PSO-BP的短期電力負荷預(yù)測

安徽理工大學(xué) 周 莉 張 珂

應(yīng)對短期電力負荷預(yù)測需求的提高，本文提出了一種BP神經(jīng)網(wǎng)絡(luò)的粒子群優(yōu)化方法（PSO-BP算法）。通過對某地區(qū)短期負荷樣本開展預(yù)處理，構(gòu)建了基于PSO-BP的電力負荷預(yù)測模型。由實驗結(jié)果可知，PSO-BP模型預(yù)測收斂速度快，精密度有一定的提高，運行時間縮短。

1 背景

社會不斷發(fā)展，用電量在增加，需求也在提高。為有效降低“發(fā)輸變配”等過程損耗，要制定準確的發(fā)電計劃并合理調(diào)度。在我們制定計劃和提出方案時，準確的負荷預(yù)測能為其提供合理的參考依據(jù)。

短期負荷預(yù)測一般是猜測未來24H或幾天的電力需求。在供電調(diào)度和供電規(guī)劃需求量的提升下，短期電力負荷預(yù)測為其提供了重要保障。它也在傳統(tǒng)電力系統(tǒng)和無管制電力系統(tǒng)的運行中起著關(guān)鍵作用，是電力系統(tǒng)經(jīng)濟可靠運行的有效工具。

常用的電力負荷預(yù)測方法如表1所示。

表1 常用電力負荷預(yù)測方法

在當前新型電力能源市場環(huán)境下，為了適應(yīng)更加靈活多變的時代節(jié)奏。本文提出建立一種PSO-BP模型，利用粒子群多輸入輸出能以最快速度靠近最優(yōu)解得特性，再混合BP神經(jīng)網(wǎng)絡(luò)算法建立模型。通過繪制MATLAB仿真模型，經(jīng)仿真證明，此算法減小了對網(wǎng)絡(luò)收斂性和學(xué)習(xí)效率的影響。將數(shù)據(jù)集帶入該模型后，能提高收斂速度，誤差降到了0.0947。

2 歸一化處理

有時，不同的數(shù)據(jù)范圍、格式和類型會導(dǎo)致錯誤。由此，為了保證數(shù)據(jù)的質(zhì)量，在呈周期性的時間間隔內(nèi)，剔除無效數(shù)據(jù)、非標準數(shù)據(jù)和錯誤數(shù)據(jù)對于在短期電力負荷預(yù)測的情況下顯得尤為重要。所以第一步要對樣本進行歸一化處理。具體方法如下：

式中，Xn’為處理結(jié)果；Xn為樣本電力數(shù)據(jù)；Xmax為樣本最大值；Xmin為最小值。

處理完后數(shù)據(jù)的范圍[0,1]。再反歸一化操作，得到有量綱的預(yù)測數(shù)據(jù)：

3 PSO-BP預(yù)測模型

3.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)的概念在1986年被提出。它采用簡單的三層網(wǎng)絡(luò)，具體分為兩個步驟：首先信號的前向傳播，順著輸入到輸出計算實際輸出；再進行誤差的后向傳播，再逆方向校正權(quán)重和閾值。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)圖

3.2 粒子群算法

粒子群算法（Particle Swarm Optimization），是一種新型進化計算方法，它建立在鳥群聚集不斷疊加最后定位于最佳覓食區(qū)域。PSO是一種迭代優(yōu)化工具。D維空間中，量綱不變的情況下，初始化有Z個隨機粒子組成一個粒子群體。假設(shè)其中第i個粒子的空間位置為Xi=(Xi1，Xi2，…，XiD)，(i=1，2，…，Z)，這個粒子的位置作為優(yōu)化的一個潛在解。我們的目標就是不斷更新這個位置，通過迭代找到“極值”。列出優(yōu)化函數(shù)，將i粒子的位置代入，得到適應(yīng)值，以此來判別Xi的好壞。經(jīng)過第N代后，第i個粒子所經(jīng)歷過的位置作為歷史最佳，記為Pi=(Pi1，Pi2，…，PiD)；同時其各自飛行速度為Vi=(Vi1，Vi2，…，ViD)；迭代結(jié)束后，粒子群的歷史最佳位置記為Pg=(Pg1，Pg2，…，PgD)。每一代粒子，其第d維(1≤d≤D)的速度與位置迭代規(guī)律詳見(1)、(2)所示。

