基于動量因子的神經(jīng)網(wǎng)絡(luò)群電流負(fù)荷預(yù)測模型

田 野

?

基于動量因子的神經(jīng)網(wǎng)絡(luò)群電流負(fù)荷預(yù)測模型

田 野

(浙江大學(xué)電氣工程學(xué)院，浙江 杭州 310027)

通過建立改進(jìn)的4層神經(jīng)網(wǎng)絡(luò)群，以歷史負(fù)荷電流作為樣本進(jìn)行訓(xùn)練，實(shí)現(xiàn)對于未來負(fù)荷電流的預(yù)測。針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)易收斂到局部極值的問題，引入了動態(tài)調(diào)整的動量因子。為增強(qiáng)對于隨月份動態(tài)變化較劇烈的負(fù)荷的預(yù)測能力，提出了BP網(wǎng)絡(luò)群結(jié)構(gòu)。數(shù)據(jù)模擬結(jié)果說明該算法具有高精確性，可有效估算出下一階段線路電流負(fù)荷變化趨勢值，并且預(yù)測速度滿足實(shí)際使用要求。該模型可以用于監(jiān)測重點(diǎn)單位用電負(fù)荷變化情況，及早提示供電單位采取相應(yīng)措施，促進(jìn)智能電網(wǎng)建設(shè)。

電流負(fù)荷預(yù)測；神經(jīng)網(wǎng)絡(luò)；大數(shù)據(jù)分析

0 引言

在大數(shù)據(jù)分析時代，電力負(fù)荷預(yù)測技術(shù)可以給供電部門電力調(diào)度[1]提供決策依據(jù)，提高供電系統(tǒng)整體運(yùn)營效益。電力負(fù)荷預(yù)測尤其對于農(nóng)網(wǎng)10 kV線路電流預(yù)測有著重要意義：(1) 及時發(fā)現(xiàn)線路電流負(fù)荷變化趨勢，及早發(fā)出提示信息，指導(dǎo)供電單位合理調(diào)度電力系統(tǒng)。(2) 對于個別用電單位非法盜電，致使供電部門帶來經(jīng)濟(jì)損失又不能被及時發(fā)現(xiàn)的，通過預(yù)測技術(shù)可以快速報警，給予及時提示。(3) 傳統(tǒng)人工調(diào)度手段可以通過電流預(yù)測技術(shù)給予合理替代和科學(xué)完善。有關(guān)預(yù)測算法目前比較著名且常用的有灰色理論[2]、粗糙集理論[3]、以及神經(jīng)網(wǎng)絡(luò)理論[4]等?，F(xiàn)有文獻(xiàn)中[5-6]一些預(yù)測模型在確定后，其學(xué)習(xí)速率、參數(shù)一般不再變化，對隨月份動態(tài)變化比較劇烈的負(fù)荷預(yù)測精度不夠。只采用一個模型也很難適應(yīng)全年12月每個月不同負(fù)荷變化的情況[7]。本文選用神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型是基于其通過學(xué)習(xí)能夠自適應(yīng)實(shí)現(xiàn)復(fù)雜的輸入-輸出非線性映射關(guān)系這個特征[8]。文中提出的預(yù)測模型中，動量因子可以根據(jù)本次訓(xùn)練代數(shù)、訓(xùn)練時間與上次訓(xùn)練代數(shù)和訓(xùn)練時間的設(shè)定閾值大小自動調(diào)整以獲得最佳值，優(yōu)化整個網(wǎng)絡(luò)訓(xùn)練速度?？紤]到不同月份的負(fù)荷有較大差異，建立了網(wǎng)絡(luò)群結(jié)構(gòu)，提高了預(yù)測精度。

1 神經(jīng)網(wǎng)絡(luò)基本理論

1.1 神經(jīng)元模型

模擬生物的神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)由神經(jīng)元構(gòu)成。如圖1所示。神經(jīng)元模型中，其中為輸入量，為權(quán)值系數(shù)，為閾值，為激勵函數(shù)。輸出量為

1.2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

神經(jīng)網(wǎng)絡(luò)分為輸入層，隱含層，輸出層，如圖2。每一個節(jié)點(diǎn)即為一個神經(jīng)元。輸入和輸出層為一層，并且節(jié)點(diǎn)數(shù)分別等于輸入和輸出變量的個數(shù)。隱含層則可以根據(jù)需要設(shè)置多層。不同層各節(jié)點(diǎn)之間經(jīng)過權(quán)系數(shù)連接，同層不同節(jié)點(diǎn)之間沒有相互連接[9]。隱含層的層數(shù)對神經(jīng)網(wǎng)絡(luò)的性能都有著較大影響，本文將在后續(xù)部分進(jìn)行詳細(xì)分析。

