基于特性分析的改進BP神經(jīng)網(wǎng)絡(luò)短期電力預(yù)測方法

張武軍，程遠林，周捷，潘軒

(1.中國能源建設(shè)集團湖南省電力設(shè)計院有限公司，湖南長沙410007；2.湖南省清潔能源與智能電網(wǎng)協(xié)同創(chuàng)新中心，湖南長沙410004；3.長沙理工大學(xué)，湖南長沙410004)

0 引言

電力的安全供應(yīng)對人民的生產(chǎn)生活乃至國民經(jīng)濟穩(wěn)定運行都十分關(guān)鍵[1-2],安全供應(yīng)與日最大負荷 (簡稱:負荷)和用電量相關(guān)。因此,開展“迎峰度冬”等用能高峰期的短期電力預(yù)測工作,對于預(yù)判電力供需形勢、加強電力系統(tǒng)運行管理、確保電力供應(yīng)平穩(wěn)有序具有重要意義。

電力負荷的影響因素十分復(fù)雜,且多為非線性因素,這給短期電力負荷的預(yù)測帶來了挑戰(zhàn)[3]。為了提高短期預(yù)測模型的性能,文獻 [4]采用綜合氣象因子作為輸入,并應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)建立短期負荷預(yù)測模型,一定程度上改善了預(yù)測精度；文獻 [5]利用貓群算法對BP神經(jīng)網(wǎng)絡(luò)進行改進,建立了短期負荷預(yù)測模型,并驗證了模型精度有效性；文獻 [6]基于主成分分析與遺傳算法集合,提高了收斂速度。然而,目前短期預(yù)測多是單一提高預(yù)測精度或收斂速度,較少同時把握兩者,因此同時考慮短期預(yù)測的精度與收斂速度具有研究價值。

目前用于短期電力負荷預(yù)測的方法很多,常見的有時間序列法、指數(shù)平滑法、灰色預(yù)測法和人工神經(jīng)網(wǎng)絡(luò)法等[7-8]。其中 BP(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)有較強的非線性映射能力、高度自學(xué)習(xí)自適應(yīng)能力、容錯能力和靈活性等優(yōu)點,吻合短期負荷預(yù)測的特點,但存在易陷入局部極小[9]和學(xué)習(xí)收斂慢[10-11]等現(xiàn)象。

因此,文章分析電力負荷預(yù)測的影響因素和歷史電力負荷、用電量之間的特性關(guān)系,將影響因素分為長期、短期性影響因素,將歷史電力負荷、用電量均分為基準量和敏感量,并用決定系數(shù)確定所需短期影響因素,提高了方法收斂速度；應(yīng)用遺傳算法 (Genetic Algorithm,GA)對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化,并將BP神經(jīng)預(yù)測誤差作為遺傳算法的適應(yīng)度函數(shù),提高了方法預(yù)測精度。選取某省2015—2019五年 “迎峰度冬”期間數(shù)據(jù)進行驗證,結(jié)果表明,基于特性分析的改進BP神經(jīng)網(wǎng)絡(luò)短期電力方法精度和收斂速度都得到了提高。

1 特性分析與數(shù)據(jù)提取

1.1 影響因素特性分析

影響短期負荷的因素是復(fù)雜的,主要包括經(jīng)濟因素、政治因素、電價因素、氣象因素等,因為前三者短期內(nèi)具有穩(wěn)定性,且對短期電力負荷預(yù)測影響較小,可歸類為長期性影響因素,在短期預(yù)測時可以忽略。短期影響因素是指短期內(nèi)變化大的因素,其影響最大的為氣象因素[12-13],氣象因素包括氣溫、氣候類型和濕度等。

1.2 負荷與電量特性分析

一般情況下氣象因素中氣溫因素的變化對用電負荷影響較大,例如夏季炎熱空調(diào)降溫、冬季氣溫降低取暖所用負荷稱之為氣象敏感負荷量 (簡稱為:敏感量),但也存在部分負荷是不隨氣溫變化的,例如照明、工業(yè)運行負荷稱之為基準負荷量(簡稱為:基準量)。一般情況下,敏感量主要受短期影響因素影響,基準量主要受長期影響因素影響。

如圖1、2所示,以2016—2018年負荷、用電量說明,由于4、5月和10月氣溫比較適宜,負荷與用電量在此期間內(nèi)相對比較穩(wěn)定,考慮選擇這些月份的平均量作為年度基準量,以此原則確定2015—2019年 “迎峰度冬”期間基準量,見表1。

