基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)負(fù)荷預(yù)測(cè)

摘 要： 考慮到傳統(tǒng)的線性電網(wǎng)負(fù)荷預(yù)測(cè)方法的預(yù)測(cè)精度無(wú)法滿足現(xiàn)代電力電網(wǎng)管理系統(tǒng)的要求，使用更適用于電力電網(wǎng)負(fù)荷的預(yù)測(cè)任務(wù)的非線性BP神經(jīng)網(wǎng)絡(luò)算法建立預(yù)測(cè)模型。由于常規(guī)的BP神經(jīng)網(wǎng)絡(luò)存在容易陷入局部最優(yōu)解以及收斂效率低等問(wèn)題，該文使用模擬退火算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練算法進(jìn)行優(yōu)化，提高預(yù)測(cè)模型的收斂效率和自學(xué)習(xí)能力。通過(guò)實(shí)例對(duì)所研究的預(yù)測(cè)模型進(jìn)行分析，結(jié)果表明，所研究的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)和訓(xùn)練耗時(shí)均低于常規(guī)神經(jīng)網(wǎng)絡(luò)，具有更高的收斂精度，同時(shí)改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)誤差明顯降低，具有較好的工程應(yīng)用價(jià)值。

關(guān)鍵詞： 電網(wǎng)負(fù)荷預(yù)測(cè)； BP神經(jīng)網(wǎng)絡(luò)； 模擬退火優(yōu)化算法； 預(yù)測(cè)誤差

中圖分類號(hào)： TN926?34； TM715 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）20?0064?03

Abstract： Since the forecasting accuracy of the traditional linear load forecasting method cannot meet the requirements of the modern power grid management system， the nonlinear BP neural network algorithm suitable for the power grid load prediction task is used in this paper to build forecasting model. Because the conventional BP neural network is easy to fall into the local optimal solution and has low convergence efficiency， simulated annealing algorithm is used in this paper to optimize the BP neural network weight training algorithm to improve the convergence efficiency and self?learning ability of the prediction model. The prediction model studied in this paper is analyzed with an example. The results show that the training times and training time of the improved BP neural network are less than those of the conventional neural network， and it has higher convergence accuracy， in addition， the prediction error of the improved BP neural network prediction model is obviously reduced.

Keywords： power grid load forecasting； BP neural network； simulated annealing optimization algorithm； prediction error

0 引 言

對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)對(duì)于確保電力系統(tǒng)正常穩(wěn)定運(yùn)行具有重要意義，對(duì)電網(wǎng)的短期負(fù)荷進(jìn)行精確預(yù)測(cè)能夠降低電力電網(wǎng)系統(tǒng)的運(yùn)行和維護(hù)成本，負(fù)荷預(yù)測(cè)系統(tǒng)已經(jīng)成為電力電網(wǎng)管理系統(tǒng)中的重要組成部分之一，同時(shí)也是電力科研工作者的主要研究重點(diǎn)內(nèi)容之一[1?5]。

傳統(tǒng)的電網(wǎng)負(fù)荷預(yù)測(cè)方法主要是基于線性的時(shí)間序列分析法、回歸分析模型等，然而實(shí)際的電力負(fù)荷模型是非線性的，電網(wǎng)的負(fù)荷會(huì)受到溫度、濕度等各種影響因素干擾，使得傳統(tǒng)線性預(yù)測(cè)模型的預(yù)測(cè)精度無(wú)法滿足現(xiàn)代電力電網(wǎng)管理系統(tǒng)的精度要求[6?7]。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是一種非線性的預(yù)測(cè)模型，其具有自學(xué)習(xí)能力、預(yù)測(cè)精度較高以及強(qiáng)大的非線性函數(shù)關(guān)系擬合能力等優(yōu)點(diǎn)，特別適用于電力電網(wǎng)負(fù)荷的預(yù)測(cè)任務(wù)，但是常規(guī)的BP神經(jīng)網(wǎng)絡(luò)存在容易陷入局部最優(yōu)解以及收斂效率低等問(wèn)題[8?9]。因此本文使用模擬退火算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練算法進(jìn)行優(yōu)化，提高預(yù)測(cè)模型的收斂效率和自學(xué)習(xí)能力。