圖2 神經(jīng)網(wǎng)絡(luò)模型

1.3 神經(jīng)網(wǎng)絡(luò)的非線性逼近能力

1.4 神經(jīng)網(wǎng)絡(luò)的泛化預(yù)測能力

設(shè)一組樣本輸入向量(1,2,3,,X)，輸出向量(1,2,3,,Y)。采用傳統(tǒng)的方法，對于這樣一組樣本，要研究與的關(guān)系，有以下幾個問題：

1) 無法確定與是否有函數(shù)關(guān)系；

2) 即使確定與有函數(shù)關(guān)系，但是無法確定該函數(shù)；

3) 即使確定了該函數(shù)，但難以用解析表達(dá)式表達(dá)。

這三個問題導(dǎo)致給傳統(tǒng)的分析方法帶來巨大的困難。

BP神經(jīng)網(wǎng)絡(luò)通過不斷地學(xué)習(xí)調(diào)整權(quán)值與閾值系數(shù)，能夠以任意精度逼近一個有理函數(shù)。正是基于這一特性，如果與存在著函數(shù)關(guān)系()，通過大量的樣本的學(xué)習(xí)，BP網(wǎng)絡(luò)將能夠?qū)W習(xí)和記憶這個映射)。當(dāng)不在樣本空間里的一組輸入量1輸入時，網(wǎng)絡(luò)依然可以輸出1(1)，而無需得出難以表達(dá)的解析表達(dá)式。即BP神經(jīng)網(wǎng)絡(luò)具有泛化能力，這也是其可以用作預(yù)測的理論基礎(chǔ)。

2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)群模型的建立

2.1 樣本空間的建立

本文的目的是預(yù)測電力系統(tǒng)的時刻電流負(fù)荷()，所以輸入量必須是時刻之前的系統(tǒng)參數(shù)。輸入量的選擇在很大程度上決定了系統(tǒng)的精度，泛化能力，收斂速度?？紤]到()與時刻之前的電流之間應(yīng)有很強(qiáng)的聯(lián)系，故采用后者做為輸入量。為了增強(qiáng)泛化能力，1個輸入量是不足的，故本文選取時刻之前的5個電流為輸入量。這樣，在時間序列上，5個輸入量與輸出量有著緊密數(shù)據(jù)相關(guān)性。以某10 kV線路為例，電流監(jiān)測值5 min獲得一次，設(shè)連續(xù)測得的6個電流分別為

將此模型簡記為：

(4)

以1~5五個點(diǎn)為神經(jīng)網(wǎng)絡(luò)的輸入，6為輸出構(gòu)成一個學(xué)習(xí)樣本，一個月共8 640個全部學(xué)習(xí)樣本構(gòu)成樣本空間。

2.2 輸入數(shù)據(jù)的處理

對于本文所建立的BP神經(jīng)網(wǎng)絡(luò)，需要對輸入數(shù)據(jù)做以下2個處理：

1) 需要為每一個電流數(shù)據(jù)加上日期時標(biāo)，保證能夠經(jīng)過輸入分類器的判斷后將數(shù)據(jù)送入對應(yīng)月份的BP神經(jīng)網(wǎng)絡(luò)中。

2) 因?yàn)閟igmoid型函數(shù)的共有特點(diǎn)是在輸入量絕對值較小時輸出對輸入很敏感，而當(dāng)輸入量絕對值較大時會進(jìn)入飽和區(qū)。這會導(dǎo)致輸入量的變化幾乎無法影響輸出，導(dǎo)致網(wǎng)絡(luò)的訓(xùn)練停頓，很可能導(dǎo)致系統(tǒng)陷入局部極值。除此之外，輸入量的值域范圍相差較大，可能導(dǎo)致一些輸入量的影響被過度放大或者淹沒。因此，需要將輸入量進(jìn)行歸一化到(-1，1)之間的范圍內(nèi)，避開激勵函數(shù)兩端的飽和區(qū)。歸一化方法為所有電流數(shù)據(jù)均除以架空線路電流500 A。

訓(xùn)練同一組數(shù)據(jù)所需的時間。不歸一化訓(xùn)練時間達(dá)9.1 s，而歸一化后，訓(xùn)練時間為0.6 s，訓(xùn)練速度上歸一化優(yōu)勢明顯。如果采用非歸一化數(shù)據(jù)直接訓(xùn)練，對于大于200的數(shù)據(jù)而言，有時訓(xùn)練時間很長，又或根本難以收斂。

