基于遗传神经网络的短期负荷预测研究

摘要：电力短期负荷预测在实时控制和保证电力系统经济、安全与可靠运行方面起着重要作用，对于系统运行具有重大影响。根据电力短期负荷的变化特点，综合考虑温度、天气、风力等因素，提出了基于遗传算法优化人工神经网络方法的短期负荷预测模型。在试验中采用单一的人工神经网络和优化的神经网络建模分别对广东省某城市电网的短期负荷进行预测。实际预测结果表明，基于遗传算法优化神经网络方法预测模型的预测准确度明显高于单一神经网络方法的预测准确度。

关键词：短期负荷预测；神经网络；遗传算法

作者简介：黄国栋（1976-），男，广东阳江人，广东电网湛江供电局，工程师。（广东 湛江 524005）

中图分类号：TM714 文献标识码：A 文章编号：1007-0079（2014）06-0261-02

电力短期负荷预测是对未来一周以内（通常为一周或一天）的负荷进行预测。短期负荷预测在电网运行实时控制和发电规划中具有重要地位，短期负荷的预测结果是调度中心制定发电计划、电力系统运行安全评估、电力企业日常经营管理的重要依据。[1]在当前电力系统市场化形势下，提高负荷预测精度对于电力系统的经济运行、合理制定机组检修计划和进行电力需求管理等具有重要意义。

一、电力系统负荷变化的特点及预测方法

电力系统负荷变化受到很多因素的影响。一方面，负荷变化存在由未知不确定因素引起的随机波动；另一方面，具有周期变化的规律性，这也使得负荷曲线具有相似性；同时，由于受天气、节假日等特殊情况的影响，负荷变化又会体现出差异性。[2]整体上讲，负荷曲线是与很多因素相关而且难以用数学公式表达的非线性函数。

相对于早期的统计技术法和专家系统法，神经网络的优点在于它不依靠专家经验，只利用观察到的数据，可以在训练过程中通过学习来逼近任意的非线性输入/输出关系，因此，将神经网络方法应用于电力负荷预测有着明显的优势。但是，神经网络存在两个主要问题：收敛速度慢和容易陷入局部极小点。因此，本文采用遗传算法优化人工神经网络，建立电力短期负荷预测模型，并将结合广东省某城市的电力负荷的实际情况对预测方法进行探讨和研究。

二、人工神经网络模型

BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，神经网络模型中的所有神经元按照功能一般分成三层（输入层、隐含层和输出层），各层顺次连接。[3]其三层模型拓扑结构如图1所示。

BP算法的学习过程分为正向传播过程和反向传播过程两个阶段。

1.正向传播过程

输入信息从输入层经隐含层逐层计算各单元的实际输出值，各神经元的状态只对下一层神经元的状态产生影响。设BP网络的输入层有n1个节点，隐含层有n2个节点，输出层有n3个节点，输入为xi，输入层与隐含层之间的权值为wki，隐含层与输出层之间的权值为wjk；隐含层的阈值为bk，输出层的阈值为bj；隐含层的传递函数为f1（·），输出层的传递函数为f2（·）。则隐含层节点输出zk和输出层节点输出yj分别为：

k=1，2，……n2

（1）

j=1，2，……n3

（2）

2.反相传播过程

若网络实际输出值与期望值之差，即误差超出允许值，则逆向逐层修正连接权值。设BP网络有P个输入样本，采用平方型误差函数，于是得到全局误差为：

（3）

式中：为第p个样本的实际输出，为期望输出。

采用累计误差BP算法依次调整输出层权值wjk和隐含层权值wki误差使全局误差变小，即：

（4）

（5）

式中：η为学习率。

如此往复不断调整权值，直到使网络的误差满足要求。

三、遗传算法

1.遗传算法的基本原理

遗传算法（Genetic Algorithms，简称GA）是一种高度并行、自适应全局优化搜索方法。[4]它借鉴自然界遗传和选择机理，首先初始化一个种群，然后按照某种指标在每一代选取较优个体，利用遗传算子（选择、交叉和变异）对这些个体进行组合，产生新一代个体，重复此过程，直到满足优化准则为止。遗传算法是基于对生物遗传和进化过程的计算机模拟，它能使各种人工系统具有良好的自适应能力和优化能力。目前，遗传算法已经广泛应用于规划设计、组合优化、自适应控制、经济运行、模式识别、人工智能、分子生物学、故障诊断以及计算机技术等领域，并取得了很好的效果。

2.遗传算法的实现过程

（1）将问题的解以编码形式表示出来，并随机生成若干个体，即初始群体。

（2）译码，计算目标函数得出个体适应度值，判断是否满足停止条件。

（3）根据个体适应度值的高低，应用选择、交叉和突变算子进行遗传操作，产生下一代群体。

（4）返回步骤（2），反复执行，直到满足停止条件。最后，搜索到最优个体，即问题的最优解。[5]

3.遗传算法优化BP网络权值、阈值

由于遗传算法是以最大值作为优化目标，为适应神经网络算法的要求，将适应度函数取反，即变为以最小值为优化目标。遗传算法优化BP神经网络算法的步骤：

（1）构建BP网络，确定遗传算法个体长度。

（2）生成初始种群，确定种群规模。对遗传算法个体进行编码，编码由神经网络的输入层与隐含层的连接权值、隐含层阈值、隐含层与输出层的连接权值和输出层阈值四部分组成。

（3）根据个体得到BP网络的权值和阈值，应用训练数据训练，得到网络的输出。计算实际输出与期望输出的误差，并依据此误差计算个体适应度值。

（4）根据个体的适应度进行选优操作，选择若干适应度强的个体直接进入下一代，适应度差的个体被淘汰。

（5）进行交叉、变异操作，生成下一代群体，然后返回步骤（3），直到得到最优解。

四、实例分析

本试验分别采用单一神经网络预测法、遗传算法和神经网络的组合预测法，分别对广东省某城市某一日的时负荷进行预测与分析。以该市2010年6月2日～21日和2010年6月3日～22日（只选取工作日）的整点负荷训练样本集，根据6月23日各整点的时负荷数据和24日各整点的温度与天气，预测6月24日的时负荷。

