基于MIV和GA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的春節(jié)負(fù)荷預(yù)測

劉子良++徐群+李家輝+陳琛+李峰+安樹懷+王雨+韓曉燕+++李軍+楊繼超

摘 要：春節(jié)作為中國的傳統(tǒng)節(jié)日，群眾集中返鄉(xiāng)造成部分配變臺(tái)區(qū)發(fā)生重過載現(xiàn)象，嚴(yán)重影響供電可靠性。精準(zhǔn)的負(fù)荷預(yù)測可以幫助公司高效地開展春節(jié)保供電工作，確保節(jié)日期間居民用電平穩(wěn)有序。文章對(duì)青島市某一配變春節(jié)期間負(fù)荷特性進(jìn)行分析，通過應(yīng)用平均影響值進(jìn)行輸入變量的篩選，運(yùn)用遺傳算法對(duì)Elman神經(jīng)網(wǎng)絡(luò)初始閾值和權(quán)重進(jìn)行優(yōu)化，結(jié)合配變的額定參數(shù)，預(yù)測春節(jié)期間是否重載或過載。算理分析表明，該方法預(yù)測精度高，在工程應(yīng)用中具備可行性。

關(guān)鍵詞：春節(jié)負(fù)荷 負(fù)荷預(yù)測 Elman神經(jīng)網(wǎng)絡(luò) 應(yīng)用平均影響值 遺傳算法

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2017）06（a）-0041-05

Abstract：As China's traditional festivals， the masses focus on returning home caused by part of the distribution zone heavy overload phenomenon during the Sprint Festival， a serious impact on power supply reliability. Accurate load forecasting can help companies to carry out the work of the Spring Festival to ensure that the residents during the holiday season is stable and orderly. In this paper， the load characteristics during the Spring Festival in Qingdao are analyzed. The input variables are selected by applying the Mean Impact Value. The genetic algorithm is used to optimize the initial threshold and weight of the Elman neural network. According to the parameters of transformer， predict if it is overloaded. The arithmetic analysis shows that the method has high accuracy and is feasible in engineering application.

Key Words：Spring festival load；Load forecasting；Elman neural network；Mean impact value；Genetic algorithm

目前電力企業(yè)開展負(fù)荷預(yù)測主要集中在35 kV及以上的主網(wǎng)設(shè)備，或地區(qū)總負(fù)荷，對(duì)于10 kV配變的負(fù)荷預(yù)測，特別是在像春節(jié)這樣特殊節(jié)假日期間的負(fù)荷預(yù)測研究較少。作為中國傳統(tǒng)節(jié)日，春節(jié)期間保證居民安全穩(wěn)定用電是電力企業(yè)重要的社會(huì)責(zé)任，因此，做好春節(jié)期間配電臺(tái)區(qū)的負(fù)荷預(yù)測工作，對(duì)制定配電變壓器重過載的應(yīng)對(duì)措施，防止配電臺(tái)區(qū)設(shè)備損壞，保證居民安全、可靠用電具有十分重要的意義。目前，負(fù)荷預(yù)測的理論和方法較多，例如：時(shí)間序列、回歸分析、灰色模型、支持向量機(jī)等。這些方法模型簡單易用，但預(yù)測精度普遍較低，難以滿足負(fù)荷預(yù)測的要求。隨著人工智能技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛應(yīng)用于負(fù)荷預(yù)測，并逐漸成為主要方法之一。但單純的人工神經(jīng)網(wǎng)絡(luò)受制于初始權(quán)值的隨機(jī)選擇，網(wǎng)絡(luò)的收斂性和訓(xùn)練時(shí)間不穩(wěn)定，且很容易陷入局部極值點(diǎn)，泛化能力不強(qiáng)。

筆者對(duì)多臺(tái)配變春節(jié)期間的負(fù)荷特性進(jìn)行詳細(xì)分析，經(jīng)過大量實(shí)驗(yàn)驗(yàn)證發(fā)現(xiàn)春節(jié)期間的配變負(fù)荷很大程度依賴于歷史數(shù)據(jù)，年周期性較強(qiáng)，因此，決定采用反饋式神經(jīng)網(wǎng)絡(luò)，用MIV篩選作用顯著的輸入變量，用遺傳算法優(yōu)化網(wǎng)絡(luò)初始權(quán)值閾值，選取除夕至正月初六為預(yù)測周期，對(duì)配變進(jìn)行負(fù)荷預(yù)測。

1 基本理論

1.1 Elman神經(jīng)網(wǎng)絡(luò)模型

Elman神經(jīng)網(wǎng)絡(luò)是典型的反饋式神經(jīng)網(wǎng)絡(luò)，一般分為四層：輸入層、隱含層（中間層）、承接層和輸出層。網(wǎng)絡(luò)模型如圖1所示。輸入層、隱含層、輸出層的連接類似于前饋式網(wǎng)絡(luò)，輸入層的單元僅起信號(hào)傳輸作用，輸出層單元起線性加權(quán)作用。隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù)，承接層又叫上下文層或狀態(tài)層，它用來記憶隱含層單元前一時(shí)刻的輸出值并返回給網(wǎng)絡(luò)的輸入，可以認(rèn)為是一個(gè)一步延時(shí)算子。其特點(diǎn)是對(duì)歷史狀態(tài)的數(shù)據(jù)具有敏感性，內(nèi)部反饋機(jī)制增強(qiáng)了網(wǎng)絡(luò)自身處理動(dòng)態(tài)信息的能力，達(dá)到動(dòng)態(tài)建模的目的，非常適合配變春節(jié)期間的負(fù)荷預(yù)測。

式中，y為m維輸出結(jié)點(diǎn)；x為n維中間層結(jié)點(diǎn)；u為r維輸入結(jié)點(diǎn)；xc為n維反饋狀態(tài)向量；w 3為中間層到輸出層連接權(quán)值；w 2為輸入層到中間層連接權(quán)值；w 1為承接層到中間層的連接權(quán)值；g（*）為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合；f （*）為中間層神經(jīng)元的傳遞函數(shù)。

1.2 遺傳算法

Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)結(jié)果對(duì)初始權(quán)向量異常敏感，初始連接權(quán)重隨機(jī)選取，一旦取值不當(dāng)，極易引起網(wǎng)絡(luò)的振蕩，不收斂或訓(xùn)練時(shí)間過長，無法滿足精度要求。遺傳算法（Genetic Algorithm）是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法。初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代（generation）演化產(chǎn)生出越來越好的近似解，在每一代，根據(jù)問題域中個(gè)體的適應(yīng)度（fitness）大小選擇（selection）個(gè)體，并借助于自然遺傳學(xué)的遺傳算子（genetic operators）進(jìn)行組合交叉（crossover）和變異（mutation），產(chǎn)生出代表新的解集的種群。這個(gè)過程將導(dǎo)致種群像自然進(jìn)化一樣的后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過解碼（decoding），可以作為問題近似最優(yōu)解。通過實(shí)驗(yàn)結(jié)果表明，該方法應(yīng)用于春節(jié)期間配變負(fù)荷預(yù)測是有效可行的，具有工程實(shí)施價(jià)值。