2.3 網(wǎng)絡(luò)結(jié)構(gòu)的確定

2.3.1 網(wǎng)絡(luò)群結(jié)構(gòu)

本質(zhì)上，時刻電流與時刻之前的電流的映射關(guān)系應(yīng)該還與該線路的運(yùn)行特征有關(guān)，不同的月份，運(yùn)行特征不應(yīng)相同，所以傳統(tǒng)的單一BP神經(jīng)網(wǎng)絡(luò)對于隨月份動態(tài)變化比較劇烈的負(fù)荷的預(yù)測精度不高，泛化能力較差。因此本文采用了如圖3的網(wǎng)絡(luò)群結(jié)構(gòu)[11]。

圖3 BP網(wǎng)絡(luò)群模型

為了適應(yīng)負(fù)荷隨月份的動態(tài)變化，該BP網(wǎng)絡(luò)群包括了為12個月份分別創(chuàng)建的BP子神經(jīng)網(wǎng)絡(luò)BP1, BP2, BP3,…, BP12，并加入了輸入分類器和輸出求和模塊。

本文為每一組樣本都加入日期時標(biāo)，輸入分類器根據(jù)輸入樣本的日期時標(biāo)對輸入數(shù)據(jù)進(jìn)行分類，然后將其送入并激活對應(yīng)月份的BP子網(wǎng)絡(luò)，按照月份依次訓(xùn)練各子網(wǎng)絡(luò)。

輸出求和器將所有月份BP子網(wǎng)絡(luò)的輸出進(jìn)行求和后作為整個網(wǎng)絡(luò)群的輸出。但是由于只有被激活的網(wǎng)絡(luò)輸出值不為0，所以網(wǎng)絡(luò)群的輸出就是與輸入數(shù)據(jù)的日期時標(biāo)相對應(yīng)的月份的子網(wǎng)絡(luò)的輸出。

該網(wǎng)絡(luò)群等效實(shí)現(xiàn)了對于不同月份的樣本的分別訓(xùn)練和計算輸出，相對于傳統(tǒng)的單一網(wǎng)絡(luò)的預(yù)測模型，大大提高了精度與泛化能力。

2.3.2 網(wǎng)絡(luò)群中子BP網(wǎng)絡(luò)的結(jié)構(gòu)

子BP網(wǎng)絡(luò)的結(jié)構(gòu)的關(guān)鍵是隱含層數(shù)與隱含層節(jié)點(diǎn)數(shù)的確定，神經(jīng)網(wǎng)絡(luò)的層數(shù)和隱含層節(jié)點(diǎn)數(shù)共同決定了網(wǎng)絡(luò)的規(guī)模。

在一定范圍內(nèi)，網(wǎng)絡(luò)規(guī)模越大，可以提高網(wǎng)絡(luò)的精度。但這并不意味著模擬的精度就一定會隨著網(wǎng)絡(luò)的復(fù)雜度的增大而升高。過多的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)可能造成過擬合現(xiàn)象，對于非訓(xùn)練樣本內(nèi)的數(shù)據(jù)的適應(yīng)程度下降，減弱了BP網(wǎng)絡(luò)的泛化能力，容錯性降低，除此之外，過大規(guī)模的網(wǎng)絡(luò)可能會很大程度地受到噪聲信號的干擾，給網(wǎng)絡(luò)的性能帶來不利影響[12]。

例如，對于異或運(yùn)算函數(shù)關(guān)系的模擬，輸入節(jié)點(diǎn)數(shù)為2，輸出節(jié)點(diǎn)數(shù)為1，隱含層選取1層。對于不同的隱含層節(jié)點(diǎn)數(shù)，網(wǎng)絡(luò)的總誤差隨訓(xùn)練次數(shù)的變化關(guān)系如圖4。

圖4 BP神經(jīng)網(wǎng)絡(luò)不同隱含層節(jié)點(diǎn)數(shù)對收斂性的影響

可以看出，當(dāng)隱含層節(jié)點(diǎn)數(shù)為5時，收斂速度和模擬精度都要低于節(jié)點(diǎn)數(shù)為1時的網(wǎng)絡(luò)。

