基于遺傳神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)研究

摘要：電力短期負(fù)荷預(yù)測(cè)在實(shí)時(shí)控制和保證電力系統(tǒng)經(jīng)濟(jì)、安全與可靠運(yùn)行方面起著重要作用，對(duì)于系統(tǒng)運(yùn)行具有重大影響。根據(jù)電力短期負(fù)荷的變化特點(diǎn)，綜合考慮溫度、天氣、風(fēng)力等因素，提出了基于遺傳算法優(yōu)化人工神經(jīng)網(wǎng)絡(luò)方法的短期負(fù)荷預(yù)測(cè)模型。在試驗(yàn)中采用單一的人工神經(jīng)網(wǎng)絡(luò)和優(yōu)化的神經(jīng)網(wǎng)絡(luò)建模分別對(duì)廣東省某城市電網(wǎng)的短期負(fù)荷進(jìn)行預(yù)測(cè)。實(shí)際預(yù)測(cè)結(jié)果表明，基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度明顯高于單一神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)準(zhǔn)確度。

關(guān)鍵詞：短期負(fù)荷預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；遺傳算法

作者簡(jiǎn)介：黃國(guó)棟（1976-），男，廣東陽(yáng)江人，廣東電網(wǎng)湛江供電局，工程師。（廣東 湛江 524005）

中圖分類號(hào)：TM714 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0079（2014）06-0261-02

電力短期負(fù)荷預(yù)測(cè)是對(duì)未來(lái)一周以內(nèi)（通常為一周或一天）的負(fù)荷進(jìn)行預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)在電網(wǎng)運(yùn)行實(shí)時(shí)控制和發(fā)電規(guī)劃中具有重要地位，短期負(fù)荷的預(yù)測(cè)結(jié)果是調(diào)度中心制定發(fā)電計(jì)劃、電力系統(tǒng)運(yùn)行安全評(píng)估、電力企業(yè)日常經(jīng)營(yíng)管理的重要依據(jù)。[1]在當(dāng)前電力系統(tǒng)市場(chǎng)化形勢(shì)下，提高負(fù)荷預(yù)測(cè)精度對(duì)于電力系統(tǒng)的經(jīng)濟(jì)運(yùn)行、合理制定機(jī)組檢修計(jì)劃和進(jìn)行電力需求管理等具有重要意義。

一、電力系統(tǒng)負(fù)荷變化的特點(diǎn)及預(yù)測(cè)方法

電力系統(tǒng)負(fù)荷變化受到很多因素的影響。一方面，負(fù)荷變化存在由未知不確定因素引起的隨機(jī)波動(dòng)；另一方面，具有周期變化的規(guī)律性，這也使得負(fù)荷曲線具有相似性；同時(shí)，由于受天氣、節(jié)假日等特殊情況的影響，負(fù)荷變化又會(huì)體現(xiàn)出差異性。[2]整體上講，負(fù)荷曲線是與很多因素相關(guān)而且難以用數(shù)學(xué)公式表達(dá)的非線性函數(shù)。

相對(duì)于早期的統(tǒng)計(jì)技術(shù)法和專家系統(tǒng)法，神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它不依靠專家經(jīng)驗(yàn)，只利用觀察到的數(shù)據(jù)，可以在訓(xùn)練過(guò)程中通過(guò)學(xué)習(xí)來(lái)逼近任意的非線性輸入/輸出關(guān)系，因此，將神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于電力負(fù)荷預(yù)測(cè)有著明顯的優(yōu)勢(shì)。但是，神經(jīng)網(wǎng)絡(luò)存在兩個(gè)主要問(wèn)題：收斂速度慢和容易陷入局部極小點(diǎn)。因此，本文采用遺傳算法優(yōu)化人工神經(jīng)網(wǎng)絡(luò)，建立電力短期負(fù)荷預(yù)測(cè)模型，并將結(jié)合廣東省某城市的電力負(fù)荷的實(shí)際情況對(duì)預(yù)測(cè)方法進(jìn)行探討和研究。

二、人工神經(jīng)網(wǎng)絡(luò)模型

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)模型中的所有神經(jīng)元按照功能一般分成三層（輸入層、隱含層和輸出層），各層順次連接。[3]其三層模型拓?fù)浣Y(jié)構(gòu)如圖1所示。

