彭鐘華
(深圳蓄能發(fā)電有限公司,廣東 深圳 518115)
基于遺傳算法優(yōu)化PNN的短期負荷預測
彭鐘華
(深圳蓄能發(fā)電有限公司,廣東 深圳 518115)
為提高短期負荷預測精度,提出了一種基于遺傳算法優(yōu)化概率神經(jīng)網(wǎng)絡(PNN)的短期預測模型。首先對負荷數(shù)據(jù)異常值進行辨識與修正,建立PNN短期預測模型,在此基礎上引入遺傳算法(GA),優(yōu)化概率神經(jīng)網(wǎng)絡的平滑因子,改善了PNN模型的性能,優(yōu)化后的PNN短期預測模型預測精度得到明顯的提高。實例預測結果證實了該方法的有效性。
概率神經(jīng)網(wǎng)絡;平滑因子;遺傳算法;短期負荷預測
人工神經(jīng)網(wǎng)絡[1-2]自誕生以來,已經(jīng)被廣泛用于各個領域。其中,概率神經(jīng)網(wǎng)絡[3-4]作為神經(jīng)網(wǎng)絡的一支,大多被用于對數(shù)據(jù)進行分類[5],但它在回歸分析方面也有不錯的表現(xiàn),為進一步改善PNN模型的性能,國內(nèi)外學者都做了很多努力[6-8]。本文將著重分析它的回歸性能,應用于短期負荷預測[9]。
本文首先對歷史負荷數(shù)據(jù)進行辨識與修正[10-12],在此基礎上,建立概率神經(jīng)網(wǎng)絡預測模型,該模型利用遺傳算法優(yōu)化其平滑因子參數(shù),使得模型的預測精度顯著提高。
異常數(shù)據(jù)的辨識與修正[13],在短期負荷預測前期數(shù)據(jù)處理中起著舉足輕重的地位。
假設L(i,j)表示第i天第j時刻的負荷數(shù)值。
(1)首先尋找第i天的模極大值點,若存在|L(i,j-1)|<|L(i,j)|∩|L(i,j+1)|<|L(i,j)|,則將L(i,j)作為模極大值點,用Lmax(i,j)表示。
(2)m天第j時刻負荷平均值為:
(1)
m表示所選負荷天數(shù)。
(3)對于含有異常的模極大值的點進行修正,如下式所示:
(2)
其中,K1和k2的值是根據(jù)經(jīng)驗而設定,本文分別取值為1.2和0.8。
3.1 PNN簡介
概率神經(jīng)網(wǎng)絡[13](Probabilistic Neural Network,PNN)源于徑向基神經(jīng)網(wǎng)絡,是RBF神經(jīng)網(wǎng)絡一種發(fā)展形式。其繼承了RBF神經(jīng)網(wǎng)絡的優(yōu)點,運算速度快,相對于其它經(jīng)典神經(jīng)網(wǎng)絡,PNN無需經(jīng)過大量數(shù)據(jù)的訓練,利用線性學習算法解決非線性算法所能解決的問題,且能保持教高的精度,能夠達到實時處理數(shù)據(jù)的要求。
PNN由輸入層、模式層、求和層和決策層構成。輸入向量X=(x1,x2,…,xn)T,n為樣本維數(shù),輸出m維向量Y=(y1,y2,…,ym)T。輸入層是感知層,輸入的訓練數(shù)據(jù)樣本經(jīng)輸入層處理后傳遞給其它層網(wǎng)絡。模式層介于輸入層和求和層之間,用于計算訓練集與輸入樣本數(shù)據(jù)中各模式間的匹配關系,每個模式單元的輸出值可表示為:
(3)
式中,δ表示分類的平滑因子,ωi為輸入層與模式層間的連接權系數(shù)。
求和層對屬于某類型的概率進行累計統(tǒng)計,根據(jù)式(3)計算得到估計概率密度函數(shù),僅對所屬單元的輸出進行簡單地相加。
輸出層包含若干閾值辨別器,該層的神經(jīng)元屬于競爭神經(jīng)元,接收求和層中所輸出的各類不同的概率密度函數(shù),按照PDF估計可以得到:
(4)
概率神經(jīng)網(wǎng)絡的結構圖如圖1所示。
3.2 遺傳算法
自美國的Holland教授提出遺傳算法[13-16](Genetic Algorithm,GA)以來,該算法已被應用于多個領域,包括:路徑規(guī)劃、調(diào)度問題、旅行商問題、模式識別、數(shù)據(jù)挖掘優(yōu)化問題、水管網(wǎng)的優(yōu)化設計、數(shù)據(jù)挖掘、模式分類、函數(shù)優(yōu)化、圖像識別、軟件工程和任務分配等。該算法源于孟德爾的遺傳學說和達爾文的進化論,是一種啟發(fā)式群智能搜索算法。對于傳統(tǒng)優(yōu)化算法不能解決的優(yōu)化問題,遺傳算法可以得到較好的效果。
圖1 PNN模型
遺傳算法的算法基本流程結構圖如圖2所示。
圖2 遺傳算法基本流程圖
4.1 預測模型實現(xiàn)
將訓練日歷史數(shù)據(jù)進行辨識與修正,對每個時刻點負荷序列,分別建立基于GA優(yōu)化PNN的短期負荷預測模型。
基本預測步驟如下:
(1)將歷史負荷數(shù)據(jù)進行異常值的辨識與修正。
(2)將歷史負荷數(shù)據(jù)、歷史氣象數(shù)據(jù)和天氣預測數(shù)據(jù)進行歸一化處理。
(3)建立概率神經(jīng)網(wǎng)絡預測模型,以歷史負荷數(shù)據(jù)和歷史氣象數(shù)據(jù)作為輸入,以實際的負荷數(shù)據(jù)作為輸入,訓練PNN網(wǎng)絡。
(4)利用遺傳算法優(yōu)化PNN的平滑因子。
(5)歷史負荷數(shù)據(jù)和天氣預報數(shù)據(jù)作為測試數(shù)據(jù),計算出預測值,進行數(shù)據(jù)反歸一化,得到最終的短期負荷預測值。
基于GA優(yōu)化PNN的短期負荷預測模型基本流程圖如圖3所示。
4.2 應用算例分析
為了驗證基于GA優(yōu)化PNN的短期負荷預測模型的有效性,本文以某地區(qū)2015年10到11月份的電力負荷數(shù)據(jù)和氣象歷史數(shù)據(jù)和預測數(shù)據(jù)作為訓練和測試數(shù)據(jù),對每個時刻點分別建立預測模型,對2015年11月18日到24日每個時刻點負荷值進行預測,結果如下:
圖4是11月20日該模型的預測結果與實際值的對比。
圖3 基于GA優(yōu)化PNN的短期負荷預測模型
圖4 2015年11月20日模型預測結果
該天負荷預測相對誤差曲線如圖5所示。
表1為PNN和GA-PNN兩種方法的預測結果誤差分析。
表1中的誤差計算采用的是平均相對誤差,其公式為:
圖5 2015年11月20日模型預測相對誤差
