摘要：為確保電力系統(tǒng)運行的安全性與穩(wěn)定性，短期電力負(fù)荷預(yù)測已成為常態(tài)化工作。而隨著電網(wǎng)形態(tài)的多元化、電力負(fù)荷的迅猛增長，電力供應(yīng)緊張局面越發(fā)嚴(yán)峻，這就使得電力公司不但要面臨技術(shù)上的挑戰(zhàn)，還要面對經(jīng)濟(jì)上的壓力。在進(jìn)行短期電力負(fù)荷預(yù)測時，經(jīng)常使用到的人工智能算法有很多，如支持向量法、人工神經(jīng)網(wǎng)絡(luò)法以及模糊預(yù)測法等，但這些電力負(fù)荷預(yù)測方法均存在一定不足，如自適應(yīng)能力較差、尋優(yōu)時間長、預(yù)測精度效果不佳等。為彌補(bǔ)這些不足，在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上融合人工蜂群算法，并對這種算法模型在短期電力負(fù)荷預(yù)測中的應(yīng)用可行性進(jìn)行了檢驗，結(jié)果肯定了人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)模型的可行性，該模型具有較好的穩(wěn)定性和精準(zhǔn)度。

關(guān)鍵詞：人工蜂群算法;BP神經(jīng)網(wǎng)絡(luò);電力負(fù)荷;預(yù)測

中圖分類號：TM715;TP183? 文獻(xiàn)標(biāo)志碼：A? 文章編號：1671-0797（2022）03-0006-04

DOI：10.19514/j.cnki.cn32-1628/tm.2022.03.002

0? ? 引言

雖然電網(wǎng)數(shù)據(jù)量在不斷增加，為短期電力負(fù)荷預(yù)測提供了足夠的數(shù)據(jù)支持，但也提高了預(yù)測難度[1-4]。同時，電力負(fù)荷數(shù)據(jù)均源自于用電信息采集系統(tǒng)數(shù)據(jù)庫，數(shù)據(jù)異常問題不可避免，若不進(jìn)行剔除，勢必會對電力負(fù)荷預(yù)測精度造成干擾[5]。因此，本文將從異常數(shù)據(jù)的預(yù)處理出發(fā)進(jìn)行研究，以提高電力負(fù)荷數(shù)據(jù)質(zhì)量，為后續(xù)的人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測實驗開展掃清路障。

1? ? 異常數(shù)據(jù)的預(yù)處理方法

1.1? ? 異常數(shù)據(jù)常見的表現(xiàn)形式

異常數(shù)據(jù)常見的表現(xiàn)形式有4種：（1）存在缺失值和零值，導(dǎo)致這種現(xiàn)象發(fā)生的主要原因有兩個，一是大負(fù)荷突然投切，二是停電檢修;（2）負(fù)荷毛刺，導(dǎo)致這種現(xiàn)象發(fā)生的主要原因是負(fù)荷受到了突然事件沖擊，使得相鄰時刻負(fù)荷值突然增大或減小;（3）連續(xù)突變值，這種情況出現(xiàn)一般是線路局部故障負(fù)荷轉(zhuǎn)移所致;（4）連續(xù)恒定非零值，該情況的出現(xiàn)勢必為負(fù)荷在某時刻其值為零且處于恒定狀態(tài)所致。

1.2? ? 數(shù)據(jù)橫向比對法

為了對這類異常數(shù)據(jù)進(jìn)行有效處理，此處首先使用的是數(shù)據(jù)橫向比對法。具體判別思路如下：以相鄰時刻的負(fù)荷數(shù)據(jù)為判斷基準(zhǔn)，觀察負(fù)荷數(shù)據(jù)是否在預(yù)設(shè)區(qū)間內(nèi)，從而實現(xiàn)負(fù)荷數(shù)據(jù)判斷。假如負(fù)荷數(shù)據(jù)為異常數(shù)據(jù)，則需要利用式（1）進(jìn)行修正。

式中：p（d，t）表示第d天t時刻的負(fù)荷數(shù)據(jù);p（d，t+1）表示第d天t+1時刻的負(fù)荷數(shù)據(jù);p（d，t-1）表示第d天t-1時刻的負(fù)荷數(shù)據(jù);α（t）與β（t）均為閾值。

但這種異常數(shù)據(jù)處理方法不能對連續(xù)性缺失數(shù)據(jù)和突變數(shù)據(jù)進(jìn)行處理。為解決這一難題，確保異常數(shù)據(jù)處理的有效進(jìn)行，在該方法的基礎(chǔ)上進(jìn)行了相應(yīng)的改進(jìn)（結(jié)合縱向比較法），具體如下文所述。