根據(jù)神經(jīng)網(wǎng)絡(luò)的基本理論，只需要一個隱含層，通過增減隱含層節(jié)點(diǎn)數(shù)就可以以任意精度逼近一個有理函數(shù)。但是1個隱含層的網(wǎng)絡(luò)誤差較高，辨識精度較低，增加隱含層的層數(shù)可以提高辨識精度，也可以降低誤差，提高誤差精度，但是會增加網(wǎng)絡(luò)的訓(xùn)練時間。

實(shí)際中，應(yīng)該首先考慮的應(yīng)該是增加隱含層中的節(jié)點(diǎn)數(shù)，而不是率先考慮增加隱含層的層數(shù)。若精度或收斂速度等無法達(dá)到要求，則再考慮增加隱含層。

本文首先采用1個隱含層，根據(jù)Hebb提出的公式[12]

(5)

式中：為隱含層節(jié)點(diǎn)數(shù)；為輸入層節(jié)點(diǎn)數(shù)；為輸出層節(jié)點(diǎn)數(shù)；為1~10之間的正整數(shù)。

選取一個較優(yōu)的節(jié)點(diǎn)數(shù)后，為了同時兼顧模擬精度和收斂，進(jìn)一步提高網(wǎng)絡(luò)性能再增加一個隱含層，本文經(jīng)過試驗(yàn)取得了一組較優(yōu)的結(jié)構(gòu)如表1。

表1 子BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

2.4 響應(yīng)函數(shù)的選擇

激活函數(shù)的選擇包括sigmoid型，純線性函數(shù)pureline等。BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近一個有理函數(shù)的能力本質(zhì)上來源于激勵函數(shù)的連續(xù)性與平滑性，因此中間層函數(shù)選擇sigmoid函數(shù)，輸出層采用了純線性(pureline)函數(shù)。

3 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法

BP網(wǎng)絡(luò)學(xué)習(xí)過程分為兩種：正向傳播和反向傳播。當(dāng)正向傳播時，信息從輸入層經(jīng)隱單元層處理后傳向輸出層。如果在輸出層得不到希望的輸出，則轉(zhuǎn)入反向傳播，逐一修改各層神經(jīng)元的權(quán)值和閾值。此過程不斷迭代，直到誤差達(dá)到預(yù)期要求[13]。

3.1 信息的前向傳播

設(shè)BP神經(jīng)網(wǎng)絡(luò)共有層。

對第+1層的第個節(jié)點(diǎn)，第次訓(xùn)練后其輸出量為

按照此方法從輸入層開始逐層計算出每層輸出，直到計算出整個網(wǎng)絡(luò)的輸出。

3.2 誤差反向傳播

對于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，誤差反向傳播過程如下。

誤差在輸入量確定的情況下，只是網(wǎng)絡(luò)的權(quán)值系數(shù)矩陣和閾值矩陣的函數(shù)。

定義目標(biāo)函數(shù)為

需要特定指明的是，該目標(biāo)函數(shù)與上文中的誤差函數(shù)()是不同的，()為所有個樣本的第次訓(xùn)練的誤差()的和。本文中設(shè)定學(xué)習(xí)目標(biāo)函數(shù)為() = 5e-6。

如果前向傳播信息后輸出不滿足設(shè)定目標(biāo)函數(shù)的要求，則需要對BP網(wǎng)絡(luò)的權(quán)值系數(shù)和閾值進(jìn)行修改，進(jìn)入誤差的反向傳播過程。考慮一般情況，設(shè)該網(wǎng)絡(luò)共有層，第層的節(jié)點(diǎn)數(shù)為。對于輸出層節(jié)點(diǎn)與最后一個隱含層節(jié)點(diǎn)間的權(quán)值系數(shù)在第+1次訓(xùn)練的增量為

對于輸出層第個節(jié)點(diǎn)的閾值系數(shù)在第+1次訓(xùn)練的增量為

對于非輸入和輸出層，設(shè)該層為第層，該層的第個節(jié)點(diǎn)與第-1層的第個節(jié)點(diǎn)之間的權(quán)值系數(shù)在第+1次訓(xùn)練的增量為

(11)

對于第層的閾值

其中

(13)

3.3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法改進(jìn)

由于誤差曲面可能存在有多個極值點(diǎn)，因此曲面上可能有多個平坦區(qū)域。傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)算法采用標(biāo)準(zhǔn)梯度下降算法，第次的學(xué)習(xí)只是按照誤差曲面的負(fù)梯度方向?qū)Ω鲗拥臋?quán)值系數(shù)和閾值進(jìn)行修改。在數(shù)據(jù)訓(xùn)練時很容易陷入局部極值的平坦區(qū)域，造成訓(xùn)練停滯，收斂到局部極值，同時可能會導(dǎo)致訓(xùn)練過程中出現(xiàn)振蕩現(xiàn)象，減慢收斂的速度[14-15]。

