基于模糊神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期預(yù)測

范山東，趙宏宇

（1.黑龍江科技學(xué)院，電氣與信息工程學(xué)院，黑龍江哈爾濱150027;2.河南省南陽供電公司電費(fèi)管理中心，河南南陽 473000）

0 引言

短期電力負(fù)荷預(yù)測是電力系統(tǒng)運(yùn)行調(diào)度中一項(xiàng)非常重要的內(nèi)容，它是保證電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和實(shí)現(xiàn)電網(wǎng)科學(xué)管理及調(diào)度的重要方面，是能量管理系統(tǒng)（EMS）的組成部分。負(fù)荷預(yù)測是實(shí)現(xiàn)電力系統(tǒng)優(yōu)化運(yùn)行的基礎(chǔ)。預(yù)測準(zhǔn)確與否對電力系統(tǒng)的安全、優(yōu)質(zhì)、經(jīng)濟(jì)運(yùn)行具有顯著的影響。因此，尋求合適的負(fù)荷預(yù)測方法以期最大限度地提高預(yù)測精度具有重要的應(yīng)用價值。

目前短期負(fù)荷預(yù)測方法大致可以分為兩類:1）以時間序列為代表的傳統(tǒng)方法。2）以人工神經(jīng)網(wǎng)絡(luò)為代表的人工智能方法。傳統(tǒng)方法比較成熟，算法簡單，速度快，但本質(zhì)上都是線性模型方法，存在著很多的缺點(diǎn)和局限性，無法真正反映電力系統(tǒng)的不同負(fù)荷模型的非線性特性。人工智能方法包括人工神經(jīng)網(wǎng)絡(luò)法、專家系統(tǒng)方法、遺傳算法方法和模糊推理方法等。人工神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測是近十年來研究和使用最多的一種方法。但是，利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測存在著諸如訓(xùn)練需要大量的歷史數(shù)據(jù)，對不確定性和模糊信息學(xué)習(xí)處理能力較差等缺點(diǎn)。實(shí)踐證明，將模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)結(jié)合的模糊神經(jīng)網(wǎng)絡(luò)（fuzzy neuralnetwork，F(xiàn)NN）是一個有效的方法［1］。

1 系統(tǒng)模型結(jié)構(gòu)

將一種模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期負(fù)荷預(yù)測，這種模型不但實(shí)現(xiàn)了模糊預(yù)測模型的自動更新，而且能不斷修正各模糊子集的隸屬函數(shù)，使模糊建模更具合理性。采用前饋型模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期負(fù)荷預(yù)測，它的基本構(gòu)成如圖1所示。這一網(wǎng)絡(luò)型模糊推理系統(tǒng)主要由模糊化層、模糊推理層和去模糊化層組成［2］。

圖1 模糊神經(jīng)網(wǎng)絡(luò)模型

中網(wǎng)絡(luò)的主要部分的（I）～（II）層對應(yīng)于模糊控制規(guī)則的前提“IF-part”部分，（III）層對應(yīng)模糊推理層，每個節(jié)點(diǎn)的輸出表示一條規(guī)則的觸發(fā)強(qiáng)度，運(yùn)行的是模糊AND操作，（IV）層對應(yīng)規(guī)則的結(jié)論“Then-part”。網(wǎng)絡(luò)的輸入－輸出影射關(guān)系如下:

其中:xi表示網(wǎng)絡(luò)的輸入，Wi為網(wǎng)絡(luò)第三和第四層之間的連接權(quán)值，ai，bi分別表示隸屬函數(shù)的中心和寬度函數(shù)。

模型結(jié)構(gòu)在預(yù)測日的前一天，每隔兩個小時就要對電力負(fù)荷進(jìn)行一次測量，這樣，一天共測得了12組負(fù)荷數(shù)據(jù)，去掉一個最大值，去掉一個最小值，最后剩下10組負(fù)荷的數(shù)據(jù)。因?yàn)樨?fù)荷曲線相鄰的點(diǎn)之間不會發(fā)生突變，所以后一時刻的值必然就和前一時刻的值相關(guān)，重大事故等特殊情況除外。所以這里就將前一天的實(shí)時負(fù)荷的數(shù)據(jù)作為網(wǎng)絡(luò)樣本的數(shù)據(jù)。

此外，由于環(huán)境因素對電力負(fù)荷的影響也比較大，例如最高氣溫以及最低氣溫等，因此，還需要獲得預(yù)測日的最高/最低氣溫以及天氣的特征值，其中包括陰天、晴天和雨天。用0表示晴天，0.5表示陰天，1表示雨天。這里的輸入變量指的是電力負(fù)荷預(yù)測日當(dāng)天的氣象特征。因此，輸入量是一個13維向量。

由此可見，目標(biāo)向量也就是預(yù)測日當(dāng)天的10個負(fù)荷值，即一天當(dāng)中每個整點(diǎn)的電力負(fù)荷。這樣一來，輸出變量就變成一個10維向量［3］。

2 數(shù)據(jù)的選取、分析和處理

a）數(shù)據(jù)的選取、處理

在獲得輸入以及輸出變量之后，要對其統(tǒng)一進(jìn)行歸一化處理，就是將數(shù)據(jù)處理在區(qū)間［0，1］之內(nèi)的數(shù)據(jù)。歸一化的方法有很多種形式，這里采用式1:

以某城市2004年7月10日至7月20日的整點(diǎn)負(fù)荷值，以及2004年7月11日至7月21日氣象特征的狀態(tài)量作為網(wǎng)絡(luò)訓(xùn)練的樣本，預(yù)測2004年7月21日的電力負(fù)荷，其中相關(guān)數(shù)據(jù)見表1，所有的數(shù)據(jù)都進(jìn)行了歸一化處理。