1.3? ? 改進(jìn)后的數(shù)據(jù)雙向比較法

改進(jìn)后的數(shù)據(jù)比較法除了具備橫向比對法應(yīng)有的能力外，還具備縱向比較法的性能。數(shù)據(jù)雙向比較法原理如下：

（1）對異常數(shù)據(jù)進(jìn)行評判時，可對相鄰時刻負(fù)荷數(shù)據(jù)進(jìn)行比較，以獲取負(fù)荷變化量。

（2）將每天相同時刻的負(fù)荷數(shù)據(jù)與前一時刻的負(fù)荷數(shù)據(jù)進(jìn)行縱向比較，以獲取平均負(fù)荷變化值，即其閾值α（t）。

（3）利用閾值完成異常數(shù)據(jù)的篩選工作，而后在相鄰負(fù)荷最大化范圍的基礎(chǔ)上對異常數(shù)據(jù)進(jìn)行約束。

（4）依照時間順序，對異常數(shù)據(jù)進(jìn)行識別與修正，在得到最終修正結(jié)果后，便可替換掉下一時刻數(shù)據(jù)的基準(zhǔn)值。

（5）對幾天內(nèi)的數(shù)據(jù)進(jìn)行同時處理，在得到這幾天內(nèi)的異常負(fù)荷數(shù)據(jù)后，修正值可由正常數(shù)據(jù)的平均值替代。

該方法具體計算公式如下：

聯(lián)立式（3）與式（4），可得到式（5）：

式中：閾值α（t）表示t時刻N(yùn)天的平均負(fù)荷變化量;p（d，t）表示第d天t時刻的負(fù)荷數(shù)據(jù);p（q，t）表示第d天t時刻的正常負(fù)荷數(shù)據(jù);K表示正常負(fù)荷數(shù)據(jù)的數(shù)據(jù)個數(shù);θ表示可調(diào)參數(shù)，利用可調(diào)參數(shù)可實現(xiàn)修正程度的調(diào)整。

通過多次測試得知，可調(diào)參數(shù)與修正程度成反比關(guān)系，隨著可調(diào)參數(shù)的不斷增大，修正程度會逐漸縮小，并在實驗中確定了θ的取值為1.2。

2? ? 人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測模型實現(xiàn)流程

人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法相同，此處不進(jìn)行分析[6-7]。在網(wǎng)絡(luò)結(jié)構(gòu)的選擇上，選取了三層36-24-24網(wǎng)絡(luò)結(jié)構(gòu)，并選擇Log-sigmoid作為此次的激活函數(shù)。

2.1? ? 人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)的參數(shù)選擇

為彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的不足，引入了人工蜂群算法。為了不加大后續(xù)的計算難度，需要選擇合適的參數(shù)，具體設(shè)定如下：令蜂群規(guī)模為200;令跟隨蜂、初始蜜源以及雇傭蜂的數(shù)量均為100;令limit為120次，算法最大迭代次數(shù)為1 000。

2.2? ? 人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)流程

人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)模型的具體實現(xiàn)流程如圖1所示。

由圖1可以看出，人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)主要經(jīng)過3個步驟：（1）在確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后，對蜂群參數(shù)（如蜂群大小、初始蜜源、最大迭代次數(shù)等）進(jìn)行初始化處理。（2）利用雇傭蜂在領(lǐng)域內(nèi)搜尋新蜜源，并計算其適應(yīng)度情況，當(dāng)適應(yīng)度大于蜜源時，則進(jìn)行標(biāo)記與取代;反之則舍棄新蜜源。（3）對迭代過程進(jìn)行檢查，以確定是否達(dá)到終止條件，當(dāng)達(dá)到終止條件時，獲取最優(yōu)權(quán)值和閾值，并進(jìn)行相應(yīng)的測試工作，獲取最終結(jié)果;反之則重復(fù)迭代過程，直至達(dá)到最大迭代次數(shù)為止。

3? ? 預(yù)測結(jié)果分析

3.1? ? 人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)模型辨識精度檢驗

為了確定人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)模型在電力負(fù)荷預(yù)測中的可行性，以某市2020年6月21日至7月21日的歷史負(fù)荷數(shù)據(jù)作為樣本數(shù)據(jù)，進(jìn)行電力負(fù)荷測試仿真實驗。實驗中，對人工蜂群算法+BP神經(jīng)網(wǎng)絡(luò)模型與單一的BP神經(jīng)網(wǎng)絡(luò)模型同時迭代200次，得到迭代次數(shù)與均方根誤差間的關(guān)系，如圖2所示。

隨著均方根的不斷減小，預(yù)測值會不斷向真實值靠攏。由圖2可以看出，BP神經(jīng)網(wǎng)絡(luò)算法迭代130次后，均方根誤差值趨于平穩(wěn)，但其值大于1%;而人工蜂群+BP神經(jīng)網(wǎng)絡(luò)算法迭代94次后，均方根誤差值趨于平穩(wěn)，且其值小于1%。相比之下可知，人工蜂群+BP神經(jīng)網(wǎng)絡(luò)算法不但具有較高的收斂性，而且其尋優(yōu)精度較高。

