宋明達(dá) 趙宇紅

摘?要：針對(duì)某地區(qū)一個(gè)月的電力系統(tǒng)負(fù)荷數(shù)據(jù)進(jìn)行了研究，建立Elman[1]神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模型，運(yùn)用MATLAB工具箱，對(duì)Elman神經(jīng)網(wǎng)絡(luò)在神經(jīng)元個(gè)數(shù)設(shè)置，節(jié)點(diǎn)層數(shù)及訓(xùn)練數(shù)據(jù)個(gè)數(shù)的選擇進(jìn)行了研究，同時(shí)與BP神經(jīng)網(wǎng)絡(luò)[2]做了預(yù)測(cè)數(shù)據(jù)比較分析。驗(yàn)證了Elman神經(jīng)網(wǎng)絡(luò)模型在電力負(fù)荷預(yù)測(cè)[3]中的準(zhǔn)確性與可行性，相比較于BP神經(jīng)網(wǎng)絡(luò)的Elman神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練速度快準(zhǔn)確度高的優(yōu)點(diǎn)。

關(guān)鍵詞：Elman神經(jīng)網(wǎng)絡(luò);電力系統(tǒng)負(fù)荷;BP神經(jīng)網(wǎng)絡(luò);預(yù)測(cè)

Abstract：This paper studies the power system load data of a region for one month，establishes the Elman neural network model，and uses the MATLAB toolbox to select the number of neurons，the number of node layers and the number of training data for the Elman neural network.The research was carried out，and the BP neural network was compared and analyzed.The accuracy and feasibility of the Elman neural network model in power load forecasting are verified.Compared with theBP neural network，the Elman neural network has the advantages of high training speed and high accuracy.

Key words：Elman neural network;power system load，BP neural network;prediction

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行電力負(fù)荷預(yù)測(cè)時(shí)，通常是將從電力系統(tǒng)收集到的精確的統(tǒng)計(jì)數(shù)據(jù)和資料，用于作為電力負(fù)荷的原始依據(jù)，考慮當(dāng)前的用電量和歷史負(fù)荷數(shù)據(jù)，同時(shí)還應(yīng)充分注意到電力系統(tǒng)某些重要的系統(tǒng)運(yùn)行特性，包括在當(dāng)?shù)氐淖匀粴夂驐l件、人文社會(huì)活動(dòng)，經(jīng)濟(jì)增長(zhǎng)速度影響的條件下，所研究出一整套的系統(tǒng)的負(fù)荷預(yù)測(cè)的數(shù)學(xué)方法[6]。

Elman神經(jīng)網(wǎng)絡(luò)是本質(zhì)上是一種遞歸神經(jīng)網(wǎng)絡(luò)，相較于前饋神經(jīng)網(wǎng)絡(luò)而言，具有一個(gè)承接層作為記憶單元，與上一時(shí)刻的數(shù)據(jù)有著反饋連接的關(guān)系。因此Elman神經(jīng)網(wǎng)絡(luò)具有時(shí)變特性的能力，能直接反映動(dòng)態(tài)過(guò)程系統(tǒng)的時(shí)序特性，用來(lái)分析和研究電力負(fù)荷這種帶有明顯時(shí)間序列特征的數(shù)據(jù)的統(tǒng)計(jì)規(guī)律和本質(zhì)特征時(shí)非常有效[4]。本文通過(guò)利用Elman神經(jīng)網(wǎng)絡(luò)，將某地區(qū)月電力負(fù)荷數(shù)據(jù)作為研究依據(jù)，來(lái)驗(yàn)證Elman神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測(cè)中的可行性和準(zhǔn)確性。

1 神經(jīng)網(wǎng)絡(luò)介紹

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation），最先由Rumelhart和McCelland等人于1986年提出，是一種將誤差采用反向傳播算法進(jìn)行訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用于各個(gè)領(lǐng)域最為廣泛的的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)是在腦科學(xué)神經(jīng)的基礎(chǔ)上，仿照生物的神經(jīng)系統(tǒng)結(jié)構(gòu)和功能建立起來(lái)的人工神經(jīng)網(wǎng)絡(luò)模型，將輸出的信息與實(shí)際的誤差反向傳播來(lái)進(jìn)行學(xué)習(xí)，依照生物的神經(jīng)系統(tǒng)分為三層網(wǎng)絡(luò)結(jié)構(gòu)，分別是輸入層、輸出層和隱含層。采用最速梯度下降法學(xué)習(xí)規(guī)則，通過(guò)誤差的反向傳播來(lái)調(diào)整更新各個(gè)層之間所連接的權(quán)值和閾值，以達(dá)到減小訓(xùn)練誤差的目的。

