應(yīng)用近鄰傳播算法改進(jìn)RBF 的短期負(fù)荷預(yù)測

回立川，于 淼，梁芷睿

（1.遼寧工程技術(shù)大學(xué)電控學(xué)院，葫蘆島125105；2.華北電力大學(xué)電力工程系，保定071003）

電力系統(tǒng)負(fù)荷預(yù)測是對電力市場需求的提前預(yù)測，準(zhǔn)確、快速地預(yù)測電力負(fù)荷，有利于節(jié)省燃料資源、降低發(fā)電成本，從而提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會效益。經(jīng)濟(jì)合理地安排發(fā)電機(jī)組的啟停，可以減少不必要的旋轉(zhuǎn)儲備容量，有利于用電管理，保證電網(wǎng)運(yùn)行的穩(wěn)定和安全性，因此做好負(fù)荷預(yù)測尤其是短期電力負(fù)荷預(yù)測直接關(guān)系到電網(wǎng)運(yùn)行成本和供電公司的切身利益。

多年來負(fù)荷預(yù)測一直是國內(nèi)外研究的熱點(diǎn)。傳統(tǒng)的方法主要包括時間序列法、趨勢分析法、回歸分析法和模式識別法等[1-2]。近年來出現(xiàn)了一些人工智能預(yù)測技術(shù)，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、數(shù)據(jù)挖掘以及多種智能預(yù)測方法組合的集合預(yù)測算法等[3-6]；文獻(xiàn)[7]結(jié)合改進(jìn)人工免疫算法和反向傳播BP（back propagation）網(wǎng)絡(luò)算法，設(shè)計了電力短期負(fù)荷預(yù)測模型，提高了預(yù)測精度；文獻(xiàn)[8]采用多尺度熵法對負(fù)荷數(shù)據(jù)的相關(guān)因素進(jìn)行了分析，基于BP 網(wǎng)絡(luò)針對陜西電網(wǎng)進(jìn)行了負(fù)荷預(yù)測；文獻(xiàn)[9]在應(yīng)用最小二乘法中，對訓(xùn)練樣本橫向及縱向引入隸屬度，并用留一法優(yōu)化模型參數(shù)，實現(xiàn)參數(shù)自適應(yīng)選擇，來提高預(yù)測精度；文獻(xiàn)[10]結(jié)合自組織、神經(jīng)網(wǎng)絡(luò)和模糊理論，建立了一種集成智能方法，實現(xiàn)了電力負(fù)荷短期預(yù)測的精度最優(yōu)；文獻(xiàn)[11]應(yīng)用數(shù)據(jù)挖掘的聚類功能，尋找與預(yù)測日同等氣象類型的多個歷史負(fù)荷序列，預(yù)測結(jié)果較好。包含神經(jīng)網(wǎng)絡(luò)在內(nèi)的各種智能方法已經(jīng)在短期電力負(fù)荷中得到成功應(yīng)用，但地區(qū)差異性對負(fù)荷預(yù)測的影響很大，并且神經(jīng)網(wǎng)絡(luò)的擬合精度很大程度上取決于中心矢量的選擇。

本文結(jié)合RBF 神經(jīng)網(wǎng)絡(luò)的全局逼近能力強(qiáng)、結(jié)構(gòu)簡潔、學(xué)習(xí)速度快等優(yōu)點(diǎn)[12-14]，采用RBF 神經(jīng)網(wǎng)絡(luò)對某市用電負(fù)荷進(jìn)行數(shù)據(jù)建模預(yù)測，通過近鄰聚類算法AP（affinity propagation）提取、挖掘樣本數(shù)據(jù)的有效信息，得出樣本數(shù)據(jù)的類中心，并將其作為隱層基函數(shù)的中心矢量，樣本中心距離作為基函數(shù)寬度，實現(xiàn)加快訓(xùn)練速度，提高負(fù)荷預(yù)測精度的目的，并通過相關(guān)評價指標(biāo)對比分析，驗證了算法的有效性。