表1 用電負(fù)荷及天氣情況

b）遺傳算法初始化網(wǎng)絡(luò)權(quán)值和閥值

對于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)來說，初始權(quán)值不能選得太大，否則容易陷入不正確飽和區(qū);選得很小，若是全局最小點(diǎn)在零點(diǎn)附近，那么對訓(xùn)練肯定有利，否則會遠(yuǎn)離全局最小點(diǎn)，反而不利于收斂。但是對于不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)來說，權(quán)值的最大初始值取多大才算大，或者說多小才算小，這些都沒有一個明確的理論上的依據(jù)［4］。

在既然已經(jīng)得到遺傳神經(jīng)網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)后，就要針對這個網(wǎng)絡(luò)選取一組良好的初值。實(shí)踐表明，網(wǎng)絡(luò)的初值優(yōu)化也是提高網(wǎng)絡(luò)收斂速度和收斂性能的及其重要的手段。利用遺傳算法，通過以下過程實(shí)現(xiàn)權(quán)值和閾值的初始化:

1）編碼與群體初始化;2）適應(yīng)度函數(shù)的確定;3）選擇繼承;4）交叉和變異;5）重復(fù)或終止;6）執(zhí)行BP算法。

通過上面的敘述，在跳出遺傳算法的時候，已經(jīng)選定了最優(yōu)的那個個體，把這個個體進(jìn)行解碼，從而得到一個權(quán)值和閾值的集合，然后將他們賦值給各個神經(jīng)元，開始用BP算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練并不斷修改權(quán)值和閾值，BP算法的運(yùn)行終止條件為誤差E小于某一給定值，或運(yùn)算已經(jīng)達(dá)到預(yù)定的迭代次數(shù)，最后若滿足精度要求，結(jié)束BP算法，并停止遺傳算法過程，整個預(yù)測過程結(jié)束，輸出結(jié)果。若不滿足要求，則跳出BP過程，再回到遺傳算法過程，進(jìn)行繼續(xù)尋找最優(yōu)解的工作［5］。

3 仿真與結(jié)果分析

要對電力系統(tǒng)負(fù)荷進(jìn)行科學(xué)的預(yù)測，不但要選擇行之有效的預(yù)測方法，先進(jìn)的新思路，而且要從最基本的收集歷史數(shù)據(jù)著手，進(jìn)行必要的分析、研究與選擇，這些看似簡單的工作卻關(guān)系整個預(yù)測結(jié)果的成敗。該系統(tǒng)從數(shù)據(jù)收集到數(shù)據(jù)處理進(jìn)行了大量工作，通過遺傳算法對系統(tǒng)數(shù)據(jù)優(yōu)化，利用matlab進(jìn)行仿真的到了改進(jìn)BP算法和模糊神經(jīng)網(wǎng)絡(luò)預(yù)測值與實(shí)際負(fù)荷的曲線如圖2所示。為了更好的分析系統(tǒng)的性能，得到了兩種算法的誤差變化曲線如圖3、圖4所示，預(yù)測誤差百分比曲線如圖5所示［6］。

通過以上某地區(qū)的建模仿真可以看出，融合了遺傳算法和模糊理論的BP算法用于短期負(fù)荷預(yù)測具有更高的預(yù)測精度和預(yù)測效率。以誤差曲線值做比較，模糊神經(jīng)的預(yù)測誤差下降速度明顯加快，而且迭代次數(shù)明顯減少，收斂速度改善明顯。這主要是由于模糊神經(jīng)預(yù)測模型更加合理，能以很快的速度找到全局最優(yōu)值，算法更加容易收斂。通過仿真分析模糊神經(jīng)預(yù)測模型在電力負(fù)荷預(yù)測中可以更好的最用電負(fù)荷進(jìn)行預(yù)測，準(zhǔn)確性和優(yōu)越性明顯高于傳統(tǒng)的預(yù)測方法，比單獨(dú)的神經(jīng)網(wǎng)絡(luò)預(yù)測也有明顯的提高。通過仿真說明模糊神經(jīng)預(yù)測有一定的可實(shí)行性，如果想得到更好的預(yù)測結(jié)果，可以利用模擬退火算法對系統(tǒng)進(jìn)行全局優(yōu)化。

［1］石萬清.電力系統(tǒng)短期負(fù)荷預(yù)測技術(shù)的研究與實(shí)現(xiàn)［D］.合肥:合肥工業(yè)大學(xué)，2003.

［2］模糊控制·神經(jīng)控制和智能控制理論［M］.第2版.哈爾濱:哈爾濱工業(yè)大學(xué)出版社，1998.

［3］Mohammad Tamimi，et al.Short term electric load forecasting viafuzzy neural collaboration［J］.Electric Power System Research，2000，56，243-248.

［4］何述東，瞿坦，黃心漢，電力負(fù)荷短期預(yù)測的改進(jìn)神經(jīng)網(wǎng)絡(luò)方法［J］.電力系統(tǒng)自動化，1997，21（11）:13-15.

［5］陶小虎，黃民翔.一種基于模糊規(guī)則和神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法［J］.電力系統(tǒng)及其自動化學(xué)報(bào)，2000，12（5）:37-41.

［6］神經(jīng)網(wǎng)絡(luò)理論與MATLABR2007實(shí)現(xiàn)［M］.北京:電子工業(yè)出版社，2007.