的每一個潛在的解都視作一個“粒子”，而每一個“粒子\"均擁有其特定的位置與速度信息。位置代表了一個可能的解，速度則決定了粒子在搜索空間中的移動方向和速度。群體中的粒子之間會相互交流信息，每個粒子都會根據(jù)自己的經(jīng)驗（個體最優(yōu)解）和群體中其他粒子的經(jīng)驗（全局最優(yōu)解）來調(diào)整自己的位置和速度。

1.3基于 PSO+BP-ANN 的預測模型

PSO（粒子群優(yōu)化算法）+BP-ANN預測模型是一種融合了2種先進算法優(yōu)勢的預測方法。BP-ANN具有強大的非線性映射能力，能夠處理復雜的非線性關(guān)系，在電力負荷預測等領(lǐng)域有廣泛應用。然而，BP-ANN存在陷入局部極小值及收斂速度遲緩之類的不足之處。而PSO算法作為一種基于群體智能的優(yōu)化算法，能夠在搜索空間迅速定位相對更優(yōu)的解，通過將PSO與BP-ANN相結(jié)合，可以對BP-ANN的權(quán)值和閥值進行優(yōu)化，從而改善其性能。

在訓練過程中，PSO算法不斷更新粒子的位置和速度，從而優(yōu)化BP-ANN 的權(quán)值和閾值。在每一輪迭代過程中，均會對粒子的適應度值進行計算，同時對個體最優(yōu)位置以及全局最優(yōu)位置進行更新。伴隨迭代次數(shù)持續(xù)增多，粒子群會逐步趨向于一個更優(yōu)解，進而使得BP-ANN的預測性能獲得改善和優(yōu)化。通過PSO對BP-ANN的優(yōu)化，克服了BP-ANN容易陷入局部極小值的問題，能夠更準確地挖掘電力負荷數(shù)據(jù)中的內(nèi)在規(guī)律，從而提高預測精度。優(yōu)化后的模型在處理不同類型的電力負荷數(shù)據(jù)和復雜多變的影響因素時，具有更好的適應性和泛化能力，減少了過擬合現(xiàn)象。PSO算法的引入加速了BP-ANN的訓練過程，使得模型能夠在更短的時間內(nèi)達到較好的預測性能

1.4基于 GA+BP-ANN 的預測模型

GA（遺傳算法）是通過模擬自然選擇以及遺傳進化過程來實現(xiàn)的一種優(yōu)化算法，它首先會構(gòu)建一個初始種群，種群中的各個個體分別代表著一個可能的解。GA優(yōu)化BP-ANN參數(shù)，將BP-ANN的權(quán)重和閾值編碼為染色體，通過選擇、交叉和變異操作來產(chǎn)生新的染色體（即新的權(quán)重和閾值組合）。在進行選擇操作時，可運用輪盤賭選擇的方式，也就是依照個體的適應度在總適應度中所占的比例去挑選個體；對于交叉操作，既能夠采用單點交叉的方法，也可以選擇多點交叉的形式；對于變異操作，其能夠針對染色體里的部分基因?qū)嵤╇S機的改變。

用GA對BP-ANN的參數(shù)進行優(yōu)化，以此完成網(wǎng)絡的初始化工作，然后運用訓練數(shù)據(jù)針對BP-ANN展開訓練，在訓練的整個過程里，依照BP-ANN算法既定的流程分別實施正向傳播以及反向傳播操作，持續(xù)對網(wǎng)絡的權(quán)重與閾值實時進行調(diào)整，直至達到收斂所要求的條件為止；最后運用已經(jīng)訓練好的模型針對測試數(shù)據(jù)開展預測工作，并對預測結(jié)果的準確性予以評估。

2仿真實驗與結(jié)果分析

2.1 數(shù)據(jù)來源

為驗證本文提出的BP-ANN融合算法的短期電力負荷預測模型有效性，以寧夏某地區(qū)XX變 /330kV 的電力歷史負荷作為仿真數(shù)據(jù)，時間選取2024年4月1日至2024年6月30日。負荷數(shù)據(jù)的采樣時間為 5min1 次，共計26208條數(shù)據(jù)。數(shù)據(jù)集按照7：3的比例劃分訓練集和預測集。

2.2 數(shù)據(jù)預處理

原始數(shù)據(jù)采集過程中可能會出現(xiàn)各種問題，如傳感器故障、通信干擾等，導致數(shù)據(jù)中存在異常值，這些異常值可能會對后續(xù)的分析和預測產(chǎn)生誤導。電力負荷數(shù)據(jù)可能由于多種原因缺失，如網(wǎng)絡通信中斷、數(shù)據(jù)存儲故障等，缺失的數(shù)據(jù)會破壞數(shù)據(jù)的完整性和連續(xù)性，影響模型對電力負荷變化規(guī)律的學習。為了進一步提高短期電力負荷數(shù)據(jù)的質(zhì)量和可用性，為后續(xù)構(gòu)建精準的電力負荷預測模型奠定堅實的基礎，從而有效提升電力系統(tǒng)的運行管理效率和可靠性。本文對預測模型的原始數(shù)據(jù)進行歸一化處理。常用的歸一化方法有最小-最大歸一化，公式為

式中： Ψ_x 是原始數(shù)據(jù)， .x_min 和 x_max 分別是數(shù)據(jù)集中的最小值和最大值， x_new 是歸一化后的新數(shù)據(jù)