為此，本文采用了加入動量因子的BP算法對傳統(tǒng)算法進(jìn)行改進(jìn)[16-17]。

改進(jìn)后的權(quán)值修改公式為

其中，為動量因子。動量因子在第權(quán)值修改時加入了上一次-1次權(quán)值修改的影響。這樣如果進(jìn)入了誤差曲面的局部極值區(qū)域，-1次的權(quán)值增量可以幫助系統(tǒng)跳出這一平坦區(qū)域，同時動量因子相當(dāng)于一個阻尼項(xiàng)，可以起到平緩作用，減小訓(xùn)練過程中的振蕩現(xiàn)象，加快收斂速度。

現(xiàn)有方法中[18-12]，所采用的動量因子為一個定值，即在訓(xùn)練開始前就已確定下來，在之后訓(xùn)練的過程中只會對網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整，動量因子不再變化。

為了得到更快的收斂速度，減少訓(xùn)練時間，網(wǎng)絡(luò)在訓(xùn)練時會根據(jù)訓(xùn)練時間是否達(dá)到要求對進(jìn)行調(diào)整。

按照上述的訓(xùn)練方法，神經(jīng)網(wǎng)絡(luò)通過不斷學(xué)習(xí)，自適應(yīng)修改各節(jié)點(diǎn)之間的權(quán)值和各層的閾值，直到目標(biāo)函數(shù)達(dá)到要求。

4 算法步驟

按照上文所述的參數(shù)和結(jié)構(gòu)建立神經(jīng)網(wǎng)絡(luò)后，算法步驟如圖5。

首先確定網(wǎng)絡(luò)的目標(biāo)函數(shù)，本文選為5e-6；網(wǎng)絡(luò)的學(xué)習(xí)速率，本文選為0.05；網(wǎng)絡(luò)的最大訓(xùn)練次數(shù)，本文選為Max=200；網(wǎng)絡(luò)的目標(biāo)訓(xùn)練時間，本文選為0.5 s；網(wǎng)絡(luò)的訓(xùn)練時間閾值，本文選為0.02 s；動量因子的初值，本文選為0.5。

輸入樣本數(shù)據(jù)到BP神經(jīng)網(wǎng)絡(luò)群，根據(jù)訓(xùn)練樣本數(shù)據(jù)的時標(biāo)將數(shù)據(jù)送入對應(yīng)月份的BP子網(wǎng)絡(luò)中。之后按照月份依次對各個月份的BP子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如果所有月份的目標(biāo)函數(shù)均達(dá)到要求，則判斷實(shí)際的訓(xùn)練時間是否滿足收斂速度的要求，如果不滿足要求，自動調(diào)整的值，然后重新對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到精度和收斂速度均達(dá)到要求后，網(wǎng)絡(luò)訓(xùn)練完成。

圖5 算法步驟

網(wǎng)絡(luò)群的輸出為所有子網(wǎng)絡(luò)的輸出值和。如果輸入第個月份的數(shù)據(jù)，則只有第個BP子網(wǎng)絡(luò)被激活，被激活的子網(wǎng)絡(luò)輸出預(yù)測值，未被激活的子網(wǎng)絡(luò)的輸出均為0，所以網(wǎng)絡(luò)群的輸出即為被激活的對應(yīng)月份的子BP網(wǎng)絡(luò)的輸出。

5 實(shí)例驗(yàn)證

5.1 網(wǎng)絡(luò)訓(xùn)練

本文所選用的樣本空間以及網(wǎng)絡(luò)結(jié)構(gòu)是否合理，必須通過實(shí)際數(shù)據(jù)的測試才能夠確定。通過對于數(shù)據(jù)的收集，利用歷史數(shù)據(jù)加入時標(biāo)后作為樣本數(shù)據(jù)，對網(wǎng)絡(luò)群進(jìn)行訓(xùn)練。