1 負(fù)荷數(shù)據(jù)分析

電力負(fù)荷的大小與多種因素有關(guān)，這些因素既有不確定的因素（如天氣、溫度等），也有確定性因素。而對于短期負(fù)荷來說，在連續(xù)的負(fù)荷變化過程中，不但按小時、天變化，而且還按照星期變化，具有較大的周期性，以某市某線路負(fù)荷為例，圖1為某日24 h 內(nèi)電力負(fù)荷變化曲線。

圖1 單日負(fù)荷數(shù)據(jù)變化曲線Fig.1 Daily load data curve

由圖1 可以看出：電力系統(tǒng)短期負(fù)荷受時間因素的影響很明顯。有功功率在01∶00—05∶00 基本維持在一個比較低的負(fù)荷，主要是公共設(shè)施和倒班用電；05∶00 后用電量逐漸增加，尤其是08∶00后大量工廠企業(yè)上班后上升幅度較大，到10∶00 左右達(dá)到一個波峰，中午12∶00 左右由于企業(yè)休工，負(fù)荷有所下降。下午從17∶00—24∶00 負(fù)荷開始下降，主要因為本市工廠企業(yè)下班，此時由于加入了居民用電，相比凌晨后用電量，也相對較高。

電力負(fù)荷短期內(nèi)也呈周期性變化規(guī)律，兩周內(nèi)負(fù)荷變化如圖2 所示?？梢钥闯觯?fù)荷數(shù)據(jù)變化趨勢在單日內(nèi)都呈現(xiàn)了相似的變化規(guī)律，在工作日內(nèi)都呈現(xiàn)一個波峰，而在休息日由于本市企業(yè)較多，大量企業(yè)仍然處于用電狀態(tài)，波峰有所下降，但是仍然具有與工作日負(fù)荷變化相同的趨勢。

圖2 兩周內(nèi)負(fù)荷連續(xù)變化曲線Fig.2 Curve of load data in two weeks

綜上分析可知，線路負(fù)荷與時間因素有關(guān)，不同時刻輸出不同數(shù)值。在進(jìn)行下一時刻線路負(fù)荷預(yù)測時，需要待預(yù)測負(fù)荷時間點(diǎn)信息作為預(yù)測模型中的輸入，緩慢的溫度變化信息也影響時間和及歷史負(fù)荷數(shù)據(jù)。所以在進(jìn)行未來時刻負(fù)荷訓(xùn)練、預(yù)測時，可將當(dāng)前時刻的功率作為輸入。由于未來溫度信息的未知性，為避免更大的負(fù)荷誤差，此處不將其作為輸入[11]；同時由于用電負(fù)荷單周周期性規(guī)律，將上周的負(fù)荷數(shù)據(jù)也作為輸入進(jìn)行未來時刻負(fù)荷的預(yù)測，而上上周以前的數(shù)據(jù)因距待預(yù)測負(fù)荷時刻太長，影響程度較小，此處不予考慮。

2 RBF 神經(jīng)網(wǎng)絡(luò)建模

RBF 神經(jīng)網(wǎng)絡(luò)是單隱層的前饋網(wǎng)絡(luò)，共有3層組成，即輸入層、隱層和輸出層。其中輸入層為網(wǎng)絡(luò)的輸入向量，用于接收數(shù)據(jù)。本文采用時刻T、上一時刻負(fù)荷L1以及上周當(dāng)時負(fù)荷L2作為輸入數(shù)據(jù)。并傳遞給隱層各神經(jīng)元。其輸入層為3 個節(jié)點(diǎn)，則隱層激勵函數(shù)為

隱層激勵函數(shù)為徑向基函數(shù)，其結(jié)構(gòu)形式較多，一般為非線性函數(shù)。本文采用高斯函數(shù)進(jìn)行計算，利用Hecht Nielsen R 經(jīng)驗公式，確定隱層節(jié)點(diǎn)為7，即