圖1 2016—2018年負荷曲線

圖2 2016—2018年用電量曲線

表1 2015—2019年負荷與用電量提取結(jié)果

1.3 數(shù)據(jù)提取與處理

考慮氣象因素越多,對提高預(yù)測精度越有利,但是選擇因素變量過多,將導(dǎo)致預(yù)測方法過于復(fù)雜,影響計算效率[14]。此外,同一因素的細致描述,可提高預(yù)測的精度,例如氣溫就包含最低氣溫、最高氣溫和平均氣溫。因此,選取決定系數(shù)法確定敏感量影響因素。

1.3.1 數(shù)據(jù)提取與處理

在氣溫信息中,最低氣溫、最高氣溫和平均氣溫對負荷都存在影響,因為省級行政區(qū)地域較廣,省內(nèi)各地市氣溫存在較大區(qū)別,所以,將各地市氣溫進行加權(quán)處理來表征全省氣溫狀態(tài)。以平均氣溫為例,設(shè)n個地市的平均氣溫,分別記為T1、T2…Tn,以上一年度負荷占比K1、K2…Kn作為權(quán)重,則全省加權(quán)平均氣溫為:

應(yīng)用決定系數(shù)法[15]判定加權(quán)最低氣溫、最高氣溫和平均氣溫與負荷、電量之間的關(guān)系,見表2。

表2 2015—2018年用電量、負荷與加權(quán)氣溫決定系數(shù)

決定系數(shù)絕對值均大于0.5,表明氣溫與負荷、用電量有著顯著的相關(guān)性。此外,隨著時間推移決定系數(shù)絕對值普遍有增大趨勢,表明電力負荷、日用電量與氣溫的耦合關(guān)聯(lián)關(guān)系在逐步增強,也更加說明氣溫對短期負荷、用電量預(yù)測的重要性。

1.3.2 天氣類型與節(jié)假日數(shù)據(jù)

考慮到天氣類型對負荷的影響,將天氣類型劃分為晴天、多云/陰天、小雨、中雨、大雨、雪/凍雨六個等級?？紤]節(jié)假日相關(guān)因素對負荷、用電量的影響,對工作日以及節(jié)假日類型可以細分為四類:春節(jié)、其他法定節(jié)假日、周末、工作日。

如圖3所示,說明天氣類型對冬季負荷的影響,黑色區(qū)域是其他因素相近情況下,所對應(yīng)天氣類型負荷的波動范圍。顯然,天氣越惡劣,負荷越大。

圖3 天氣因素說明圖

2 基于遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)方法,屬于全局逼近的方法,能很好地實現(xiàn)復(fù)雜變量的非線性映射和數(shù)據(jù)聯(lián)想記憶功能,其主要思路是輸入信號的正向流動以及誤差的逆向流動。常見BP結(jié)構(gòu)如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)示意圖

其中,輸入向量為X,隱層輸出向量Y,輸出向量為O,輸入層到隱層的權(quán)重為V,隱層到輸出層的權(quán)重向量為W,X0、Y0分別為輸入層和隱層的閾值,均取值-1。當(dāng)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型時,如果輸出向量O為與期望向量P不滿足收斂要求,則通過計算誤差調(diào)整向量為V與向量W,直至輸出與期望滿足要求。

BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值非常重要,當(dāng)其參數(shù)設(shè)置不正確,網(wǎng)絡(luò)收斂速度將會變慢,網(wǎng)絡(luò)將陷入局部最優(yōu),無法滿足要求。

2.2 遺傳算法

遺傳 (GA)算法是一種模擬自然界遺傳機制及生物進化論的一種并行隨機搜索最優(yōu)化方法,其具有的全局搜索能力較強,正好可以彌補BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的缺點。因此,通過遺傳算法得到更好的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值,其基本思想是用個體代表網(wǎng)絡(luò)的初始權(quán)值和閾值,個體值初始化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差作為GA的適應(yīng)度值,通過選擇、交叉和變異操作尋找最優(yōu)個體,即最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值。

GA算法主要包括種群初始化、選擇操作、交叉操作、變異操作、適應(yīng)度函數(shù)五個部分[16-17]。文章定義適應(yīng)度函數(shù)和選擇操作如下:

其中,Fi為第i個群體的適應(yīng)度值,Pi為第i個群體被選擇的概率,k為群體規(guī)模。

2.3 遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)

遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的流程結(jié)構(gòu)如圖5所示。

圖5 遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)流程

2.4 基于特性分析的改進BP短期電力預(yù)測方法

基于影響因素特性分析、負荷特性分析,短期影響因素主要考慮氣象因素和節(jié)假日類型作為輸入量,其中氣象因素中重點刻畫了加權(quán)最低溫度、加權(quán)最高溫度、加權(quán)平均溫度和天氣類型,整體預(yù)測方法如圖6所示。

圖6 預(yù)測方法流程

3 仿真分析及結(jié)果展示

3.1 參數(shù)與設(shè)置說明

選取某省2015—2019五年 “迎峰度冬”期間歷史數(shù)據(jù)進行分析,共計550組數(shù)據(jù),采樣周期為1天?；贛atlab搭建,進行BP訓(xùn)練前先應(yīng)用遺傳算法進行權(quán)值優(yōu)化,遺傳算法群體規(guī)模50,終止迭代次數(shù)500,交叉概率0.2,變異概率取0.01；BP神經(jīng)網(wǎng)絡(luò)隱層設(shè)置為2層,隱層激活函數(shù)tansig,輸出激活函數(shù)purelin,520組數(shù)據(jù)訓(xùn)練,15組測試,權(quán)值與閾值由遺傳算法優(yōu)化得到。

3.2 負荷與用電量預(yù)測

為驗證分析方法有效性,把前面535組數(shù)據(jù)作為訓(xùn)練集合,把最后15組數(shù)據(jù)作為測試集合。設(shè)置三個方案,并從計算時間、收斂精度兩方面考核分析。

方案1:僅考慮改進BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法。方案2:僅考慮特性分析的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法。

方案3:基于特性分析的改進BP短期電力預(yù)測方法。

為了分析各方案的區(qū)別,計算時間選取迭代次數(shù),收斂精度選取均方誤差對比。

如圖7所示,預(yù)測統(tǒng)調(diào)負荷時三種方案的性能對比。對比方案1與方案2可知,方案1的精度比方案2高,這說明基于遺傳算法改進BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值后,避免了陷入局部最優(yōu)；方案2比方案1收斂速度快,說明考慮負荷與影響因素特性可以減少無效輸入,從而提高收斂速度。

圖7 預(yù)測負荷下不同方案性能對比

如圖8、9所示,結(jié)合圖7可知,預(yù)測統(tǒng)調(diào)最高負荷時,方案3基于特性分析的改進BP短期電力預(yù)測方法同時具備了收斂速度快和預(yù)測精度高的特性,統(tǒng)調(diào)最高負荷預(yù)測精度可以達到±2%以內(nèi),滿足工程應(yīng)用需求,說明了所建立方法的有效性。

圖8 不同方案下的負荷預(yù)測

圖9 不同方案下的負荷預(yù)測誤差分析

同理,分析圖10、11和圖12說明所建立方法能準確預(yù)測用電量,進一步驗證了所提方法的有效性。

圖10 預(yù)測用電量下不同方案性能對比

圖11 不同方案下的用電量預(yù)測

圖12 不同方案下的用電量預(yù)測誤差分析

受用電結(jié)構(gòu)及電力負荷特性影響,目標省份“迎峰度冬”期間最高電力負荷、日用電量受氣溫等因素變化非常明顯。在此預(yù)測方法基礎(chǔ)上,結(jié)合未來一段時期氣象預(yù)報數(shù)據(jù)開展短期負荷預(yù)測,提前制訂電力供應(yīng)保障預(yù)案,目前已在進行試點使用,對保障電力安全穩(wěn)定運行和可靠供應(yīng)具有重要意義。

4 結(jié)語

1)針對單一BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測收斂慢的情況,深入分析了影響因素與統(tǒng)調(diào)量特性之間的作用關(guān)系,將負荷、用電量分解為基準量與敏感量,結(jié)果表明,考慮影響因素、負荷和用電量特性能加快收斂速度。

2)針對單一BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的情況,采用全部搜索能力較強的GA對BP神經(jīng)網(wǎng)絡(luò)進行改進,得到了改進后的BP神經(jīng)網(wǎng)絡(luò)方法。結(jié)果表明,改進BP神經(jīng)網(wǎng)絡(luò)方法能有效提高預(yù)測精度,目前已在試點使用。

3)基于特性分析的改進BP神經(jīng)網(wǎng)絡(luò)短期電力預(yù)測方法的分類思想、論證過程具有一定遷移作用,值得借鑒。