以對5月份的BP網(wǎng)絡(luò)訓(xùn)練為例。只對網(wǎng)絡(luò)群輸入2016年之前的5月份的歷史電流數(shù)據(jù)，對網(wǎng)絡(luò)群進(jìn)行訓(xùn)練，在110步后，目標(biāo)誤差達(dá)4.90848e-6，在5e-6內(nèi)，滿足要求。圖6為5月份神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程誤差曲線，可見，此模型非常好地描述了輸出值與其相鄰值之間關(guān)系。同時收斂速度也比較快，符合應(yīng)用要求。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時動量因子取值影響收斂速度。文中在網(wǎng)絡(luò)訓(xùn)練總目標(biāo)函數(shù)()=5e-6和目標(biāo)訓(xùn)練時間確定后，系統(tǒng)自動調(diào)整動量因子，直到最終系統(tǒng)同時達(dá)到精度和收斂速度上的要求，迭代訓(xùn)練優(yōu)化后，取值0.978 7。

圖6 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

5.2 負(fù)荷預(yù)測

利用歷史上的電流負(fù)荷數(shù)據(jù)訓(xùn)練模型，在精度和收斂速度均達(dá)到要求后，訓(xùn)練完成。此時利用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)對訓(xùn)練樣本外的數(shù)據(jù)進(jìn)行預(yù)測。預(yù)測方法是采用前25 min采樣得到的5個電流值作為1~5，得到未來5 min的預(yù)測電流值。電流預(yù)測間隔和采樣周期均為5 min，因此，每次預(yù)測時刻的電流時，總可以利用到時刻的5個電流的實(shí)際值作為輸入，從而可以連續(xù)不斷地進(jìn)行預(yù)測。

程序中設(shè)定有對5個輸入量的檢測，當(dāng)5個量中某一個量或多個為0時，認(rèn)為輸入數(shù)據(jù)無效，預(yù)測值用最臨近的值代替。當(dāng)5個輸入量全0時，認(rèn)為是停電狀態(tài)，預(yù)測輸出為0。

按照上述預(yù)測方法，采用訓(xùn)練樣本以外的數(shù)據(jù)進(jìn)行負(fù)荷預(yù)測，對2016年5月23日到27日用電數(shù)據(jù)預(yù)測并與實(shí)際負(fù)荷數(shù)據(jù)對比。

當(dāng)=120 2時(2016年5月23日到5月25日監(jiān)測到的數(shù)據(jù)點(diǎn)數(shù))，電流預(yù)測絕對誤差均值為0.012，表2列出了部分時間點(diǎn)負(fù)荷預(yù)測值和實(shí)際值的誤差。

表2 部分時間點(diǎn)負(fù)荷預(yù)測值與實(shí)際值的誤差

5月份電流實(shí)際值與預(yù)測值隨時間變化曲線如圖7。

圖7 某監(jiān)控支路 2016年5月23日到5月25日電流預(yù)測曲線

圖中點(diǎn)是預(yù)測點(diǎn)。可見預(yù)測精度很高(尤其是極值點(diǎn))，滿足重點(diǎn)單位監(jiān)控監(jiān)測需求。

利用同樣的方法，采用2016年以前的歷史數(shù)據(jù)對8月份樣本進(jìn)行訓(xùn)練，訓(xùn)練完成后，用已經(jīng)固化參數(shù)的網(wǎng)絡(luò)對該監(jiān)測點(diǎn)近期監(jiān)測數(shù)據(jù)2016年8月3日至8月6日數(shù)據(jù)進(jìn)行預(yù)測，電流預(yù)測絕對誤差均值為0.397。預(yù)測曲線如圖8。

圖8 某監(jiān)控支路 2016年8月3日到8月6日電流預(yù)測曲線

由此可見，該模型對于不同月份的負(fù)荷均有較強(qiáng)的預(yù)測能力。

5.3 預(yù)測速度分析

要將此模型用于實(shí)際的電流負(fù)荷預(yù)測，必需保證預(yù)測速度足夠快，對于時刻的電流預(yù)測值要在時刻之前得出。

文中提出的電力預(yù)測模型系統(tǒng)，其運(yùn)行時間主要包括數(shù)據(jù)預(yù)測時間和硬件系統(tǒng)告警時間延時，以及網(wǎng)絡(luò)通信延時構(gòu)成。從現(xiàn)場運(yùn)行日志報告看，幾個延時之和最長可達(dá)1.5 s左右，遠(yuǎn)小于5 min的預(yù)測量，因此滿足現(xiàn)場響應(yīng)速度要求。

5.4 與傳統(tǒng)算法的預(yù)測精度比較

取2016年8月6日某10 kV主干路某相監(jiān)測電流實(shí)際數(shù)據(jù)5個點(diǎn)值，在時間上鄰近。分別用本文神經(jīng)網(wǎng)絡(luò)方法和時間序列一次指數(shù)平滑法對以此5個點(diǎn)為原始數(shù)據(jù)進(jìn)行后續(xù)5個點(diǎn)實(shí)時預(yù)測，預(yù)測相對誤差結(jié)果如表3所示。