式中：Cl= [cl1，cl2，cl3]T為網(wǎng)絡(luò)第l 個隱層節(jié)點(diǎn)的中心矢量，該值影響了神經(jīng)網(wǎng)絡(luò)的擬合精度；bl為第l個節(jié)點(diǎn)的基寬為所選取類中心之間的最大距離。

則輸出層函數(shù)為

式中：L 為未來時刻預(yù)測負(fù)荷輸出；wl為隱層第l個節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接權(quán)值。取RBF 的逼近性能指標(biāo)為

式中：Lm為模型訓(xùn)練得到的輸出數(shù)據(jù)，Le為實驗輸出。得到連接權(quán)值為

最后，要培養(yǎng)學(xué)生的自主學(xué)習(xí)能力，做到全面依靠學(xué)生。小學(xué)語文學(xué)習(xí)應(yīng)該是學(xué)生自主的學(xué)習(xí)，而不應(yīng)該是老師被動的傳授。生本教育提倡教師應(yīng)該做學(xué)生學(xué)習(xí)的服務(wù)者，在教學(xué)中做到不見自我，充分調(diào)動學(xué)生學(xué)習(xí)的自主性，不斷激發(fā)學(xué)生自主學(xué)習(xí)語文的興趣。這樣學(xué)生在語文課堂中才會進(jìn)行自主探索、主動思考，教師只需從旁點(diǎn)撥，及時進(jìn)行答疑。在語文學(xué)習(xí)中，自主的思考和探索比被動的灌輸更有效率，課堂教學(xué)的有效性也就更高。

式中：η 為學(xué)習(xí)速率；α 為學(xué)習(xí)動量因子；t 為迭代步數(shù)；Δwl通過梯度下降法進(jìn)行學(xué)習(xí)更新，即

在進(jìn)行模型訓(xùn)練時，將每一組樣本數(shù)據(jù)X 通過式（2）計算隱層節(jié)點(diǎn)數(shù)值，期間調(diào)用聚類得到數(shù)據(jù)，并將結(jié)果利用式（3）進(jìn)行輸出計算，通過式（4）進(jìn)行結(jié)果評價，并按照式（5）和式（6）更新權(quán)重系數(shù)，逐步迭代得到最終的訓(xùn)練模型。

3 AP 聚類算法

AP 聚類算法通過數(shù)據(jù)點(diǎn)之間的相似度矩陣進(jìn)行聚類，即采用點(diǎn)與點(diǎn)之間歐氏距離的負(fù)數(shù)進(jìn)行計算，這樣所對應(yīng)的距離越近，相似度越大。計算相應(yīng)的代表矩陣和適選矩陣，通過不斷更新，最終根據(jù)二者之和判斷出聚類中心[16]。將所有輸入樣本都作為候選的類中心點(diǎn)，不需要選定初始中心點(diǎn)，且對相似度矩陣的對稱性沒有特殊要求，具有廣泛的應(yīng)用性。

本文采用該AP 算法對數(shù)據(jù)進(jìn)行分類，確定出RBF 網(wǎng)絡(luò)的中心矢量，避免人為確定中心矢量造成任意不準(zhǔn)確性。具體算法[17]如下：

（1）初始化 求解點(diǎn)i 與點(diǎn)j 的相似度矩陣[s（i，j）]n×n，一般用負(fù)歐氏距離的平方衡量，其中n表示待訓(xùn)練數(shù)據(jù)個數(shù)，相似度矩陣對角線元素s（k，k）作為聚類中心的評判標(biāo)準(zhǔn)，該數(shù)值越大，成為聚類中心的可能性越大。初始時認(rèn)為每個數(shù)據(jù)點(diǎn)都可能作為聚類中心，故選擇相同值p〈0，該數(shù)值影響了聚類的個數(shù)，通過實驗表明增大該值可以增加聚類數(shù)目。其中，用r（i，j）表示點(diǎn)j 適合作為點(diǎn)i 的類中心程度，a（i，j）表示點(diǎn)i 選擇點(diǎn)j 作為類中心的合適程度，初始沒有確定聚類中心，各數(shù)據(jù)點(diǎn)之間無影響，則設(shè)置a（i，j）=r（i，j）=0。