日期PNNMAPE/%GA-PNNMAPE/%2015-11-183.75201.44942015-11-192.52142.14232015-11-203.21562.42842015-11-212.53931.93642015-11-223.44312.84312015-11-232.40581.72592015-11-241.72350.9273平均值2.80011.9218
(5)
進行恰當?shù)那捌跀?shù)據(jù)預處理,即對負荷數(shù)據(jù)中壞數(shù)據(jù)的辨識與修正,是后期預測模型高精度預測的前提條件。基于GA優(yōu)化PNN的短期負荷預測模型(GA-PNN),利用遺傳算法優(yōu)化PNN的平滑因子參數(shù),使得PNN模型的預測精度得到改善,模型的可靠性得到提高。
[1] 王洪元,史國棟.人工神經(jīng)網(wǎng)絡技術及其應用[M].北京:中國石化出版社,2002.
[2] D.C.Park,M.A.EI-Sharkawi,R.J.MarksⅡ,L.E.Atlas and M.J.Damborg.Electric Load Forecasting Using An Artificial Neural Network[J].IEEE Trans.on power systems,1991,6(2):442-449.
[3] Speeht D F.Probabilistic neural networks[J].Neural Networks,1990,3(1):109-118.
[4] Xiao-cong Li,Le Wang,Qiu-wen Li,Ke Wang,The short-term load forecasting based on grey theory and RBF neural network[C].APPEEC,2011:1-4.
[5] 蔣蕓,陳娜,名利特,等.基于Bagging的概率神經(jīng)網(wǎng)絡集成分類算法[J].計算機工程,2013,40(5):242-246.
[6] 趙佳白.概率神經(jīng)網(wǎng)絡的改進研究及其在股票預測上的應用[D].廣州:暨南大學,2007.
[7] 黎群輝,張航.基于改進概率神經(jīng)網(wǎng)絡的交通標志圖像識別方法[J].系統(tǒng)工程,2006,24(4):97-101.
[8] 高甜容,于東,岳東峰.基于自適應誤差修正模型的概率神經(jīng)網(wǎng)絡及其在故障診斷中的應用[J].系統(tǒng)工程,2013,19(11):2824-2833.
[9] 孟明,盧建昌,孫偉.基于優(yōu)化概率神經(jīng)網(wǎng)絡的電力負荷預測模型研究[C]//中國控制與決策學術年會論文集,2006,1427-1430.
[10] 田增堯,張明理,趙瑞.短期電力負荷預報中異常負荷數(shù)據(jù)的識別和修正[J].吉林電力,2004,(6):21-23.
[11] CHEN Jiyi,LI Wenyuan,LAU Adriel,et al.Automated Load Curve Data Cleansing in Power Systems[J].IEEE Trans on Smart Grids,2010,1(2):213-221.
[12] 陳亞紅,穆鋼,段方麗.短期電力負荷預報中幾種異常數(shù)據(jù)的處理[J].東北電力學院學報,2002,22(2):1-5.
[13] 王樂.基于灰色理論和神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測研究及其比較[D].廣西大學,2012.
[14] 王靜,田麗,蔣慧.基于遺傳算法的RBF網(wǎng)絡的短期電力負荷預測[J].電子技術,15-16.
[15] 王武,張元敏,蔡子亮.基于遺傳優(yōu)化神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測[J].繼電器,2008,36(9):39-47.
[16] 董輝.基于優(yōu)化遺傳算法的灰色-RBF 神經(jīng)網(wǎng)絡預測模型研究[J].新鄉(xiāng)學院學報,2012,39(3):237-240.
Short-term Load Forecasting Based on PNN Optimized by Genetic Algorithm
PENG Zhong-hua
(Shenzhen Pumped Storage Power Station Company,Shenzhen 518115,Guangdong,China)
In order to improve the prediction accuracy of short-term load forecasting,the method based on probability neural network(PNN)optimized by genetic algorithm(GA)is proposed in this paper.After data identification and correction of load,the PNN forecasting model is established,followed by the introduction of genetic algorithm optimize the smoothing parameters of PNN to improve the performance of the PNN and the optimized PNN short-term load forecasting model accuracy has been improved obviously.The effectiveness of the proposed method is verified by examples.
probability neural network;smoothing parameter;genetic algorithm;short-term load forecasting
1004-289X(2017)01-0049-04
TM72
B
2016-07-05
彭鐘華(1987-),男,從事抽水蓄能電站建設工作。