基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)

　　摘要： 電力系統(tǒng)的短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)保證穩(wěn)定運(yùn)行的重要環(huán)節(jié)，也是區(qū)域配電調(diào)度的重要依據(jù)。為了提高短期負(fù)荷預(yù)測(cè)的精準(zhǔn)度與穩(wěn)定性，本文提出一種基于粒子群算法與遺傳算法共同優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)方法。針對(duì)BP神經(jīng)網(wǎng)絡(luò)存在的權(quán)值取值不確定、收斂速度慢等問(wèn)題，將粒子的維度空間與人工神經(jīng)網(wǎng)絡(luò)的權(quán)值建立映射關(guān)系，使得神經(jīng)網(wǎng)絡(luò)的均方誤差作為粒子群的適應(yīng)函數(shù)，同時(shí)，引入遺傳算法對(duì)其迭代過(guò)程進(jìn)行優(yōu)化，利用遺傳算法全局搜索能力對(duì)極值進(jìn)行搜索，并對(duì)粒子的適應(yīng)度進(jìn)行分類。最后通過(guò)實(shí)例分析，證明了該方法的有效性。

　　關(guān)鍵詞： 短期負(fù)荷預(yù)測(cè); BP神經(jīng)網(wǎng)絡(luò); 粒子群算法; 遺傳算法

　　1 引言

　　我國(guó)是一個(gè)能源消費(fèi)大國(guó)，電力產(chǎn)業(yè)的穩(wěn)定運(yùn)行是國(guó)家深化改革的有力保障，是實(shí)現(xiàn)兩個(gè)一百年的重要基石。電力的發(fā)展往往預(yù)示著國(guó)家經(jīng)濟(jì)的發(fā)展水平，中國(guó)經(jīng)濟(jì)的持續(xù)高速增長(zhǎng)使得全社會(huì)的用電量也保持了較快的增長(zhǎng)趨勢(shì)，然而快速增長(zhǎng)的供電需求給電力部門帶來(lái)了壓力，加之電煤供應(yīng)吃緊、水利供電不足等問(wèn)題的影響，因此如何保障電力系統(tǒng)的平衡供應(yīng)已經(jīng)成為一個(gè)至關(guān)重要的問(wèn)題[1]。

　　電力系統(tǒng)負(fù)荷預(yù)測(cè)是指從需求供給側(cè)出發(fā)，基于電網(wǎng)負(fù)荷的歷史數(shù)據(jù)，結(jié)合現(xiàn)有的重要因素，預(yù)測(cè)接下來(lái)某段時(shí)間某地區(qū)的用電負(fù)荷值。由于現(xiàn)實(shí)中電能無(wú)法進(jìn)行大量存儲(chǔ)，且發(fā)電、供電、用電過(guò)程都是同時(shí)進(jìn)行的，因此為了保障電力系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性，所以對(duì)地區(qū)的電力負(fù)荷預(yù)測(cè)十分重要。

　　2 BP神經(jīng)網(wǎng)絡(luò)

　　BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播的網(wǎng)絡(luò)模型，它是由D.E.Rummelhart 以及 J.L.Ma Clelland于1986年提出的概念，也是當(dāng)前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)[2]。

　　2.1 BP預(yù)測(cè)模型設(shè)計(jì)

　　(1)網(wǎng)絡(luò)層數(shù)：BP神經(jīng)網(wǎng)絡(luò)由一個(gè)輸入層和一個(gè)輸出層，以及一個(gè)以上的隱含層組成。對(duì)一般問(wèn)題來(lái)說(shuō)，只要增加適量的神經(jīng)元節(jié)點(diǎn)數(shù)，單隱含層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)就能夠滿足絕大多數(shù)問(wèn)題的需求。

　　(2)輸入層節(jié)點(diǎn)數(shù)：輸入層節(jié)點(diǎn)數(shù)是由實(shí)際問(wèn)題和所擁有的數(shù)據(jù)集決定的，它取決于輸入向量的維數(shù)，比如歷史負(fù)荷數(shù)據(jù)、天氣、溫度、節(jié)假日類型等等。

　　(3)隱含層節(jié)點(diǎn)數(shù)：一般來(lái)說(shuō)，隱含層節(jié)點(diǎn)數(shù)越多，網(wǎng)絡(luò)的性能就越好，就越能滿足負(fù)荷預(yù)測(cè)的需求，但網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜化，也會(huì)使得訓(xùn)練時(shí)間變長(zhǎng)，因此如何選擇既能滿足網(wǎng)絡(luò)性能也能保證收斂速度的最優(yōu)節(jié)點(diǎn)數(shù)，是神經(jīng)網(wǎng)絡(luò)模型搭建過(guò)程中至關(guān)重要的問(wèn)題。在實(shí)際的操作中，通常采用以下公式來(lái)選擇最優(yōu)隱含層節(jié)點(diǎn)數(shù)：