表3 預(yù)測算法對比

由此可見，相對于傳統(tǒng)的時間序列一次指數(shù)平滑法，采用本文的神經(jīng)網(wǎng)絡(luò)算法的預(yù)測精度有著明顯的優(yōu)勢。

6 結(jié)論

針對于智能電網(wǎng)的要求及傳統(tǒng)的時間序列一次指數(shù)平滑法的精度問題，本文提出采用BP神經(jīng)網(wǎng)絡(luò)建立電流負(fù)荷預(yù)測模型。為解決傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值，收斂過程振蕩的問題，提高收斂速度，在傳統(tǒng)方法基礎(chǔ)上加入可以自動調(diào)整的動量因子作為改進(jìn)，經(jīng)過理論分析和實(shí)驗(yàn)論證，得到4層，節(jié)點(diǎn)數(shù)為5-12-6-1的較優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。為解決傳統(tǒng)方法在預(yù)測隨月份變化較大的負(fù)荷精度不高的問題，提出了BP網(wǎng)絡(luò)群的結(jié)構(gòu)。通過歷史電流負(fù)荷監(jiān)控大數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)模型[8]進(jìn)行訓(xùn)練，在訓(xùn)練完成后對負(fù)荷預(yù)測，預(yù)測結(jié)果表明該模型無論是在精度上還是速度上均可以滿足實(shí)際使用中的要求，能夠?yàn)橹悄茈娋W(wǎng)電力調(diào)度[7]決策提供重要依據(jù)。

[1] 周雅. 智能化電力調(diào)度數(shù)據(jù)專網(wǎng)建設(shè)方案研究[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(6): 133-137.

ZHOU Ya. Analysis on intelligent construction scheme for power dispatching data network[J]. Power System Protection and Control, 2015, 43(6): 133-137.

[2] SHEU T W, NGUYEN P H. Using GM (2, 1) and T-GM (2, 1) to predict the number of students for admission[J]. Journal of Information & Computational Science, 2014, 11(17): 6085-6096.

[3] MA Z M, HU B Q. Topological and lattice structures of L-fuzzy rough sets determined by lower and upper sets[J]. Information Sciences, 2013, 218(1): 194-204.

[4] TAYARANI-BATHAIE S S, VANINI Z N S, K Khorasani. Dynamic neural network-based fault diagnosis of gas turbine engines[J]. Neurocomputing, 2014, 125(3): 153-165.

[5] 肖遷, 李文華, 李志剛, 等. 基于改進(jìn)的小波-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速和風(fēng)電功率預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(15): 80-86.

XIAO Qian, LI Wenhua, LI Zhigang, et al. Wind speed and power prediction based on improved wavelet-BP neural network[J]. Power System Protection and Control, 2014, 42(15): 80-86.

[6] 孫偉, 常虹, 趙巧芝. 基于量子和聲優(yōu)化的改進(jìn)DMSFE組合模型及在中長期電量預(yù)測中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(21): 66-73.

SUN Wei, CHANG Hong, ZHAO Qiaozhi. Forecasting mid- long term electricity consumption using a quantum harmony search based improved DMSFE combination model[J]. Power System Protection and Control, 2014, 42(21): 66-73.

[7] 周海鋒, 徐偉, 鮑顏紅, 等. 基于相似日選擇的調(diào)度計劃安全校核潮流數(shù)據(jù)生成[J]. 電力系統(tǒng)保護(hù)與制, 2015, 43(18): 87-93.

ZHOU Haifeng, XU Wei, BAO Yanhong, et al. Power flow data generation of security check for scheduling plans based on similar day selection[J]. Power System Protection and Control, 2015, 43(18): 87-93.

[8] 公茂法, 張言攀, 柳巖妮, 等. 基于BP網(wǎng)絡(luò)算法優(yōu)化模糊Petri網(wǎng)的電力變壓器故障診斷[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(3): 113-117.

GONG Maofa, ZHANG Yanpan, LIU Yanni, et al. Fault diagnosis of power transformers based on back propagation algorithm evolving fuzzy Petri nets[J]. Power System Protection and Control, 2015, 43(3): 113-117.

[9] 劉建華, 李天玉, 付娟娟, 等. 基于BP和Elman神經(jīng)網(wǎng)絡(luò)的智能變電站錄波啟動判據(jù)算法[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(5): 110-115.