1.数据预处理

根据神经网络的建模原理，训练样本的准确性对于模型的预测准确性至关重要。由于系统故障、线路停电检修、通信错误等原因，历史负荷数据中经常存在一些不良数据。这些不良数据具有很强的随机性，会对网络的预测精度和预测速度产生严重影响。因此，在建立电力短期负荷预测模型前，先对训练用的数据样本进行预处理。应用格拉布斯准则判别是否有不良数据，如果有要直接消除并以相应的插值代替，从而提高数据的准确度和可信度。经计算，本实例的样本数据正常，符合实际情况。

数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有的数据都转化为[0，1]之间的数，其目的是取消数据间数量级差别，避免因为输入/输出数据数量级差别较大而造成网络预测误差较大。最后需要进行反归一化，得到最终预测结果。[6]数据归一化的方法主要有最大最小值法和平均数方差法。本文采用最大最小值法。

2.确定BP神经网络结构

考虑到该城市位于中国南端，纬度较低，影响电力负荷最主要的因素是温度等天气情况。采集预测日前一天每小时的负荷数据和预测日当天各小时的温度值（取平均值）、气象类型（晴、阴、雨）作为预测条件。由此确定BP神经网络模型的输入节点数为3；输出节点数为1；隐含层节点数取8。为方便计算，将气象类型数字化、归一化处理，温度值和负荷数据归一化处理。本文采用分散式建模方法，即为一天的24小时各建立一个模型，共建立24个。分散式建模方法相对于集中建模方法（24小时用一个模型），虽然模型多，但是预测准确度高。每个整点的时负荷采用相应的BP神经网络模型进行预测。建模工具选用matlab7.0。[7]

3.遗传算法优化神经网络

以整点负荷、温度数据和气象数据作为网络的训练样本集，应用遗传算法对基于单一神经网络建立的各个模型（每小时各建一个模型，共24个）进行优化，得到每个模型近似最优权值和阈值。应用优化的权值和阈值对BP神经网络进行训练，并保存训练好的网络。最后，应用训练好的网络对各整点时负荷进行预测。

表1 2010年6月24日负荷预测值与误差

时间实际值BP神经网络

方法预测误差/%遗传算法神经网络方法预测误差/%

0：00404.743412.375 1.886397.470-1.797

1：00382.280376.397-1.539382.009-0.071

2：00359.937369.208 2.576352.735-2.001

3：00355.508352.308-0.900 357.115 0.452

4：00347.836341.504-1.820 346.528-0.376

5：00347.545342.354-1.494 346.586-0.276

6：00354.184356.650 0.696360.655 1.827

7：00364.504363.920-0.160360.123-1.202

8：00395.881392.358-0.890 390.042-1.475

9：00462.394471.572 1.985 464.239 0.399

10：00500.344502.904 0.512 494.610-1.146

11：00514.415515.950 0.298513.479-0.182

12：00477.935489.898 2.503485.792 1.644

13：00479.680473.516-1.285472.638-1.468

14：00470.148477.403 1.543462.066-1.719

15：00482.950490.302 1.522474.556-1.738

16：00487.295483.800-0.717486.028-0.260

17：00501.225503.265 0.407505.465 0.846

18：00470.361462.391-1.694466.165-0.892

19：00455.995443.791-2.676463.788 1.709

20：00493.266494.178 0.185494.682 0.287

21：00489.909498.1151.675486.195-0.758

22：00474.146486.493 2.604480.348 1.308

23：00446.201436.293-2.221441.855-0.974

单一神经网络方法和遗传算法优化神经网络方法得出的预测结果见表1和图3。从图3中3条曲线对比可以看出，应用遗传算法优化神经网络预测模型得到的预测结果比单一神经网络的更接近实际负荷曲线。单一神经网络预测的负荷最大误差为-2.676%，平均误差1.408%，而用基于遗传算法优化神经网络预测的负荷最大误差为-2.001%，平均误差为1.034%，精度显然大于单一神经网络。

五、结论

本文利用遗传算法优化了BP神经网络结构，并且应用此模型对实际电力短期负荷进行了预测试验分析。实证证明，遗传算法的全局优化搜索能力有效弥补了BP神经网络容易陷入局部极小值的缺陷，在此基础上建立的预测模型的可靠性、准确性都有所增强，证明了基于遗传算法优化的神经网络的短期负荷预测方法是可行的。

参考文献：

[1]牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用[M].北京：中国电力出版社，2002.

[2]陈金赛，张新波.基于改进BP人工神经网络的电力负荷预测[J].杭州电子科技大学学报，2011，34（4）：173-176.

[3]田景文，高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社，2006.

[4]王小平，曹立明.遗传算法[M].西安：西安交通大学出版社，

2002.

[5]李玲纯，田丽.基于遗传算法和BP神经网络的短期电力负荷预测[J].安徽工程科技学院学报，2009，24（3）：57-60.

[6]吴晓光，徐精彩，李树刚，等.基于MATLAB 实验数据的几种处理方法[J].自动化技术与应用，2005，24（1）：25-27.

[7]葛哲学，孙志强.神经网络理论与Matlab2007实现[M].北京：电子工业出版社，2007.

（责任编辑：王祝萍）

推荐访问:神经网络 遗传 负荷 预测 研究