基于GA—BP算法的呼和浩特地區(qū)短期電力負(fù)荷預(yù)測

陳英慧+商淼+李婷+高紅艷

摘 要：電力負(fù)荷預(yù)測要求有較高的精度，負(fù)荷預(yù)測的參數(shù)和預(yù)測結(jié)果之間呈現(xiàn)出非線性的關(guān)系，如何能更好的解決參數(shù)和結(jié)果之間的非線性關(guān)系才能更好的提高預(yù)測結(jié)果的精度。本文通過實(shí)例表明基于GA-BP模型的電力負(fù)荷預(yù)測能夠很好的適應(yīng)這種非線性關(guān)系，計(jì)算結(jié)果有著較高的精度。

關(guān)鍵詞：電力系統(tǒng)；負(fù)荷預(yù)測；神經(jīng)網(wǎng)絡(luò)；遺傳算法（GA）

DOI：10.16640/j.cnki.37-1222/t.2018.05.146

1 緒論

電力負(fù)荷預(yù)測是以電力負(fù)荷為對象進(jìn)行的一系列預(yù)測工作。從預(yù)測對象來看，電力負(fù)荷預(yù)測包括對未來電力需求量（功率）的預(yù)測和對未來用電量（能量）的預(yù)測以及對負(fù)荷曲線的預(yù)測[1]。電力負(fù)荷預(yù)測是電力系統(tǒng)中極其重要的工作，對電力系統(tǒng)的生產(chǎn)運(yùn)行及電力系統(tǒng)自動化有著極其重要的意義，同時也是電力系統(tǒng)經(jīng)濟(jì)運(yùn)行的基礎(chǔ)。隨著計(jì)算機(jī)相關(guān)領(lǐng)域的不斷發(fā)展，尤其是基于深度學(xué)習(xí)的人工智能的領(lǐng)域的不斷深入的研究，更加準(zhǔn)確的預(yù)測電力系統(tǒng)的負(fù)荷成為可能。并且，電力系統(tǒng)對于負(fù)荷預(yù)測的精度要求也是不斷地提高，所以，如何能夠更加準(zhǔn)確的預(yù)測電力負(fù)荷有著極其現(xiàn)實(shí)的意義。

電力負(fù)荷預(yù)測受氣象，國家能源政策，人民收入水平，經(jīng)濟(jì)發(fā)展的程度和經(jīng)濟(jì)的結(jié)構(gòu)的等多方面的因素的影響，影響因素中各個方面都具有一定的隨機(jī)性和非線性，如何很好的適應(yīng)其中的非線性和隨機(jī)性對于預(yù)測算法具有很高的要求[2-4]。本文得到結(jié)果與實(shí)際生產(chǎn)運(yùn)行的結(jié)果進(jìn)行比較表明本文所使用的方法對于非線性具有較好的適應(yīng)性，預(yù)測的結(jié)果有較高的精度，預(yù)測的結(jié)果可以做為實(shí)際的電力生產(chǎn)的依據(jù)。

2 GA-BP模型電力負(fù)荷預(yù)測的原理

BP神經(jīng)網(wǎng)絡(luò)使用三層感知器，分別為輸入層，隱藏層和輸出層。輸出層的誤差通過反向傳播至輸入層，在傳播過程中，將誤差分?jǐn)偨o各層的所有單元，從而獲得各層所有單元的誤差信號，并通過此誤差信號作為修正各單元的權(quán)重的依據(jù)[5]。

遺傳算法（Genetic Alogrithm，GA）起源于對生物系統(tǒng)所進(jìn)行的計(jì)算機(jī)的模擬。它是模仿自然界生物的進(jìn)化機(jī)制發(fā)展起來的隨機(jī)全局搜索和優(yōu)化方法，借鑒了達(dá)爾文的進(jìn)化論和孟德爾的遺傳學(xué)說，其本質(zhì)是一種高效、并行、全局的搜索方法，能在搜索的過程中自動獲取和積累有關(guān)搜索的空間知識，并自適應(yīng)地控制搜索過程以求得最佳解。遺傳算法使用適者生存的原則，在潛在的解決方案中逐次產(chǎn)生近似的最優(yōu)的方案。在遺傳算法的每一代中，根據(jù)個體在問題域中的適應(yīng)度，通過選擇，交叉，和變異對個體進(jìn)行再造，產(chǎn)生一個新的近似解，得到的新的個體比原個體更能適應(yīng)環(huán)境。