BP算法的學(xué)習(xí)過(guò)程分為正向傳播過(guò)程和反向傳播過(guò)程兩個(gè)階段。

1.正向傳播過(guò)程

輸入信息從輸入層經(jīng)隱含層逐層計(jì)算各單元的實(shí)際輸出值，各神經(jīng)元的狀態(tài)只對(duì)下一層神經(jīng)元的狀態(tài)產(chǎn)生影響。設(shè)BP網(wǎng)絡(luò)的輸入層有n1個(gè)節(jié)點(diǎn)，隱含層有n2個(gè)節(jié)點(diǎn)，輸出層有n3個(gè)節(jié)點(diǎn)，輸入為xi，輸入層與隱含層之間的權(quán)值為wki，隱含層與輸出層之間的權(quán)值為wjk；隱含層的閾值為bk，輸出層的閾值為bj；隱含層的傳遞函數(shù)為f1（·），輸出層的傳遞函數(shù)為f2（·）。則隱含層節(jié)點(diǎn)輸出zk和輸出層節(jié)點(diǎn)輸出yj分別為：

k=1，2，……n2

（1）

j=1，2，……n3

（2）

2.反相傳播過(guò)程

若網(wǎng)絡(luò)實(shí)際輸出值與期望值之差，即誤差超出允許值，則逆向逐層修正連接權(quán)值。設(shè)BP網(wǎng)絡(luò)有P個(gè)輸入樣本，采用平方型誤差函數(shù)，于是得到全局誤差為：

（3）

式中：為第p個(gè)樣本的實(shí)際輸出，為期望輸出。

采用累計(jì)誤差BP算法依次調(diào)整輸出層權(quán)值wjk和隱含層權(quán)值wki誤差使全局誤差變小，即：

（4）

（5）

式中：η為學(xué)習(xí)率。

如此往復(fù)不斷調(diào)整權(quán)值，直到使網(wǎng)絡(luò)的誤差滿足要求。

三、遺傳算法

1.遺傳算法的基本原理

遺傳算法（Genetic Algorithms，簡(jiǎn)稱GA）是一種高度并行、自適應(yīng)全局優(yōu)化搜索方法。[4]它借鑒自然界遺傳和選擇機(jī)理，首先初始化一個(gè)種群，然后按照某種指標(biāo)在每一代選取較優(yōu)個(gè)體，利用遺傳算子（選擇、交叉和變異）對(duì)這些個(gè)體進(jìn)行組合，產(chǎn)生新一代個(gè)體，重復(fù)此過(guò)程，直到滿足優(yōu)化準(zhǔn)則為止。遺傳算法是基于對(duì)生物遺傳和進(jìn)化過(guò)程的計(jì)算機(jī)模擬，它能使各種人工系統(tǒng)具有良好的自適應(yīng)能力和優(yōu)化能力。目前，遺傳算法已經(jīng)廣泛應(yīng)用于規(guī)劃設(shè)計(jì)、組合優(yōu)化、自適應(yīng)控制、經(jīng)濟(jì)運(yùn)行、模式識(shí)別、人工智能、分子生物學(xué)、故障診斷以及計(jì)算機(jī)技術(shù)等領(lǐng)域，并取得了很好的效果。

2.遺傳算法的實(shí)現(xiàn)過(guò)程

（1）將問(wèn)題的解以編碼形式表示出來(lái)，并隨機(jī)生成若干個(gè)體，即初始群體。

（2）譯碼，計(jì)算目標(biāo)函數(shù)得出個(gè)體適應(yīng)度值，判斷是否滿足停止條件。

（3）根據(jù)個(gè)體適應(yīng)度值的高低，應(yīng)用選擇、交叉和突變算子進(jìn)行遺傳操作，產(chǎn)生下一代群體。

（4）返回步驟（2），反復(fù)執(zhí)行，直到滿足停止條件。最后，搜索到最優(yōu)個(gè)體，即問(wèn)題的最優(yōu)解。[5]

3.遺傳算法優(yōu)化BP網(wǎng)絡(luò)權(quán)值、閾值

由于遺傳算法是以最大值作為優(yōu)化目標(biāo)，為適應(yīng)神經(jīng)網(wǎng)絡(luò)算法的要求，將適應(yīng)度函數(shù)取反，即變?yōu)橐宰钚≈禐閮?yōu)化目標(biāo)。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法的步驟：

（1）構(gòu)建BP網(wǎng)絡(luò)，確定遺傳算法個(gè)體長(zhǎng)度。

（2）生成初始種群，確定種群規(guī)模。對(duì)遺傳算法個(gè)體進(jìn)行編碼，編碼由神經(jīng)網(wǎng)絡(luò)的輸入層與隱含層的連接權(quán)值、隱含層閾值、隱含層與輸出層的連接權(quán)值和輸出層閾值四部分組成。