式中，u為慣性權(quán)值，代表部分尋優(yōu)能力；c1和c2代表加速系數(shù)；r1和r2為隨機數(shù)，在[0,1]內(nèi)變化。

3.3 優(yōu)化過程

計算BP網(wǎng)絡(luò)的隱含層節(jié)點數(shù)，通常采用剪枝或分步構(gòu)造法。在試行過程中，其個數(shù)會不停變化，初始權(quán)值和閾值也要更改，保持不對稱性。由此，會讓網(wǎng)絡(luò)收斂性不穩(wěn)定，學(xué)習(xí)效率變差。為了減小這種影響，本課題采用新方式，對每個網(wǎng)絡(luò)都設(shè)定N個不同初始權(quán)值和閾值的BP網(wǎng)絡(luò)，再采用PSO-BP算法進行優(yōu)化。在初始化不同的網(wǎng)絡(luò)中，經(jīng)過算法訓(xùn)練，邏輯判斷，最終得到的BP網(wǎng)絡(luò)誤差最小。優(yōu)化過程如圖2所示。

圖2 PSO-BP算法流程圖

4 實驗部分

當外部影響因素大致相同時，在相同時間段內(nèi)，因為短期負荷曲線的周期性和連續(xù)性的特點，負載變化趨向基本相同，峰谷負荷的時間基本一致。由此，本文利用某一地點每15min采樣的電力負荷數(shù)據(jù)，經(jīng)過預(yù)處理后，搭建模型，利用PSO-BP算法進行預(yù)測。預(yù)測原理如圖3所示。

圖3 預(yù)測原理圖

本課題的仿真環(huán)境為MATLAB2020b，本課題采用某地的每15min采樣的電力負荷數(shù)據(jù)建立預(yù)測模型。900個樣本用以建立模型作為訓(xùn)練，100個作為檢驗。建立PSO-BP預(yù)測模型后，把樣本代入預(yù)測電力負荷。通過對比PSO-BP和BP模型的均方誤差（MSE）來評價模型優(yōu)劣，結(jié)果如表2所示。

表2 均方誤差對比

N個樣本，X為真實值，X’為預(yù)測值。

通過比較兩種預(yù)測模型結(jié)果，和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比，PSO-BP預(yù)測模型的均方差誤差更小，能一定程度上改善收斂性能。從效果圖來看，輸入輸出之間的映射能力有一定的提高，誤差降低至0.0947。

把樣本代入PSO-BP模型中實行電力負荷預(yù)測，得到模型預(yù)測效果曲線如圖4所示。得到預(yù)測誤差如圖5所示。將樣本代入BP神經(jīng)網(wǎng)絡(luò)模型中，得到對比圖如圖6所示。

圖4 輸出測試集預(yù)測效果（PSO-BP）

圖5 輸出測試集誤差（PSO-BP）

圖6 輸出測試集預(yù)測效果（BP）

結(jié)論：本課題采用PSO-BP算法和BP神經(jīng)網(wǎng)絡(luò)兩種模型對同一地點的同一數(shù)據(jù)集進行預(yù)測。結(jié)果表明，與基本BP算法訓(xùn)練結(jié)果相比，粒子群多數(shù)入多輸出優(yōu)化BP網(wǎng)絡(luò)的模型，一定程度上提高了學(xué)習(xí)能力，使試驗不局限于單純的網(wǎng)絡(luò)結(jié)構(gòu)。