近些年，BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法可以更好的提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，遺傳算法可以克服BP神經(jīng)網(wǎng)絡(luò)的不足，通過遺傳算法可以使得BP神經(jīng)網(wǎng)絡(luò)獲得的更好的參數(shù)。對于BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的方法應(yīng)該給予更多的重視。

BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元j的輸出為：，為之前神經(jīng)元的輸出，為神經(jīng)元k和神經(jīng)元j之間的權(quán)重。激活函數(shù)的表達(dá)形式為：。BP神經(jīng)網(wǎng)絡(luò)預(yù)測具有較好的精度，但是同時BP神經(jīng)網(wǎng)絡(luò)也具有收斂慢，同時容易局部收斂的缺點(diǎn)，通過GA算法調(diào)整BP神經(jīng)網(wǎng)絡(luò)的各神經(jīng)元的權(quán)重和BP算法的初始權(quán)重可以很容易的克服BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)?？梢约尤隚A算法對其BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重進(jìn)行優(yōu)化，其步驟如下：

（1）生成初代權(quán)重。

（2）通過選擇、交叉、變異，生成子代權(quán)重。

（3）驗(yàn)證是否符合適應(yīng)函數(shù)，其中。

（4）不斷的迭代直至最終生成函數(shù)符合（3）的條件，迭代結(jié)束。

3 基于GA-BP算法的短期電力負(fù)荷預(yù)測的研究

利用呼和浩特某地區(qū)電網(wǎng)的從2017-2-1到2017-3-1日每天0時到24時的負(fù)荷數(shù)據(jù)做為訓(xùn)練樣本，2017-3-2到2017-3-15日每天0時到24時的負(fù)荷做測試樣本，并對2017-3-16到2017-3-26日的負(fù)荷進(jìn)行預(yù)測，結(jié)果見表1。預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)的對比圖見圖1。

如圖1所示預(yù)測曲線和實(shí)際的負(fù)荷曲線基本接近，從表一中可以看出其相對誤差的最大值不超過4%，可以看出GA-BP模型的精度較高，可以應(yīng)用到實(shí)際生產(chǎn)中的電力負(fù)荷預(yù)測當(dāng)中。

4 結(jié)論

將遺傳算法應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)測，通過上述討論，可以得出以下結(jié)論：

（1）該模型對電力負(fù)荷預(yù)測結(jié)果符合期望，對電力負(fù)荷預(yù)測有較高的精度。

（2）參數(shù)和結(jié)果之間具有非線性，用遺傳算法進(jìn)行電力負(fù)荷預(yù)測，對于非線性有較好的適應(yīng)性。

（3）本文使用自適應(yīng)算法對遺傳算法進(jìn)行了改進(jìn)，避免了遺傳算法中的收斂緩慢和局部極小的問題，提高了運(yùn)算速度和預(yù)測的精度。為電力負(fù)荷預(yù)測提供了一種改進(jìn)的方法，該方法預(yù)測的結(jié)果可以為電力生產(chǎn)和規(guī)劃提供參考。

參考文獻(xiàn)：

[1]牛東曉.電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用[M].中國電力出版社，2009.[2]曾德明.電力負(fù)荷的預(yù)測方法的建模與仿真[J].計(jì)算機(jī)仿真，2011.

[3]原媛.電力負(fù)荷特性分析及中長期負(fù)荷預(yù)測方法研究[M].上海交通大學(xué)，2008.

[4]師兵兵.神經(jīng)網(wǎng)絡(luò)預(yù)測中長期電力負(fù)荷對比研究[J].繼電器，2007.

[5]劉政生.基于BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測算法[J].自動化應(yīng)用，

2012（06）.

作者簡介：陳英慧（1983-），男，河北淶源人，碩士，助教，研究方向：電力系統(tǒng)穩(wěn)定、電機(jī)設(shè)備。