基于BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的電力系統(tǒng)負(fù)荷預(yù)測

王善磊 河海大學(xué)能源與電氣學(xué)院

電力系統(tǒng)的一項十分重要的日常工作便是電力系統(tǒng)負(fù)荷預(yù)測，負(fù)荷預(yù)測是否精準(zhǔn)關(guān)系到電網(wǎng)運行的經(jīng)濟性、安全性以及電能質(zhì)量。準(zhǔn)確的電力負(fù)荷預(yù)測有助于合理地布局電力投資、統(tǒng)籌安排購電計劃和制定運行時間，對于社會效益和經(jīng)濟效益的提升大有裨益。

早期研究的電力負(fù)荷預(yù)測方法主要有時間序列、回歸分析、和趨勢外推等 ，這些模型多基于線性建模，卻未考慮到短期電力負(fù)荷預(yù)測受到天氣、季節(jié)、節(jié)假日和經(jīng)濟等多種因素影響，忽略了負(fù)荷變化具有隨機性、自相似性、突發(fā)性、混沌性的特點，從而導(dǎo)致預(yù)測結(jié)果與實際需求有一定的差距。

在此背景下，區(qū)間預(yù)測方法逐步受到重視。但是，區(qū)間預(yù)測不可避免的存在計算復(fù)雜、假設(shè)性強、預(yù)測時間長等問題，隨著Eberh博士和kennedy博士粒子群算法的提出，在此理論支持下，基于粒子群群算法的電力系統(tǒng)負(fù)荷預(yù)測逐漸成為研究熱點。文獻(xiàn)[2]同樣在粒子群算法的基礎(chǔ)上，提出一種改進(jìn)粒子群－c神經(jīng)網(wǎng)絡(luò)模型的短期電力負(fù)荷預(yù)測，通過神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)能力對電力系統(tǒng)負(fù)荷作出合理的預(yù)測。

BP神經(jīng)網(wǎng)絡(luò)良好的非線性處理能力，使得 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)變得更為簡單、運算速度加快，提高了預(yù)測精度。筆者將通過實例對此說明。

1 BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

1.1 傳統(tǒng)的負(fù)荷預(yù)測過程：

對于基于BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測模型，需要指出的是，傳統(tǒng)理論上的BP網(wǎng)絡(luò)模型在電力系統(tǒng)符合預(yù)測中存在著以下問題：學(xué)習(xí)時間過長，學(xué)習(xí)效率低下。電力系統(tǒng)的負(fù)荷預(yù)測較其他問題而言相對復(fù)雜，傳統(tǒng)的學(xué)習(xí)方式效率低下；基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測，難以滿足目標(biāo)精度。

因此需要對該理論模型進(jìn)行改進(jìn)，筆者主要從以下三個方面進(jìn)行了改進(jìn)：

1.2 BP網(wǎng)絡(luò)模型的改進(jìn)

1.2.1 利用動量法調(diào)整權(quán)值

權(quán)值得選取是BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)的核心，文章采用動量法權(quán)值調(diào)整法對權(quán)值做出如下計算：

其中：α為動量系數(shù)，通常0＜α＜0.9；η—學(xué)習(xí)率，范圍在0.001～10之間。

這種做法就是上一次權(quán)值調(diào)整量的一部分迭加到按本次誤差計算所得的權(quán)值調(diào)整量上，作為本次的實際權(quán)值調(diào)整量。這樣做的原因是電力系統(tǒng)的負(fù)荷前后具有一定的關(guān)聯(lián)，相互影響，因此須在此對BP算法進(jìn)行一定的改進(jìn)。

另外，所加的動量因子其實相當(dāng)于阻尼項，有效抑制了了學(xué)習(xí)過程中的振蕩趨勢，從而改善了收斂性。大大降低了網(wǎng)絡(luò)對于誤差曲面局部細(xì)節(jié)的敏感性，同時又能做到預(yù)測值之間的相互關(guān)聯(lián)。

1.2.2 采取自適應(yīng)方法調(diào)整學(xué)習(xí)速率

學(xué)習(xí)率選擇不當(dāng)對于電力系統(tǒng)負(fù)荷預(yù)測的精準(zhǔn)度以及預(yù)測效率都有一定的影響。學(xué)習(xí)率取值太小，收斂過慢，預(yù)測效率低下學(xué)習(xí)率選得太大，修正過頭，產(chǎn)生振蕩甚至發(fā)散。因此文章將改進(jìn)學(xué)習(xí)率：在學(xué)習(xí)收斂的情況下，增大η，以減少學(xué)習(xí)時間；當(dāng)η偏大甚至不能收斂時，要適當(dāng)減小η，使其合理收斂。

1.2.3 學(xué)習(xí)規(guī)則調(diào)整

Levenberg-Marquardt算法比較而言運算速度快，算法結(jié)構(gòu)簡單，雖然需要相當(dāng)大的存儲空間，但整體而言還是擁有較高的選擇權(quán)。其對于權(quán)值的調(diào)整有如下規(guī)定:

2 實驗驗證

2.1 改進(jìn)的BP網(wǎng)絡(luò)模型效果驗證

為了驗證所改進(jìn)模型的正確性，筆者通過具體的仿真實驗，通過調(diào)取某日某市的負(fù)荷數(shù)據(jù)，設(shè)置12個節(jié)點進(jìn)行仿真，設(shè)定預(yù)期目標(biāo)ε=0.0001。

2.2 對比結(jié)果分析

傳統(tǒng)的BP網(wǎng)絡(luò)模型不僅學(xué)習(xí)速度上較慢，最終結(jié)果的精度也難以達(dá)到要求。反觀改進(jìn)后的BP網(wǎng)絡(luò)模型，其訓(xùn)練誤差達(dá)到9.89028×10-5，測試誤差為1.9899×10-4，符合預(yù)期的目標(biāo)。

3 結(jié)束語

文章通過對現(xiàn)有的BP網(wǎng)絡(luò)模型進(jìn)行研究，找出其不足之處，并結(jié)合電力系統(tǒng)負(fù)荷預(yù)測的需求，將模型進(jìn)行了改進(jìn)。最后通過實驗證明，改進(jìn)后的神經(jīng)網(wǎng)絡(luò)模型不僅在學(xué)習(xí)速度上有所改觀，最終的精度也能達(dá)到預(yù)期要求。這對于今后的電力系統(tǒng)負(fù)荷預(yù)測，具有較高的參考價值。

[1]朱繼萍，戴君．中長期電力負(fù)荷預(yù)測相關(guān)影響因素優(yōu)化選擇［J］．計算機仿真，2008，25(5): 226－229．

[2]雷紹蘭，孫才新，周湶，等.電力短期負(fù)荷的多變量時間序列線性回歸預(yù)測方法研究.中國電機工程學(xué)報，2006;26(2):25—29

[3]趙宏偉，任震，黃雯瑩.基于周期自回歸模型的短期負(fù)荷預(yù)測．中國電機工程學(xué)報，1997;17(5):350—353

[4] 林曉華，馮毅雄，譚建榮．基于免疫優(yōu)化的產(chǎn)品系統(tǒng)可靠性參數(shù)區(qū)間預(yù)測方法［J］．浙江大學(xué)學(xué)報(工學(xué)版)，2013，(6):1013－1021