3.2? ? 訓(xùn)練性能對比實驗

為檢驗人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能情況，此處與單一BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比較研究，具體比較實驗分為兩種：（1）電力負(fù)荷預(yù)測比對實驗;（2）誤差指標(biāo)比對實驗。實驗數(shù)據(jù)均為某市2020年8月3日至8月9日連續(xù)一周內(nèi)的歷史數(shù)據(jù)，預(yù)測結(jié)果分別如圖3、圖4所示。

由圖3與圖4可知，人工蜂群+BP神經(jīng)網(wǎng)絡(luò)算法的電力負(fù)荷預(yù)測結(jié)果更加接近真實值，絕對百分誤差結(jié)果更小。經(jīng)過多次實驗統(tǒng)計得到了人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型與單一BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能結(jié)果，具體如表1所示。

由表1可知，與BP神經(jīng)網(wǎng)絡(luò)模型相比，人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果較優(yōu)，平均絕對百分誤差為1.639%，最大相對誤差為3.709%。為了進(jìn)一步檢測人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果，對8月25日當(dāng)天的電力負(fù)荷情況進(jìn)行了預(yù)測，得到的結(jié)果如圖5、圖6所示。

由圖5與圖6可知，人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型的電力負(fù)荷預(yù)測結(jié)果更加接近真實值，絕對百分誤差結(jié)果更小，基本趨于0%～2%。BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差基本保持在2%～5%，但誤差波動較為明顯，容易出現(xiàn)局部最優(yōu)問題，對預(yù)測精度會造成一定的影響。為直觀披露人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型對電力負(fù)荷預(yù)測的可行性，對其平均絕對百分誤差與均方根誤差進(jìn)行了統(tǒng)計計算，并與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比對，得到的結(jié)果如表2所示。

從表2可以看出，利用人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測24 h內(nèi)電力負(fù)荷的平均絕對百分誤差為1.206%，BP神經(jīng)網(wǎng)絡(luò)模型的電力負(fù)荷預(yù)測的平均絕對百分誤差為3.850%，二者相差2.644%。融合了人工蜂群算法的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電力負(fù)荷預(yù)測的均方根誤差為1.745%，單一BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電力負(fù)荷預(yù)測得到的均方根誤差為6.657%，二者相差4.912%?？梢?，人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型在短期電力負(fù)荷預(yù)測中具有較高的穩(wěn)定性，能夠在短期電力負(fù)荷預(yù)測中發(fā)揮應(yīng)有的作用。

4? ? 結(jié)語

在電力負(fù)荷預(yù)測過程中，為了降低異常數(shù)據(jù)的干擾，通常需要對檢測數(shù)據(jù)進(jìn)行預(yù)處理。因此，本文首先給出了異常數(shù)據(jù)的預(yù)處理方法，以避免檢測數(shù)據(jù)中存在負(fù)荷毛刺、空值、缺失值以及連續(xù)突變值等異常數(shù)據(jù);接著給出了人工蜂群+BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測模型的實現(xiàn)流程，并選定了相關(guān)網(wǎng)絡(luò)參數(shù)，為后續(xù)的短期電力負(fù)荷預(yù)測實驗奠定了基礎(chǔ);最后，以某市2020年歷史數(shù)據(jù)為例，對人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型的可行性進(jìn)行了多次檢測，并與單一BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比較，得到的結(jié)果均肯定了人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型在短期電力負(fù)荷預(yù)測中應(yīng)用的可行性，且能夠得到較優(yōu)的預(yù)測結(jié)果。

[參考文獻(xiàn)]

[1] 田珂，丁博，馬文棟，等.一種電力負(fù)荷預(yù)測混合模型研究[J].計算技術(shù)與自動化，2020，39（4）：39-44.

[2] 楊婧，安江.基于自適應(yīng)混合算法的短期電力負(fù)荷預(yù)測[J].計算機(jī)與數(shù)字工程，2020，48（11）：2569-2577.

[3] 許言路，武志鍇，朱赫炎，等.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J].沈陽工業(yè)大學(xué)學(xué)報，2020，42（6）：618-623.

[4] 王激華，仇鈞，方云輝，等.基于深度長短期記憶神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測[J].廣東電力，2020，33（8）：62-68.

[5] 苗翯.用電信息采集系統(tǒng)未來應(yīng)用領(lǐng)域與發(fā)展[J].通信電源技術(shù)，2020，37（8）：258-260.

[6] 馬星河，婁晨陽，趙軍營，等.基于人工蜂群算法的空間負(fù)荷預(yù)測[J].電力系統(tǒng)及其自動化學(xué)報，2018，30（8）：102-107.

[7] 李彥生.基于神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)負(fù)荷預(yù)測方法[J].計算機(jī)與現(xiàn)代化，2021（6）：69-73.

收稿日期：2021-11-19

作者簡介：王天力（1995—），男，河南洛陽人，碩士研究生在讀，研究方向：電氣節(jié)能與新能源技術(shù)。