2.3模型評標標準

為了定量的評估所提預測模型方法，該文采用相關(guān)系數(shù) （R²） 均方根誤差（Root Mean SquareError，RMSE）、平均絕對誤差（MAE）作為模型預測結(jié)果的評價指標。均方根誤差（RMSE）用來衡量預測精度，其值越小，表示模型的預測精度越高；相關(guān)系數(shù) （R²） 用來衡量模型對數(shù)據(jù)的擬合程度，取值范圍為 [0，1] 在電力負荷預測中，R² 越接近1，說明預測模型性能越好，模型的擬合能力越強;平均絕對誤差（MAE）是預測值與真實值之間偏差的絕對值的平均值。當MAE值較小時，意味著預測值和真實值之間的平均差距較小，也就說明模型的預測準確性較高。

計算公式分別為

式中： n 是樣本總數(shù) ，y_i 是第 i 個真實值， 表示第 i 個樣本的預測值， y_i 表示所有樣本真實值的平均值。

2.4仿真實驗結(jié)果分析

在Matlab仿真平臺構(gòu)建預測模型，針對相同的電力負荷數(shù)據(jù)樣本，設置網(wǎng)絡參數(shù)初始化為：最大迭代次數(shù)為1000、學習速率為0.01、目標誤差為0.001，確保訓練參數(shù)環(huán)境相同的情況下，分別使用標準BP-ANN預測模型、GA-BP-ANN預測模型和PSO-BP-ANN預測模型對寧夏某地區(qū)2024年3個月的電力負荷數(shù)據(jù)進行預測。用遺傳算法優(yōu)化的BP-ANN預測模型中參數(shù)初始化：隱藏層節(jié)點個數(shù)為5，迭代次數(shù)為50，種群規(guī)模為5，交叉概率為0.2，變異概率為0.1；用粒子群算法優(yōu)化的BP-ANN預測模型中參數(shù)初始化：隱藏層節(jié)點數(shù)為5，種群更新次數(shù)30，種群規(guī)模為5。3種預測模型的誤差對比見表1，預測模型測試集預測結(jié)果對比和測試集真實值預測模型如圖2所示。

從圖2中3種不同預測模型結(jié)果可得，BP-ANN預測模型和改進后的模型相比誤差較大，GA-BP-ANN和PSO-BP-ANN這2種模型與真實值的擬合度較好。從表1誤差結(jié)果對比看，BP-ANN模型預測值與真實值的相關(guān)系數(shù) （R²） 為0.9615，均方根誤差（RMSE）為6.7628，平均絕對誤差（MAE）為3.7576，這表明這一模型在電路負荷數(shù)據(jù)預測中有一定的基礎，可以較好的預測短期電路負荷數(shù)據(jù)，但與GA-BP-ANN和PSO-BP-ANN這2種預測模型相比，BP-ANN預測模型的預測性能略低，數(shù)據(jù)擬合度較差，且其預測誤差較高，模型的預測精度低，說明BP-ANN模型在尋找最優(yōu)解時受到局部最優(yōu)或參數(shù)設定的影響。3種預測模型中，PSO-BP-ANN模型的預測值與真實值的 R² 為 0.9878，RMSE 為 6.7177，MAE 為3.6313，相比于GA-BP-ANN預測模型，其擬合度較高，預測誤差更低，說明PSO算法優(yōu)化BP-ANN的初始參數(shù)等保持了良好的魯棒性和穩(wěn)定性，這一預測模型可以很好地提高短期電力負荷預測精度。

3結(jié)論

本文提出了基于BP-ANN融合算法的短期電力負荷預測模型，通過與BP-ANN神經(jīng)網(wǎng)絡進行比較，實驗結(jié)果表明，2種融合算法模型計算可靠性及預測精度都較高，且能夠得到較優(yōu)的預測結(jié)果。基于GA-BP-ANN網(wǎng)絡預測模型和PSO-BP-ANN網(wǎng)絡預測模型在準確性和收斂性方面都具有明顯優(yōu)勢，能夠有效地考慮多種影響因素對電力負荷的作用。相比之前，2種融合算法中的PSO-BP-ANN預測模型更能準確預測，使數(shù)據(jù)的擬合度高。然而，這一融合算法的預測模型也存在一些局限性，未來需要在數(shù)據(jù)融合、模型優(yōu)化和可解釋性等方面進一步深入研究，以不斷提升其在電力系統(tǒng)運行管理中的應用價值和實際效果。

參考文獻：

[1]DABK，HENAO N，NAGARSHETH S，etal.Consensus-ba- sedtime-series clustering approach to short-term load fore- cast-ingforresidential electricity demand[J].Energy and Buildings，2023（299）：1135-1147.

[2]奚莉莉，李程.基于BP神經(jīng)網(wǎng)絡的短期電力負荷預測方法研究[J].漢江師范學院學報，2023，43（3）：23-26.

[3]HOUIMLI R，ZMAMI M，BEN-SALHA O. Short-term electricload forecasting in Tunisia using artificial neural networks[J]Energy Systems，2020：357-375.

[4]楊亞東，耿麗清，楊耿煌，等.改進PSO-BP算法的短期電力負荷預測方法[J].天津職業(yè)技術(shù)師范大學學報，2024，34（3）：15-20.

[5]王可杰，張瑞.基于改進BP神經(jīng)網(wǎng)絡的短期電力負荷預測方法研究[J].電測與儀表，2019，56（24）：115-121.

[6李廷順，王偉，劉澤三.考慮不確定區(qū)間的電力負荷GELM-WNN預測[J].計算機工程，2019，36（1）：231-238.