Elman神經(jīng)網(wǎng)絡(luò)是J.L.Elman于1990年首先針對(duì)語(yǔ)音處理[5]問(wèn)題而提出來(lái)的，是一種典型的局部回歸網(wǎng)絡(luò)（global feed forward local recurrent）。Elman網(wǎng)絡(luò)是一個(gè)具有能夠有效處理時(shí)序信息的遞歸神經(jīng)網(wǎng)絡(luò)。一方面和前饋神經(jīng)網(wǎng)絡(luò)一樣，采用誤差反向傳播算法;另一方面相較于前饋神經(jīng)網(wǎng)絡(luò)而言多了一個(gè)具有記憶單元的承接層。所以Elman神經(jīng)網(wǎng)絡(luò)通常分四層：輸入層，隱含層（中間層），承接層和輸出層。傳遞函數(shù)大多都是線性函數(shù)，少部分為非線性函數(shù)[7]。由于它增加了一個(gè)承接層當(dāng)作一種延時(shí)算子，具有記憶的功能，通過(guò)承接層將上一個(gè)時(shí)刻的隱含層狀態(tài)的數(shù)據(jù)與當(dāng)前時(shí)刻的網(wǎng)絡(luò)輸入數(shù)據(jù)一起作為隱含層的輸入，相當(dāng)于歷史狀態(tài)反饋，并將前一時(shí)刻的數(shù)據(jù)記憶下來(lái)作為下一時(shí)刻的輸出時(shí)的輸入，使得當(dāng)前狀態(tài)下的輸出不僅只是與當(dāng)前的輸入有關(guān)還和前一時(shí)刻的輸入也有關(guān)系，從而能讓系統(tǒng)可以直接反應(yīng)動(dòng)態(tài)過(guò)程系統(tǒng)的特性。Elman網(wǎng)絡(luò)數(shù)學(xué)模型如式（1）所示：

Yt=gW3Xt+Y′（t））

Xt=fW1Ut-1+W2Xc（t））

Xc（t）=Xt-1（1）

2 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程如圖1所示，首先初始化載入某地區(qū)一個(gè)月的歷史負(fù)荷數(shù)據(jù)，將載入的數(shù)據(jù)進(jìn)行劃分，構(gòu)造合適樣本集和和測(cè)試集和，同時(shí)為了方便網(wǎng)絡(luò)的訓(xùn)練，進(jìn)行數(shù)據(jù)的歸一化，統(tǒng)一規(guī)劃到區(qū)間[0，1]。構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)，然后用構(gòu)造好的訓(xùn)練數(shù)據(jù)作為樣本值進(jìn)行訓(xùn)練，在實(shí)際的網(wǎng)絡(luò)訓(xùn)練中訓(xùn)練數(shù)據(jù)在經(jīng)過(guò)輸入層之后，進(jìn)行初始化網(wǎng)絡(luò)，給定隨機(jī)的權(quán)值與閾值，數(shù)據(jù)進(jìn)入隱含層，承接層從隱含層接收反饋信號(hào)，用來(lái)記憶隱含層前一刻的輸出值，繼續(xù)輸出到隱含層，通過(guò)輸出層輸出之后，計(jì)算誤差函數(shù)，利用方向傳播的算法更新權(quán)值與閾值。周而復(fù)始不斷循環(huán)更新權(quán)值和閾值直至達(dá)到理想的誤差范圍，這樣就構(gòu)建起可靠準(zhǔn)確的模型用以實(shí)際預(yù)測(cè)。得到訓(xùn)練好的網(wǎng)絡(luò)之后，將劃分好的測(cè)試數(shù)據(jù)作為測(cè)試值進(jìn)行測(cè)試。