（3）根據(jù)個(gè)體得到BP網(wǎng)絡(luò)的權(quán)值和閾值，應(yīng)用訓(xùn)練數(shù)據(jù)訓(xùn)練，得到網(wǎng)絡(luò)的輸出。計(jì)算實(shí)際輸出與期望輸出的誤差，并依據(jù)此誤差計(jì)算個(gè)體適應(yīng)度值。

（4）根據(jù)個(gè)體的適應(yīng)度進(jìn)行選優(yōu)操作，選擇若干適應(yīng)度強(qiáng)的個(gè)體直接進(jìn)入下一代，適應(yīng)度差的個(gè)體被淘汰。

（5）進(jìn)行交叉、變異操作，生成下一代群體，然后返回步驟（3），直到得到最優(yōu)解。

四、實(shí)例分析

本試驗(yàn)分別采用單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、遺傳算法和神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)法，分別對(duì)廣東省某城市某一日的時(shí)負(fù)荷進(jìn)行預(yù)測(cè)與分析。以該市2010年6月2日～21日和2010年6月3日～22日（只選取工作日）的整點(diǎn)負(fù)荷訓(xùn)練樣本集，根據(jù)6月23日各整點(diǎn)的時(shí)負(fù)荷數(shù)據(jù)和24日各整點(diǎn)的溫度與天氣，預(yù)測(cè)6月24日的時(shí)負(fù)荷。

1.數(shù)據(jù)預(yù)處理

根據(jù)神經(jīng)網(wǎng)絡(luò)的建模原理，訓(xùn)練樣本的準(zhǔn)確性對(duì)于模型的預(yù)測(cè)準(zhǔn)確性至關(guān)重要。由于系統(tǒng)故障、線路停電檢修、通信錯(cuò)誤等原因，歷史負(fù)荷數(shù)據(jù)中經(jīng)常存在一些不良數(shù)據(jù)。這些不良數(shù)據(jù)具有很強(qiáng)的隨機(jī)性，會(huì)對(duì)網(wǎng)絡(luò)的預(yù)測(cè)精度和預(yù)測(cè)速度產(chǎn)生嚴(yán)重影響。因此，在建立電力短期負(fù)荷預(yù)測(cè)模型前，先對(duì)訓(xùn)練用的數(shù)據(jù)樣本進(jìn)行預(yù)處理。應(yīng)用格拉布斯準(zhǔn)則判別是否有不良數(shù)據(jù)，如果有要直接消除并以相應(yīng)的插值代替，從而提高數(shù)據(jù)的準(zhǔn)確度和可信度。經(jīng)計(jì)算，本實(shí)例的樣本數(shù)據(jù)正常，符合實(shí)際情況。

數(shù)據(jù)歸一化方法是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)前對(duì)數(shù)據(jù)常做的一種處理方法。數(shù)據(jù)歸一化處理把所有的數(shù)據(jù)都轉(zhuǎn)化為[0，1]之間的數(shù)，其目的是取消數(shù)據(jù)間數(shù)量級(jí)差別，避免因?yàn)檩斎?輸出數(shù)據(jù)數(shù)量級(jí)差別較大而造成網(wǎng)絡(luò)預(yù)測(cè)誤差較大。最后需要進(jìn)行反歸一化，得到最終預(yù)測(cè)結(jié)果。[6]數(shù)據(jù)歸一化的方法主要有最大最小值法和平均數(shù)方差法。本文采用最大最小值法。

2.確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

考慮到該城市位于中國(guó)南端，緯度較低，影響電力負(fù)荷最主要的因素是溫度等天氣情況。采集預(yù)測(cè)日前一天每小時(shí)的負(fù)荷數(shù)據(jù)和預(yù)測(cè)日當(dāng)天各小時(shí)的溫度值（取平均值）、氣象類型（晴、陰、雨）作為預(yù)測(cè)條件。由此確定BP神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)數(shù)為3；輸出節(jié)點(diǎn)數(shù)為1；隱含層節(jié)點(diǎn)數(shù)取8。為方便計(jì)算，將氣象類型數(shù)字化、歸一化處理，溫度值和負(fù)荷數(shù)據(jù)歸一化處理。本文采用分散式建模方法，即為一天的24小時(shí)各建立一個(gè)模型，共建立24個(gè)。分散式建模方法相對(duì)于集中建模方法（24小時(shí)用一個(gè)模型），雖然模型多，但是預(yù)測(cè)準(zhǔn)確度高。每個(gè)整點(diǎn)的時(shí)負(fù)荷采用相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。建模工具選用matlab7.0。[7]

3.遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)