（2）迭代計算 對信息量r（i，j）和a（i，j）根據(jù)文獻(xiàn)[17]中的公式進(jìn)行加權(quán)更新。對計算結(jié)果進(jìn)行判斷，r（k，k）+a（k，k）用來表示各數(shù)據(jù)點(diǎn)k 適合程度和代表程度累加總效果，認(rèn)為大于0 時可以作為類中心（相似度矩陣為負(fù)）。

（3）判斷并輸出聚類結(jié)果 由于得到的聚類中心用于神經(jīng)網(wǎng)絡(luò)的中心矢量，而隱層個數(shù)已經(jīng)確定，故聚類中心個數(shù)已經(jīng)確定，聚類完成后判斷得到的中心點(diǎn)個數(shù)是否滿足要求，如果不滿足，則改變p 值；若聚類數(shù)目大于預(yù)定數(shù)值，則需進(jìn)一步減小初始p 數(shù)值，重復(fù)進(jìn)行直至聚類個數(shù)滿足要求為止，最后輸出最終聚類結(jié)果。

4 短期負(fù)荷預(yù)測

將某市2013 年1-6 月的歷史負(fù)荷樣本數(shù)據(jù)分為訓(xùn)練樣本集和測試樣本集，分別用于訓(xùn)練網(wǎng)絡(luò)數(shù)值和進(jìn)行數(shù)據(jù)預(yù)測檢驗，每組訓(xùn)練樣本由負(fù)荷、時間組成，輸出為待預(yù)測負(fù)荷。首先提取整數(shù)點(diǎn)的有功負(fù)荷值，為保證神經(jīng)網(wǎng)絡(luò)計算，需進(jìn)行歸一化處理?？紤]未來負(fù)荷可能超出當(dāng)前數(shù)據(jù)范圍，故將目前負(fù)荷的1.2 倍作為負(fù)荷最大值，0.8 倍負(fù)荷作為最小范圍。而時間從周一00∶00 計時，直至周日23∶00 結(jié)束，以t=[0，1，2，…,168]作為輸入，體現(xiàn)負(fù)荷數(shù)據(jù)在時間上的周期循環(huán)性，該數(shù)據(jù)歸一化時，將最大最小數(shù)值作為數(shù)據(jù)范圍。采用聚類分析獲取RBF 網(wǎng)絡(luò)中心矢量，通過上述網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體流程如圖3 所示。

圖3 算法流程Fig.3 Flow chart of the algorithm

一天的訓(xùn)練結(jié)果與實際負(fù)荷對比如圖4 所示。由圖可以看出，二者基本吻合，最大絕對偏差19 MW，該誤差可以通過訓(xùn)練次數(shù)進(jìn)行調(diào)整，本文選擇訓(xùn)練次數(shù)為1 000 次。

分別利用本文算法和無聚類的神經(jīng)網(wǎng)絡(luò)進(jìn)行未來一天的日負(fù)荷計算，并進(jìn)行樣本數(shù)據(jù)檢驗，實現(xiàn)電力負(fù)荷的短期預(yù)測，得到的結(jié)果如圖5 所示。由圖可以看出，本文算法預(yù)測結(jié)果可以反映出實際數(shù)據(jù)的變化過程，其最大偏差絕對值為37 MW，而無聚類神經(jīng)網(wǎng)絡(luò)則接近60 MW，相差幾乎2 倍，表明本文算法由于提前挖掘出數(shù)據(jù)的有效信息，預(yù)測能力得到了提高。表1 給出了預(yù)測數(shù)據(jù)均方偏差MSE（mean squared error）、平均絕對偏差MAE（mean absolute error）、平均百分比偏差MPE（mean percentage error）、平均絕對百分偏差MAPE（mean absolute percentage error）4 個指標(biāo)評價。通過對比發(fā)現(xiàn)，加入聚類算法后，預(yù)測誤差的整體指標(biāo)變小，預(yù)測精度得到了提高。