　　(4)輸出層節(jié)點(diǎn)數(shù)：輸出層節(jié)點(diǎn)數(shù)是有具體問(wèn)題的需求而確定的，對(duì)于一般的負(fù)荷預(yù)測(cè)，1個(gè)節(jié)點(diǎn)數(shù)即預(yù)測(cè)數(shù)值就可以滿足預(yù)測(cè)需求。

　　(5)傳遞函數(shù)：輸出層均選用線性函數(shù)作為傳遞函數(shù)，而輸入層和隱層的傳遞函數(shù)選用S型函數(shù)，如下式所示：

　　(6)訓(xùn)練方法：在訓(xùn)練開(kāi)始前，確定初始值作為迭代調(diào)整的起點(diǎn)，并用迭代調(diào)整的方式確定權(quán)值，接著對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練。

　　3 粒子群算法

　　粒子群優(yōu)化算法是科學(xué)家通過(guò)觀察鳥(niǎo)群捕食過(guò)程研究而來(lái)的仿生學(xué)方法，是基于種群的隨機(jī)優(yōu)化技術(shù)的一種非常典型的尋優(yōu)算法，于1995年由Eberhart和Kennedy提出。

　　BP算法的缺點(diǎn)在于隱含層節(jié)點(diǎn)難確定、易限入局部極小值、收斂速度慢等問(wèn)題。BP神經(jīng)網(wǎng)絡(luò)能否達(dá)到預(yù)期目前，與算法的選擇、網(wǎng)絡(luò)的確定、訓(xùn)練樣本的大小都有很大關(guān)系。而粒子群算法通過(guò)概率全局搜索最優(yōu)，其具有收斂速度快，魯棒性好等優(yōu)點(diǎn)，而神經(jīng)網(wǎng)絡(luò)模型具有一定的自學(xué)習(xí)能力。將粒子群算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，利用粒子群算法來(lái)選擇神經(jīng)網(wǎng)絡(luò)的權(quán)值，不但能夠發(fā)揮粒子群算法的優(yōu)點(diǎn)，還能夠提高神經(jīng)網(wǎng)絡(luò)的收斂速度和學(xué)習(xí)能力[3]。

　　3.1 粒子群優(yōu)化步驟

　　利用粒子算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的主要工作為：將粒子維度空間與神經(jīng)網(wǎng)絡(luò)的權(quán)值建立映射關(guān)系，神經(jīng)網(wǎng)絡(luò)權(quán)值的個(gè)數(shù)對(duì)應(yīng)著粒子群的個(gè)數(shù);使粒子群的適應(yīng)函數(shù)作為神經(jīng)網(wǎng)絡(luò)的均方誤差。在算法的設(shè)計(jì)過(guò)程中，首先對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行編碼，表示粒子群的個(gè)體，再按照粒子群算法進(jìn)行迭代，把新生成的個(gè)體向量還原成神經(jīng)網(wǎng)絡(luò)權(quán)值，最后將輸出結(jié)果用于計(jì)算樣本點(diǎn)的均方誤差，如果誤差小于系統(tǒng)指定的誤差精度，則停止訓(xùn)練[4]。同時(shí)，訓(xùn)練過(guò)程中產(chǎn)生的均方誤差作為評(píng)價(jià)個(gè)體的適應(yīng)函數(shù)，訓(xùn)練的目的是使均方誤差指標(biāo)達(dá)到最小，即：

　　其中n，c分別表示樣本的個(gè)數(shù)與神經(jīng)網(wǎng)絡(luò)的輸出個(gè)數(shù)，tk，p為p個(gè)樣本的k個(gè)理想輸出，Yk，p為第p個(gè)樣本的第k個(gè)實(shí)際輸出。當(dāng)均方誤差的適應(yīng)度函數(shù)達(dá)到最小時(shí)，神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值就確定了。

　　具體過(guò)程如下：(1)首先確定網(wǎng)絡(luò)規(guī)模、最大速度、搜索范圍、最大迭代步數(shù)以及精度要求等。(2)其次根據(jù)粒子群的規(guī)模和權(quán)值個(gè)數(shù)確定種群。(3)計(jì)算各粒子的適應(yīng)值。(4)將當(dāng)前每個(gè)粒子的適應(yīng)度與全局適應(yīng)度值進(jìn)行比較，確定每個(gè)粒子最優(yōu)適應(yīng)度。(5)檢驗(yàn)迭代次數(shù)和誤差要求，判斷是否符合預(yù)定條件。(6)更新每個(gè)粒子的速度和位置。(7)返回步驟(3)繼續(xù)迭代至結(jié)束。

