李輝+王軍

摘要：針對循環(huán)神經(jīng)網(wǎng)絡(luò)算法在電力負荷預(yù)測中存在易陷入局部最小值和全局搜索能力較弱的缺陷，提出了基于粒子群算法和循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測方法；針對標準粒子群算法易因粒子早熟收斂現(xiàn)象而陷于局部最優(yōu)的缺陷，提出了合理粒距的概念，生成一種改良后的學(xué)習(xí)方法。采用改良后的粒子群算法對結(jié)點權(quán)值參數(shù)進行尋優(yōu)，以測量值與預(yù)測值的誤差作為評價依據(jù)，從而實現(xiàn)模型參數(shù)的優(yōu)化選擇。最后采用改良后的粒子群算法和循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型對短期電力負荷進行預(yù)測，并與標準粒子群算法循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型和循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型對比。實際算例比較表明，這種預(yù)測方法具有良好的收斂特性和較高的預(yù)測準確度。

關(guān)鍵詞關(guān)鍵詞：粒子群算法；循環(huán)神經(jīng)網(wǎng)絡(luò)；電力負荷預(yù)測

DOIDOI：10.11907/rjdk.171805

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2017）011012504

0引言

電力系統(tǒng)高效運行的基本要求是發(fā)電隨時跟隨電力體系負荷而改變，從而達到動態(tài)平衡，而短期負荷的準確預(yù)測能夠幫助電力企業(yè)快速制定供電計劃。因此，對電力系統(tǒng)負荷進行有效預(yù)測成為關(guān)鍵課題[1]。

目前，較多使用的預(yù)測方法有時間序列法[2]、遺傳算法[3]、人工神經(jīng)網(wǎng)絡(luò)方法[4]、支持向量機[5]等。時序法僅僅把時間當作影響負荷的因素而忽略了氣溫、人類活動等重要因素，預(yù)測效果自然不理想[2]。遺傳算法是為克服BP算法的收斂性能不足和易陷入局部最小的缺陷而提出的，采用隨機迭代和進化方法搜索目標[3]。人工神經(jīng)網(wǎng)絡(luò)在經(jīng)濟領(lǐng)域應(yīng)用較為廣泛，在經(jīng)濟問題預(yù)測中，BP模型受到推崇，但BP模型對具有時間序列體系的操作局限性較大[6]，而循環(huán)神經(jīng)網(wǎng)絡(luò)在這方面做得更好。但神經(jīng)網(wǎng)絡(luò)對初始權(quán)值參數(shù)選擇具有隨機性，使算法的泛化能力降低[3]。

為了進一步提高電力負荷預(yù)測精度，針對循環(huán)神經(jīng)網(wǎng)絡(luò)節(jié)點初始權(quán)值優(yōu)化難題，本文提出了一種改良后的粒子群算法——循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并采用仿真實驗驗證了其優(yōu)越性。

從圖6可明顯看到，改良后的PSORNN預(yù)測模型較未改良的PSORNN模型和RNN模型，測量值和預(yù)測值的擬合效果明顯要好些。其中RNN模型預(yù)測效果最差，原因是初始化權(quán)值隨機選取盲目，結(jié)果自然不夠好[13]。使用PSO算法對接點權(quán)值進行優(yōu)化，預(yù)測的準確度更高。從表1可以看出，經(jīng)過粒子群算法優(yōu)化的平均相對誤差分別為1.82%和1.30%，遠遠低于通過RNN預(yù)測方法算出的誤差3.10%，這充分說明了基于改良PSORNN的有效性。因為經(jīng)過改良后的PSORNN模型實現(xiàn)了粒子間排斥和吸引的平衡，對初始權(quán)值進行合理設(shè)置，使結(jié)果達到了理想狀況。因此，采用改良后的方法對電力負荷進行預(yù)測，達到了預(yù)測值更精確、模型精度更高的要求[12]。

5結(jié)語

針對電力負荷具有多變性、繁雜性、受大量因子共同作用的特點，本文提出了基于改良粒子群算法和循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合的負荷預(yù)測模型。這種模型克服了循環(huán)神經(jīng)網(wǎng)絡(luò)節(jié)點初始權(quán)值的隨機性和標準粒子群算法易限于局部最優(yōu)的缺陷。與標準PSORNN預(yù)測方法和RNN預(yù)測方法對比，證明了改良后的PSORNN模型預(yù)測精度更優(yōu)。仿真實驗結(jié)果表明，改良后的PSORNN模型在電力負荷預(yù)測精度上得到了較為明顯的提升，并具有好的收斂性。

參考文獻參考文獻：

[1]馬小津，朱博，戴琳，等.基于改進PSOLSSVM的短期電力負荷預(yù)測[J].控制理論與應(yīng)用，2016：35（3）：59.

[2]HAGON，SUZNNE M.The times series approach to short term load forecasting[J].IEEE Trans，on Power Systems，1997，2（3）：785791.

[3]邱俊，張瑞林.基于遺傳算法的循環(huán)神經(jīng)網(wǎng)絡(luò)在銷售預(yù)測中的應(yīng)用[J].浙江理工大學(xué)學(xué)報，2007，24（3）：267270.

[4]TOPALLI A K， ERKMEN I. A hybrid learning for neural networks applied to load forecasting[J].Neural Computing，2003，51（2）：495500.

[5]康操.基于最小二乘支持向量機的短期電力負荷預(yù)測模型的研究[D].成都：西南交通大學(xué)，2010：1015.

[6]劉征宇，楊俊斌，張慶，等.基于QPSOBP神經(jīng)網(wǎng)絡(luò)的鋰電池SOC預(yù)測[J].電子測量與儀器學(xué)報，2013，27（3）：131139.

[7]余健明，馬小津，倪峰.基于改進PSOLSSVM的風(fēng)電場短期功率預(yù)測[J].西安理工大學(xué)學(xué)報，2013，29（2）：176180.

[8]何鵬.生料漿配料過程返料成分的時間序列混沌分析和SVM預(yù)測研究[D].長沙：中南大學(xué)，2011：2829.

[9]馬靜波，楊洪耕.自適應(yīng)卡爾曼濾波在電力系統(tǒng)短期負荷預(yù)測中的應(yīng)用[J].電子測量技術(shù)，2005，29（1）：7579.

[10]PARK D C，SHARK M.Electric load forecasting using an artificial neural network[J].IEEE Transaction on Power Systems，1991，6（2）：442449.

[11]EBERHART R，SHI Y.Particle swarm optimization：developments applications and resource[J].Proceedings Congress Computation，2001，7（3）：8186.

[12]霍明.短期負荷預(yù)測的支持向量機模型參數(shù)優(yōu)化研究方法[D].長沙：湖南大學(xué)，2009：1015.

[13]潘磊，李麗娟，丁婷婷，等.基于改進PSO算法和LSSVM的短期電力負荷預(yù)測[J].工礦自動化，2012（9）：5559.

責(zé)任編輯（責(zé)任編輯：杜能鋼）endprint