3 實(shí)例分析

3.1 數(shù)據(jù)劃分

該文研究的電力實(shí)際負(fù)荷數(shù)據(jù)問(wèn)題，是基于上一個(gè)時(shí)間段的歷史負(fù)荷數(shù)據(jù)來(lái)預(yù)測(cè)下一時(shí)間段的負(fù)荷數(shù)據(jù)，是一個(gè)關(guān)于時(shí)間序列問(wèn)題。采集某地區(qū)月電力實(shí)際負(fù)荷數(shù)據(jù)之后進(jìn)行分析。抽取A1-AN為第一個(gè)樣本數(shù)據(jù)，其中A1，A2，…，AN-1自變量，AN為目標(biāo)函數(shù)值。在電力實(shí)際負(fù)荷數(shù)據(jù)中，設(shè)N=8，即當(dāng)前數(shù)據(jù)由前7組數(shù)據(jù)運(yùn)算得到。

3.2 數(shù)據(jù)分析

運(yùn)用MATLAB工具，創(chuàng)建Elman神經(jīng)網(wǎng)絡(luò)。該神經(jīng)網(wǎng)絡(luò)設(shè)置12個(gè)神經(jīng)元，訓(xùn)練函數(shù)選擇traingdx，將最大迭代次數(shù)設(shè)置為為10000次，訓(xùn)練目標(biāo)誤差為0.001，最多驗(yàn)證失敗次數(shù)6。Elman網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

在MATLAB上運(yùn)行程序可得，總的運(yùn)行迭代次數(shù)為7024次，耗時(shí)5秒。在相同情況下，采用BP神經(jīng)網(wǎng)絡(luò)運(yùn)行迭代次數(shù)為9842次，時(shí)間為8秒。Elman神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)的曲線圖如下圖3所示：

得出的數(shù)據(jù)與真實(shí)值做比較，其結(jié)果如下表所示。

可以看出Elman神經(jīng)網(wǎng)絡(luò)模型的均方誤差MSE比BP神經(jīng)網(wǎng)絡(luò)小，這表明Elman神經(jīng)網(wǎng)絡(luò)在描述負(fù)荷預(yù)測(cè)實(shí)驗(yàn)數(shù)據(jù)具有更好的精確度。

4 結(jié)語(yǔ)

以某地區(qū)月電力系統(tǒng)負(fù)荷數(shù)據(jù)作為負(fù)荷預(yù)測(cè)問(wèn)題為研究對(duì)象，利用MATLAB構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練同時(shí)選定合適的隱藏層數(shù)，再基于訓(xùn)練好的模型進(jìn)行測(cè)。通過(guò)與真實(shí)數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的數(shù)據(jù)相比較的誤差分析，表明該預(yù)測(cè)方法精度高，但是訓(xùn)練步長(zhǎng)較長(zhǎng)，收斂速度不夠迅速，這是在今后需要改進(jìn)的地方，此外在數(shù)據(jù)劃分上還需要深入研究，如何設(shè)置合理的訓(xùn)練數(shù)據(jù)組使得用盡量少的時(shí)間來(lái)訓(xùn)練，從而獲得較好的訓(xùn)練結(jié)果。

參考文獻(xiàn)：

[1]Elman J L.Finding structure in time[J].Cognitive science，1990.

[2]陳宇杰.基于BP神經(jīng)網(wǎng)絡(luò)的區(qū)域配電網(wǎng)中期電力負(fù)荷預(yù)測(cè)[D].吉林大學(xué)，2017.

[3]宿鵬.基于MATLAB的短期電力實(shí)用負(fù)荷預(yù)測(cè)模型的研究[J].智能電網(wǎng)，2016，4（12）：1215-1218.

[4]孫靜.基于BP神經(jīng)網(wǎng)絡(luò)的耳語(yǔ)音增強(qiáng)的研究[D].蘇州大學(xué)，2008.

[5]石德琳.基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)研究與實(shí)現(xiàn)[D].濟(jì)南：山東大學(xué)，2016.

[6]于浩祺.電力負(fù)荷特性分析及短期負(fù)荷預(yù)測(cè)系統(tǒng)的研發(fā)[D].長(zhǎng)沙：湖南大學(xué)，2016.

[7]歐陽(yáng)慧雨，陳濤.基于Elman神經(jīng)網(wǎng)絡(luò)的非線性函數(shù)擬合[J].電腦知識(shí)與技術(shù)，2017.

指導(dǎo)老師：趙宇紅，碩士，教授，碩士生導(dǎo)師。