　　4 遺傳算法

　　遺傳算法是模擬達(dá)爾文進(jìn)化論的自然選擇和遺傳機(jī)理的生物進(jìn)化計(jì)算模型，是一種具有適者生存、自然淘汰的一種優(yōu)化算法，它能夠把求解問(wèn)題表示成染色體，通過(guò)編碼的形式表示成字符串。在利用遺傳算法求解問(wèn)題時(shí)，首先要確定問(wèn)題的目標(biāo)函數(shù)和變量，然后對(duì)變量進(jìn)行編碼，這樣做主要是因?yàn)樵谶z傳算法中，問(wèn)題的解是用數(shù)字串來(lái)表示的，而且遺傳算子也是直接對(duì)串進(jìn)行操作，編碼方式可以分為二進(jìn)制編碼和實(shí)數(shù)編碼[5]。隨著遺傳算法的迭代，品質(zhì)優(yōu)良的特征值會(huì)被逐漸被保留，并且重新組合產(chǎn)生新的個(gè)體。遺傳操作包括三個(gè)基本的遺傳算子，即選擇、交叉、變異，選擇和交叉能夠完成大部分搜索功能，而變異則可以最大限度逼近最優(yōu)解。

　　遺傳算法的特點(diǎn)是：適應(yīng)度函數(shù)采用目標(biāo)函數(shù);很強(qiáng)的全局優(yōu)化能力和搜索能力;采用啟發(fā)式搜索，而不是完全的隨機(jī)測(cè)試。

　　4.1 遺傳算法優(yōu)化步驟

　　將粒子群算法與遺傳算法結(jié)合，對(duì)BP神經(jīng)網(wǎng)絡(luò)做優(yōu)化，不僅具有粒子群算法收斂速度快的優(yōu)點(diǎn)，而且也有遺傳算法的全局收斂的優(yōu)點(diǎn)。優(yōu)化的具體過(guò)程為：

　　(1)初始化種群以及設(shè)定粒子群相關(guān)參數(shù)，如最大迭代次數(shù)以及誤差精度等，其中，每個(gè)粒子都對(duì)應(yīng)著B(niǎo)P神經(jīng)網(wǎng)絡(luò)的權(quán)值。

　　vi (t+1)=θ1 × vi (t)+(1-θ1)vj (t)vj (t+1)=(1-θ1)× vi (t)+θ1× vj (t)

　　對(duì)粒子之間的位置交叉公式操作實(shí)現(xiàn)如下：

　　xi (t+1)=θ2 × xi (t)+(1-θ2)xj (t)xj (t+1)=(1-θ2)× xi (t)+θ2× xj (t)

　　式中的θ為一個(gè)范圍在[0，1]之間的隨機(jī)數(shù)，比較交叉后粒子的適應(yīng)度值，保留適應(yīng)度值較大的粒子進(jìn)入下一次迭代，剩下的部分則進(jìn)行變異操作。

　　(4)更新個(gè)體和群體的全局極值，經(jīng)過(guò)遺傳算法的處理后，再對(duì)粒子的當(dāng)前適應(yīng)度值與個(gè)體極值做比較，判斷是否需要更新個(gè)體極值pbest與全局極值gbest。

　　(5)重復(fù)以上步驟，直到迭代數(shù)達(dá)到上限或者達(dá)到目標(biāo)函數(shù)的收斂精度。

　　(6)將得到的全局最優(yōu)解賦值于BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過(guò)BP神經(jīng)網(wǎng)絡(luò)再進(jìn)行學(xué)習(xí)訓(xùn)練，得到負(fù)荷預(yù)測(cè)的網(wǎng)絡(luò)模型。

　　5 實(shí)例分析

　　本文基于某縣供電站的歷史負(fù)荷數(shù)據(jù)，訓(xùn)練樣本采集了2012年1月1日至2012年6月28日共180天的負(fù)荷數(shù)據(jù)。對(duì)于該負(fù)荷預(yù)測(cè)的步驟數(shù)據(jù)處理如下：

　　(1)對(duì)負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理，修補(bǔ)異常數(shù)據(jù)及缺失數(shù)據(jù)。然后對(duì)樣本數(shù)據(jù)的歸一化處理，將數(shù)據(jù)壓縮到[0，1]或者[-1，1]區(qū)間內(nèi)。

　　(2)確定BP神經(jīng)網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)、學(xué)習(xí)率、訓(xùn)練目標(biāo)、迭代次數(shù)等。對(duì)于BP神經(jīng)網(wǎng)絡(luò)其學(xué)習(xí)率為0.01，誤差訓(xùn)練的目標(biāo)值為0.0001，迭代次數(shù)上限為300次。

　　推薦閱讀：《廣西電力建設(shè)科技信息》以馬列主義、毛澤東思想、鄧小平理論和“三個(gè)代表”重要思想為指導(dǎo)，全面貫徹黨的教育方針和“雙百方針”，理論聯(lián)系實(shí)際，開(kāi)展教育科學(xué)研究和學(xué)科基礎(chǔ)理論研究，交流科技成果，促進(jìn)學(xué)院教學(xué)、科研工作的發(fā)展，為教育改革和社會(huì)主義現(xiàn)代化建設(shè)做出貢獻(xiàn)。