圖4 AP-RBFNN 訓(xùn)練結(jié)果Fig.4 Training results via AP-RBFNN

圖5 預(yù)測結(jié)果對比Fig.5 Comparison of the prediction results

表1 預(yù)測誤差指標(biāo)比較Tab.1 Comparison of indices for forecasting error

5 結(jié)論

（1）將近鄰聚類的AP 算法引入到RBF 神經(jīng)網(wǎng)絡(luò)中心矢量確定當(dāng)中，實現(xiàn)對數(shù)據(jù)信息的最大挖掘，提取更有效的數(shù)據(jù)信息，從而增強(qiáng)了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的精度以及可靠性。

（2）在算法設(shè)計中，采用時刻、上周負(fù)荷和前日負(fù)荷對下一個工作日電力負(fù)荷進(jìn)行了短期預(yù)測，通過數(shù)據(jù)結(jié)果驗證了算法思路的有效性，但由于沒有考慮外界天氣狀況等隨機(jī)因素影響，在部分時刻進(jìn)行負(fù)荷預(yù)測時仍存在偏差，因此能否將統(tǒng)計思想與神經(jīng)網(wǎng)絡(luò)結(jié)合進(jìn)行預(yù)測，或者如何有效利用已有歷史數(shù)據(jù)進(jìn)一步提高預(yù)測精度，是后續(xù)的研究工作。

[1]耿光飛，郭喜慶（Geng Guangfei，Guo Xiqing）. 模糊線性回歸法在負(fù)荷預(yù)測中的應(yīng)用（Application of fuzzy linear regression to load forecasting）[J]. 電網(wǎng)技術(shù)（Power System Technology），2002，26（4）：19-21.

[2]楊正瓴，張廣濤，林孔元（Yang Zhengling，Zhang Guangtao，Lin Kongyuan）. 時間序列法短期負(fù)荷預(yù)測準(zhǔn)確度上限估計（Upper limit estimating of short term load forecasting precision by time series analysis）[J]. 電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU-EPSA），2004，16（2）：36-39.

[3]李響，黎燦兵，曹一家，等（Li Xiang，Li Canbing，Cao Yijia，et al）. 短期負(fù)荷預(yù)測的解耦決策樹新算法（New algorithm of short-term load forecasting according to decision tree and decoupling）[J]. 電力系統(tǒng)及其自動化學(xué)報（Proceedings of the CSU-EPSA），2013，25（3）：13-19.

[4]沈梁玉，于欣（Shen Liangyu，Yu Xin）. 基于支持向量機(jī)的夏季電力負(fù)荷短期預(yù)測方法 （SVM-based short-term forecasting methods for summer power loads）[J]. 華 東 電力（East China Electric Power），2009，37（11）：1844-1847.

[5]黃帥棟，衛(wèi)志農(nóng)，高宗和，等（Huang Shuaidong，Wei Zhinong，Gao Zonghe，et al）. 基于非負(fù)矩陣分 解的相關(guān)向量機(jī)短期負(fù)荷預(yù)測模型 （A short-term load forecasting model based on relevance vector machine with nonnegative matrix factorizaiton）[J]. 電力系統(tǒng)自動化（Automation of Electric Power Systems），2012，36（11）：62-66.

[6]張振高，楊正瓴（Zhang Zhengao，Yang Zhengling）. 短期負(fù)荷預(yù)測中的復(fù)荷求導(dǎo)法及天氣因素的使用（Load derivation in short term forecasting using weather factor）[J]. 電力系統(tǒng)及其自動化學(xué)報 （Proceedings of the CSUEPSA），2006，18（5）：79-83.