1 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

常規(guī)的BP神經(jīng)網(wǎng)絡(luò)存在容易陷入局部最優(yōu)解以及收斂效率低等問(wèn)題，因此本文使用模擬退火算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值參數(shù)的訓(xùn)練進(jìn)行優(yōu)化。模擬退火算法模擬金屬材料退火過(guò)程，在固定時(shí)段內(nèi)以一定的概率算法求解較大搜索空間內(nèi)的全局最優(yōu)解[10]。

使用模擬退火算法對(duì)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化過(guò)程為[12]：

步驟1：對(duì)參數(shù)進(jìn)行初始化，初始生成一個(gè)較大的溫度[T0]，隨機(jī)生產(chǎn)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，并由初始權(quán)值組成初始的狀態(tài)解[ωij0]。

步驟2：根據(jù)隨機(jī)擾動(dòng)模型由第k步的解[ωijk]得到第k+1步的解[ωijk+1]。

步驟3：將新的狀態(tài)解[ωijk+1]賦值到BP神經(jīng)網(wǎng)絡(luò)模型中，使用訓(xùn)練數(shù)據(jù)對(duì)新生成的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使用目標(biāo)優(yōu)化函數(shù)計(jì)算該BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與期望值之差。

步驟4：判別系統(tǒng)能否接收新的狀態(tài)解[ωijk+1]。

步驟5：如果內(nèi)循環(huán)次數(shù)達(dá)到設(shè)定最大值，則進(jìn)入下一步，否則跳回步驟2。

步驟6：若滿足調(diào)節(jié)[Tk+1

步驟7：若SA算法完成對(duì)各個(gè)訓(xùn)練樣本的優(yōu)化任務(wù)后，并且溫度達(dá)到設(shè)置的終止溫度，則結(jié)束優(yōu)化過(guò)程，SA算法的最優(yōu)解則作為BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)連接權(quán)值。

2 實(shí)例分析

通過(guò)實(shí)例對(duì)本文研究的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)電網(wǎng)負(fù)荷預(yù)測(cè)模型進(jìn)行分析。調(diào)取了某市2009—2010年的電網(wǎng)負(fù)荷數(shù)據(jù)以及天氣數(shù)據(jù)等，并針對(duì)某一天的電網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)，與真實(shí)數(shù)據(jù)進(jìn)行對(duì)比[13]。

使用常規(guī)BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)，兩種模型的輸入神經(jīng)元個(gè)數(shù)均為65，輸出為24個(gè)，即對(duì)某一天24個(gè)小時(shí)負(fù)荷量的預(yù)測(cè)[14?15]。使用訓(xùn)練樣本對(duì)兩種預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到了訓(xùn)練結(jié)果性能如表1所示。

由表1可以看出，在精度要求一致時(shí)，本文研究的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)和訓(xùn)練耗時(shí)均低于常規(guī)神經(jīng)網(wǎng)絡(luò)，說(shuō)明改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)具有更快的收斂效率，同時(shí)改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)的相對(duì)誤差平均值降低了2.44%，相對(duì)誤差最大值降低了4.22%，說(shuō)明改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)具有更高的收斂精度。

使用上述訓(xùn)練后得到的預(yù)測(cè)模型，對(duì)該市2009年10月13日的24 h電網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果如表2所示。

表2 電網(wǎng)負(fù)荷預(yù)測(cè)結(jié)果

通過(guò)計(jì)算可得常規(guī)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)均方誤差為3.29%，平均相對(duì)誤差為2.78%，使用改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)均方誤差為1.52%，平均相對(duì)誤差為1.18%，預(yù)測(cè)誤差明顯降低。兩種預(yù)測(cè)模型的預(yù)測(cè)值與真實(shí)值比較如圖1所示。由圖1可以看出使用改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)準(zhǔn)確度平均值達(dá)到了99.2%以上。