LIU Jianhua, LI Tianyu, FU Juanjuan, et al. Criteria algorithm for smart substation recorder starting based on BP & Elman neural network[J]. Power System Protection and Control, 2014, 42(5): 110-115.

[10] FUNAHASHI K I. On the approximate realization of continuous mapping by neural networks[J]. Intel Conf NN, 1989.

[11]白牧可, 唐巍, 張璐, 等. 基于BP神經(jīng)網(wǎng)絡(luò)群的中壓配電網(wǎng)電壓降落估算[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(2): 132-138.

BAI Muke, TANG Wei, ZHANG Lu, et al. Estimation of voltage drop of middle voltage distributi-tion network based on BP neural network[J]. Power System Protection and Control, 2014, 42(2): 132-138.

[12]李季, 嚴(yán)東超, 趙虎城. 基于動量因子技術(shù)的BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法及應(yīng)用[J]. 電氣應(yīng)用, 2005, 24(6): 42-44.

LI Ji, YAN Dongchao, ZHAO Hucheng. An momentum BP neural network algorithm and application[J]. Elecrical Application, 2005, 24(6): 42-44.

[13] 劉麗, 唐杰, 劉卓. 基于改進(jìn)微分進(jìn)化優(yōu)化神經(jīng)網(wǎng)絡(luò)的電力變壓器故障診斷[J]. 電力系統(tǒng)保護(hù)與控制, 2010, 38(20): 106-109.

LIU Li, TANG Jie, LIU Zhuo. Fault diagnosis of power transformer based on improved differential evolution neural network[J]. Power System Protection and Control, 2010, 38(20): 106-109.

[14] 姚仲敏, 潘飛, 沈玉會, 等. 基于GA-BP和POS-BP神經(jīng)網(wǎng)絡(luò)的光伏電站出力短期預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(20): 83-89.

YAO Zhongmin, PAN Fei, SHEN Yuhui, et al. Short-term prediction of photovoltaic power generation outputbased on GA-BP and POS-BP neural network[J]. Power System Protection and Control, 2015, 43(20): 83-89.

[15]馬草原, 孫富華, 朱蓓蓓, 等. 神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及其在有源電力濾波器中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 42(24): 142-148.

MA Caoyuan, SUN Fuhua, ZHU Beibei, et al. Study on algorithm improvement of BP neural networks and its application in active power filter[J]. Power System Protection and Control, 2015, 42(24): 142-148.

[16]李友坤. BP神經(jīng)網(wǎng)絡(luò)的研究分析及改進(jìn)應(yīng)用[D]. 合肥:安徽理工大學(xué), 2012.

[17]李旭, 顧濤. 基于神經(jīng)網(wǎng)絡(luò)的多類水印嵌入技術(shù)[J]. 計算機(jī)工程, 2005, 31(15): 144-145.

LI Xu, GU Tao. Embedding technique of multiple watermarks based on neural network[J]. Computer Engineering, 2005, 31(15): 144-145.

[18]熊峰, 龍紅葉, 胡小梅, 等. 動量因子BP神經(jīng)網(wǎng)絡(luò)算法在設(shè)備故障預(yù)測中的應(yīng)用[J]. 制造業(yè)自動化, 2011, 33(23): 13-16.

XIONG Feng, LONG Hongye, HU Xiaomei, et al. The application of predicting the device status using the momentum divisor ANN algorithm[J]. Manufacturing Automation, 2011, 33(23): 13-16.

(編輯 周金梅)

A forecasting model for current load of neural network group based upon momentum factor

TIAN Ye

(College of Electric Engineering, Zhejiang University, Hangzhou 310027, China)

Using the former actual line current load operation value as the training sample, the improved four layer neural network group model is put forward to predict the future current load value. For the problem that BP neural network is easy to converge to a local extremum, automatic adjusting momentum is applied. To enhance the ability in forecasting the load changing a lot in different months, the BP network group structure is put forward. Data simulation results show that the algorithm has high accuracy and can effectively estimate the current load change trend of the next time. The speed of prediction can meet the requirements of practical application. This model can be used as a large data analysis model for monitoring the change of the power load of the key units, and the early proposal is promptly proposed to power supply unit to take the corresponding measures. This model can also promote the construction of smart grid.

current load forecasting; neural network; large data analysis

10.7667/PSPC161099

2016-03-19

田 野(1994-)，男，本科在讀，專業(yè)方向電氣工程及其自動化。