以整點(diǎn)負(fù)荷、溫度數(shù)據(jù)和氣象數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本集，應(yīng)用遺傳算法對(duì)基于單一神經(jīng)網(wǎng)絡(luò)建立的各個(gè)模型（每小時(shí)各建一個(gè)模型，共24個(gè)）進(jìn)行優(yōu)化，得到每個(gè)模型近似最優(yōu)權(quán)值和閾值。應(yīng)用優(yōu)化的權(quán)值和閾值對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并保存訓(xùn)練好的網(wǎng)絡(luò)。最后，應(yīng)用訓(xùn)練好的網(wǎng)絡(luò)對(duì)各整點(diǎn)時(shí)負(fù)荷進(jìn)行預(yù)測(cè)。

表1 2010年6月24日負(fù)荷預(yù)測(cè)值與誤差

時(shí)間 實(shí)際值 BP神經(jīng)網(wǎng)絡(luò)

方法預(yù)測(cè) 誤差/% 遺傳算法神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè) 誤差/%

0：00 404.743 412.375 1.886 397.470 -1.797

1：00 382.280 376.397 -1.539 382.009 -0.071

2：00 359.937 369.208 2.576 352.735 -2.001

3：00 355.508 352.308 -0.900 357.115 0.452

4：00 347.836 341.504 -1.820 346.528 -0.376

5：00 347.545 342.354 -1.494 346.586 -0.276

6：00 354.184 356.650 0.696 360.655 1.827

7：00 364.504 363.920 -0.160 360.123 -1.202

8：00 395.881 392.358 -0.890 390.042 -1.475

9：00 462.394 471.572 1.985 464.239 0.399

10：00 500.344 502.904 0.512 494.610 -1.146

11：00 514.415 515.950 0.298 513.479 -0.182

12：00 477.935 489.898 2.503 485.792 1.644

13：00 479.680 473.516 -1.285 472.638 -1.468

14：00 470.148 477.403 1.543 462.066 -1.719

15：00 482.950 490.302 1.522 474.556 -1.738

16：00 487.295 483.800 -0.717 486.028 -0.260

17：00 501.225 503.265 0.407 505.465 0.846

18：00 470.361 462.391 -1.694 466.165 -0.892

19：00 455.995 443.791 -2.676 463.788 1.709

20：00 493.266 494.178 0.185 494.682 0.287

21：00 489.909 498.115 1.675 486.195 -0.758

22：00 474.146 486.493 2.604 480.348 1.308

23：00 446.201 436.293 -2.221 441.855 -0.974

單一神經(jīng)網(wǎng)絡(luò)方法和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)方法得出的預(yù)測(cè)結(jié)果見(jiàn)表1和圖3。從圖3中3條曲線對(duì)比可以看出，應(yīng)用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型得到的預(yù)測(cè)結(jié)果比單一神經(jīng)網(wǎng)絡(luò)的更接近實(shí)際負(fù)荷曲線。單一神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的負(fù)荷最大誤差為-2.676%，平均誤差1.408%，而用基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的負(fù)荷最大誤差為-2.001%，平均誤差為1.034%，精度顯然大于單一神經(jīng)網(wǎng)絡(luò)。

五、結(jié)論

本文利用遺傳算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且應(yīng)用此模型對(duì)實(shí)際電力短期負(fù)荷進(jìn)行了預(yù)測(cè)試驗(yàn)分析。實(shí)證證明，遺傳算法的全局優(yōu)化搜索能力有效彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的缺陷，在此基礎(chǔ)上建立的預(yù)測(cè)模型的可靠性、準(zhǔn)確性都有所增強(qiáng)，證明了基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法是可行的。

參考文獻(xiàn)：

[1]牛東曉，曹樹(shù)華，趙磊，等.電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用[M].北京：中國(guó)電力出版社，2002.

[2]陳金賽，張新波.基于改進(jìn)BP人工神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)[J].杭州電子科技大學(xué)學(xué)報(bào)，2011，34（4）：173-176.

[3]田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京：北京理工大學(xué)出版社，2006.

[4]王小平，曹立明.遺傳算法[M].西安：西安交通大學(xué)出版社，

2002.

[5]李玲純，田麗.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J].安徽工程科技學(xué)院學(xué)報(bào)，2009，24（3）：57-60.

[6]吳曉光，徐精彩，李樹(shù)剛，等.基于MATLAB 實(shí)驗(yàn)數(shù)據(jù)的幾種處理方法[J].自動(dòng)化技術(shù)與應(yīng)用，2005，24（1）：25-27.

[7]葛哲學(xué)，孫志強(qiáng).神經(jīng)網(wǎng)絡(luò)理論與Matlab2007實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2007.

（責(zé)任編輯：王祝萍）