把明全+游志剛+焦晶+趙升學(xué)+宋鐳+宋厚彬

摘 要 傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測存在學(xué)習(xí)速度慢、局部極小等缺陷，已無法滿足現(xiàn)代電力負(fù)荷預(yù)測的精度要求。基于此，本文首先在分析了BP神經(jīng)網(wǎng)絡(luò)的預(yù)測原理和不足的基礎(chǔ)上，闡述了遺傳算法的原理及優(yōu)化步驟，優(yōu)化后的算法避免了初始閾值和權(quán)值選擇的盲目性，提高了BP算法負(fù)荷預(yù)測的精度和效率，最后實際算例驗證了該聯(lián)合預(yù)測方法的可靠性及可行性。

關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；中長期負(fù)荷；預(yù)測

中圖分類號 TP3 文獻標(biāo)識碼 A 文章編號 1674-6708（2017）199-0095-03

中長期電力負(fù)荷預(yù)測是電網(wǎng)規(guī)劃的基礎(chǔ)工作。電網(wǎng)規(guī)劃、決策、經(jīng)濟的良好運行都需要準(zhǔn)確的電力負(fù)荷預(yù)測。對于中長期負(fù)荷預(yù)測廣泛采用傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法[1-2]，目前大多采用BP神經(jīng)。BP神經(jīng)網(wǎng)絡(luò)[3]是一種靜態(tài)神經(jīng)網(wǎng)絡(luò)，存在學(xué)習(xí)速度慢、局部極小等問題，為了更加精確方便的做出預(yù)測提出了各種優(yōu)化方法（如布谷鳥算法、最小二乘法）對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)進行改進。而遺傳算法[3]是借鑒生物界優(yōu)勝劣汰的進化規(guī)律，模擬生物在自然界的遺傳和進化過程而形成的一種全局優(yōu)化隨機概率搜索算法，它能解決許多困難或復(fù)雜的問題，對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值的優(yōu)化提供了一個確實可行的方法。本文基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法對中長期的負(fù)荷進行預(yù)測，通過實例預(yù)測、分析和結(jié)果的對比，驗證該聯(lián)合預(yù)測方法具有較高的預(yù)測精度。

1 BP神經(jīng)網(wǎng)絡(luò)

用BP神經(jīng)網(wǎng)絡(luò)進行中長期負(fù)荷預(yù)測的步驟如下：

1）權(quán)值w和閾值b初始化，即把隱含層輸出層權(quán)值和閾值設(shè)置成最小的隨機數(shù)；

2）提取合適的訓(xùn)練樣本集，即訓(xùn)練輸入向量P和訓(xùn)練輸出向量T；

3）隱含層的輸出a1和輸出層的輸出a2的計算公式如下[ 1 ]：

式中：w（k+1）、w（k）分別是k+1、k時刻的權(quán)向量；η是學(xué)習(xí)率，取值一般為0.709；D（k）是k時刻的負(fù)梯度，負(fù)梯度是D（k）的最快下降方向。

權(quán)值按誤差反向傳播方向進行，從輸出節(jié)點開始返回到隱含層并按式（3）進行進化改變。閾值是一個變化值，在進化權(quán)值的同時也改變閾值，原理同權(quán)值進化。

6）循環(huán)步驟2到步驟5，直至均方誤差和E滿足設(shè)置的精度ε為止，即E<ε，ε一般取0.001以下。

2 遺傳算法

2.1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的實施步驟

1）染色體編碼與解碼將問題的解表示成“基因組”，每一“基因組”代表問題的一個可行解。隨機產(chǎn)生一個基因組為L的初始群體，該初始群體就是問題的一個可行解的空間集合。

2）個體適應(yīng)度的檢測評估基于適度函數(shù)對“編碼串”進行評價。

3）遺傳算子（選擇運算使用比例選擇算子、交叉運算使用單點交叉算子、變異運算使用基本位變異算子或者均勻變異算子）。即應(yīng)用一組遺傳操作（復(fù)制、交叉、變異）生成一個新的可行解空間集合。

4）終止條件是否滿足要求，如不滿足返回步驟2，這樣循環(huán)執(zhí)行步驟2至步驟4，使“基因組”群體不斷的進化，一代一代的進化得到的個體，這個終極個體即為問題的最優(yōu)解。

2.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測中的應(yīng)用

1）負(fù)荷數(shù)據(jù)預(yù)處理，通過利用小波理論和平滑法剔除或修補數(shù)據(jù)。本文數(shù)據(jù)來自于開封市電力公司，經(jīng)檢查未發(fā)現(xiàn)負(fù)荷數(shù)據(jù)異于正常數(shù)據(jù)，符合實驗數(shù)據(jù)要求。