[7]張 昀，周 湶，任 海 軍，等（Zhang Yun，Zhou Quan，Ren Haijun，et al）. 改進(jìn)人工免疫網(wǎng)絡(luò)算法在電力短期負(fù)荷預(yù)測中的應(yīng)用（Application and research of improved artificial immune network to power short-term load forecasting）[J]. 重慶大學(xué)學(xué)報（Journal of Chongqing University），2013，36（4）：33-38.

[8]張 剛，劉 福 潮，王 維 州，等（Zhang Gang，Liu Fuchao，Wang Weizhou，et al）. 電網(wǎng)短期負(fù)荷預(yù)測的BP-ANN 方法及應(yīng)用（BP-ANN method for power grid short-term load forecasting and its application）[J]. 電 力 建 設(shè)（Electric Power Construction），2014，35（3）：54-58.

[9]楊曉忠，司夢（Yang Xiaozhong，Si Meng）. 應(yīng)用最小二乘支持向量機(jī)進(jìn)行短期負(fù)荷預(yù)測的研究與實現(xiàn)（Study and implementation of theory on short-term load forecasting）[J]. 河南理工大學(xué)學(xué)報：自然科學(xué)版（Journal of Henan Polytechnic University：Natural Science），2013，32（3）：327-331.

[10]張群洪（Zhang Qunhong）. 基于集成智能方法的電力短期負(fù)荷預(yù)測 （A model for short-term load forecasting in power system based on multi-AI methods）[J]. 系統(tǒng)工程理論 與 實 踐 （Systems Engineering-Theory & Practice），2013，33（2）：354-362.

[11]崔和瑞，宋秀莉，葛曼倩（Cui Herui，Song Xiuli，Ge Manqian）. 基于數(shù)據(jù)挖掘的FNN 短期電力負(fù)荷預(yù)測方法研究 （Research on FNN short-term electric load forecasting based on data mining technology）[J]. 電力系統(tǒng)保護(hù)與控制（Power System Protection and Control），2009，37（22）：54-57.

[12]Hong Xia，Chen Sheng.A new RBF network with boundary value constraints[J].IEEE Trans on Systems，Man and Cybernetics，2009，39（1）：298-303.

[13]Meng Ke，Dong Zhaoyang，Wang Dianhui，et al. A selfadaptive RBF neural network classifier for transformer fault analysis [J].IEEE Trans on Power Systems，2010，25（3）：1350-1360.

[14]Leong T K，Saratchandran P，Sundararajan N. Real-time performance evaluation of the minimal radial basis function network for identification of time varying nonlinear systems[J]. Computers and Electrical Engineering，2002，28（2）：103-117.

[15]穆青青，伍永剛，楊紀(jì)明（Mu Qingqing，Wu Yonggang，Yang Jiming）. “負(fù)荷趨勢+混沌” 預(yù)測法的改進(jìn)（Improved method for short-term load forecasting based on synthesizing load trend and chaos）[J]. 電力系統(tǒng)及其自動化學(xué)報 （Proceedings of the CSU-EPSA），2013，25（6）：160-166.

[16]儲岳中，徐波（Chu Yuezhong，Xu Bo）. 基于流形分析與AP 算法RBF 神經(jīng)網(wǎng)絡(luò)分類器（RBF neural network classifier based on manifold analysis and AP algorithm）[J].華中科技大學(xué)學(xué)報：自然科學(xué)版（Journal of Huazhong University of Science and Technology：Natural Science Edition），2012，40（8）：93-97.

[17]肖宇，于劍（Xiao Yu，Yu Jian）. 基于近鄰傳播算法的半監(jiān)督聚類 （Semi-supervised clustering based on affinity propagation algorithm）[J]. 軟件學(xué)報（Journal of Software），2008，19（11）：2803-2813.