3 結(jié) 語(yǔ)

電網(wǎng)負(fù)荷預(yù)測(cè)對(duì)于確保電力系統(tǒng)正常穩(wěn)定運(yùn)行具有重要意義，是電力科研工作者的主要研究重點(diǎn)內(nèi)容之一。本文使用BP神經(jīng)網(wǎng)絡(luò)建立電網(wǎng)負(fù)荷預(yù)測(cè)模型，并使用模擬退火算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練算法進(jìn)行優(yōu)化，提高預(yù)測(cè)模型的收斂效率和自學(xué)習(xí)能力。最后通過(guò)某市2009—2010年的電網(wǎng)負(fù)荷數(shù)據(jù)以及天氣數(shù)據(jù)等對(duì)本文研究的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)電網(wǎng)負(fù)荷預(yù)測(cè)模型進(jìn)行分析，結(jié)果表明，本文研究的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差明顯降低，具有較好的應(yīng)用價(jià)值。

參考文獻(xiàn)

[1] 王大鵬.灰色預(yù)測(cè)模型及中長(zhǎng)期電力負(fù)荷預(yù)測(cè)應(yīng)用研究[D].武漢：華中科技大學(xué)，2013.

[2] 任麗娜.基于Elman神經(jīng)網(wǎng)絡(luò)的中期電力負(fù)荷預(yù)測(cè)模型研究[D].蘭州：蘭州理工大學(xué)，2007.

[3] 程其云.基于數(shù)據(jù)挖掘的電力短期負(fù)荷預(yù)測(cè)模型及方法的研究[D].重慶：重慶大學(xué)，2004.

[4] 張華.基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的微博輿情預(yù)測(cè)模型研究[D].武漢：華中師范大學(xué)，2014.

[5] 馬洪松.基于改進(jìn)灰色模型的電力負(fù)荷預(yù)測(cè)方法研究及應(yīng)用[D].北京：華北電力大學(xué)，2013.

[6] 朱曉明.BP?灰度模型的電力負(fù)荷預(yù)測(cè)模型研究[J].科技通報(bào)，2013（8）：50?52.

[7] 周建中，張亞超，李清清，等.基于動(dòng)態(tài)自適應(yīng)徑向基函數(shù)網(wǎng)絡(luò)的概率性短期負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù)，2010（3）：37?41.

[8] 陳偉淳.基于多神經(jīng)網(wǎng)絡(luò)的智能電網(wǎng)短期負(fù)荷預(yù)測(cè)研究[D].廣州：華南理工大學(xué)，2012.

[9] 熊偉.基于粒子群模糊徑向基網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[D].長(zhǎng)沙：長(zhǎng)沙理工大學(xué)，2009.

[10] 尤麗華，吳靜靜，王瑤，等.基于模擬退火優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的pH值預(yù)測(cè)[J].傳感技術(shù)學(xué)報(bào)，2014（12）：1643?1648.

[11] 王惠琳.模擬退火遺傳算法優(yōu)化的BP網(wǎng)絡(luò)在翹曲量預(yù)測(cè)中的應(yīng)用[D].杭州：浙江大學(xué)，2011.

[12] 王惠琳，胡樹(shù)根，王耘.基于模擬退火遺傳算法優(yōu)化的BP網(wǎng)絡(luò)在質(zhì)量預(yù)測(cè)中的應(yīng)用[J].輕工機(jī)械，2011（4）：26?31.

[13] 師彪，李郁俠，于新花，等.改進(jìn)粒子群?BP神經(jīng)網(wǎng)絡(luò)模型的短期電力負(fù)荷預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用，2009（4）：1036?1039.

[14] 師彪，李郁俠，于新花，等.自適應(yīng)變系數(shù)粒子群：徑向基神經(jīng)網(wǎng)絡(luò)模型在負(fù)荷預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2009（9）：2454?2458.

[15] 師彪，李郁俠，于新花，等.基于改進(jìn)粒子群?徑向基神經(jīng)網(wǎng)絡(luò)模型的短期電力負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù)，2009（17）：180?184.