2）提取訓(xùn)練樣本，本文中BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸入向量為開封地區(qū)2017年4月30天的實際負(fù)荷數(shù)據(jù)，訓(xùn)練樣本的輸出向量為開封地區(qū)2017年5月前30天的實際負(fù)荷數(shù)據(jù)。

3）經(jīng)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測，預(yù)測出輸出層的預(yù)測輸出值。

4）將BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本嵌入遺傳算法中得到相應(yīng)的優(yōu)化后的權(quán)值和閾值。

5）改進后的BP神經(jīng)網(wǎng)絡(luò)加入優(yōu)化后的權(quán)值和閾值。

由于BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值優(yōu)化是一個無約束優(yōu)化條件的問題，并且采用實數(shù)編碼，可以直接利用MATLAB遺傳算法工具箱進行預(yù)測計算。

3 實例分析

本文原始數(shù)據(jù)為開封市某地區(qū)實際負(fù)荷。由于選取4月和5月負(fù)荷數(shù)據(jù)，對6月開封地區(qū)實際負(fù)荷進行預(yù)測，開封市第二季度溫度氣候以及環(huán)境因素對電力系統(tǒng)用電量影響較小，本文只研究歷史數(shù)據(jù)無外界因素影響條件下遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的中長期負(fù)荷預(yù)測[2]。

通過以上的設(shè)計，BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出層各有30個神經(jīng)元。設(shè)定訓(xùn)練步數(shù)為1 000，運用MATLAHB神經(jīng)網(wǎng)絡(luò)工具箱，在BP神經(jīng)網(wǎng)絡(luò)中間層神經(jīng)元為67個時，其負(fù)荷數(shù)據(jù)預(yù)測曲線更接近實際負(fù)荷曲線。經(jīng)過1 000次訓(xùn)練后，BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差為0.009362。同樣的負(fù)荷數(shù)據(jù)經(jīng)過改進型的BP神經(jīng)網(wǎng)絡(luò)，即初始權(quán)值和閾值的優(yōu)化后，設(shè)置同樣的訓(xùn)練步數(shù)和中間層的神經(jīng)元個數(shù)，經(jīng)訓(xùn)練后，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差降低為0.004232。預(yù)測速率大大提高，預(yù)測誤差遠(yuǎn)低于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差。

隨樣本空間變的增大，BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元增加，網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效率及收斂速度會變慢，而遺傳算法的優(yōu)化網(wǎng)絡(luò)參數(shù)的作用就更加明顯。根據(jù)相關(guān)文獻[3]，在遺傳算法中群體規(guī)模一般取10-160，在實際算例中，經(jīng)大量實驗反復(fù)驗證群體規(guī)模選為50時仿真效果較好。交叉概率的經(jīng)驗取值為0.4-0.99，本算例中交叉概率為0.4，從仿真過程看，當(dāng)樣本比較大時，適當(dāng)增大交叉概率，縮小群體規(guī)模的比例，新系統(tǒng)的檢索速率會相應(yīng)的提高，而且預(yù)測精度反而有所提高。

遺傳算法優(yōu)化后的算法和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法誤差分析及負(fù)荷預(yù)測值對比如表1所示。

由表1可以看出基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值最大相對誤差6.93%，最小相對誤差為0.142%，基本滿足中長期負(fù)荷預(yù)測10%的誤差要求。

4 結(jié)論

遺傳算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合的中長期負(fù)荷聯(lián)合預(yù)測方法，該聯(lián)合預(yù)測方法即很好的彌補了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的不足，發(fā)揮了遺傳算法的優(yōu)化BP神經(jīng)網(wǎng)絡(luò)關(guān)鍵參數(shù)的問題，神經(jīng)網(wǎng)絡(luò)參數(shù)選擇不好，就會出現(xiàn)欠學(xué)習(xí)、過學(xué)習(xí)的問題，影響神經(jīng)網(wǎng)絡(luò)預(yù)測精度，又很好的發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性空間映射的關(guān)系，其結(jié)果的準(zhǔn)確度和精度相比于單獨使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測均有所提高，兩者相結(jié)合解決了現(xiàn)代電力系統(tǒng)負(fù)荷預(yù)測要求精度高的問題。

參考文獻

[1]肖國泉，王春，張富偉.電力負(fù)荷預(yù)測[M].北京：中國電力出版社，2001.

[2]蔣惠鳳.中長期電力負(fù)荷預(yù)測技術(shù)與應(yīng)用[M].南京：東南大學(xué)出版社，2016，10（l）：80-82.

[3]梁海鋒，涂光渝，唐紅衛(wèi).遺傳神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用[J].電網(wǎng)技術(shù)，2001，25（l）：49-53.endprint