电力系统供电负荷短期预测模型设计.pdf

第3 3 卷第0 2 期计算机仿真2 0 1 6 年2 月 文章编号：1 0 0 6 9 3 4 8 ( 2 0 1 6 ) 0 2 0 1 7 1 0 4 电力系统供电负荷短期预测模型设计 唐鉴1 2 ，丛杨2 ，高宏伟1 ( 1 沈阳理工大学信息科学与工程学院，辽宁沈阳1 1 0 1 5 9 ； 2 中国科学院沈阳自动化研究所，辽宁沈阳1 1 0 1 5 9 ) 摘要：为了提高供电系统电量负荷预测的精度，加快收敛速度，改进陷入局部最小值的可能性以及优化过程单一等问题，建 立了电力系统供电负荷短期预测模型，提出粒子群算法对反向神经网络初始化，并引入改进的遗传算法。在交叉过程中用父 代最佳值与下一代种群结合，优化网络权值，提升模型性能。将模型应用于辽宁某地区短时电量预测中，结果表明，上述方 法加快了模型的收敛速度，提高了预测精度；电力系统供电负荷短期预测模型很好地解决了电量预测精度不高等问题。 关键词：电量负荷；反向传播神经网络；粒子群算法；遗传算法优化；预测 中图分类号：T P 3 9 1 9文献标识码：B P r e d i c t i o nM o d e ld e s i g no fS h o r t T e r mL o a df o rP o w e rS y s t e m T A N GJ i a n l ”，C O N GY a n 9 2 ，G A OH o n g W e l 1 ( 1 C o l l e g eo fI n f o r m a t i o nS c i e n c ea n dE n g i n e e r i n g ，S h e n y a n gL i g o n gU n i v e r s i t y ，S h e n y a n gL i a o n i n g11 0 1 5 9 ，C h i n a ； 2 S h e n y a n gI n s t i t u t eo fA u t o m a t i o nC h i n e s eA c a d e m yo fS c i e n c e s ，S h e n y a n gL i a o n i n g11 0 1 5 9 ，C h i n a ) A B S T R A C T ：I no r d e rt oi m p r o v ep o w e rl o a dp r e d i c t i o na c c u r a c y ，f a s t e nc o n v e r g e n c e ，a v o i dl o c a lm i n i m a ，a n do p t i m i z et h ep r o c e s s ，ap r e d i c t i o nm o d e lo fs h o a t e r ml o a df o rp o w e rs y s t e mi se s t a b l i s h e d T h eP a r t i c l eS w a r mO p t i m i z a t i o ni su s e df o rm o d e li n i t i a l i z a t i o n ，a n dt h ei m p r o v e dg e n e t i ca l g o r i t h mi si n t r o d u c e d T h ei m p r o v e dm o d e li s 印- p l i e dt op r e d i c tt h es h o r t t i m ep o w e ri nar e g i o no fL i a o n i n g R e s u l t ss h o wt h a tt h i sm e t h o da c c e l e r a t e st h ec o n v e r - g e n c eo fB Pn e u r a ln e t w o r ka n di m p r o v et h ep r e d i c t i o na c c u r a c y K E Y W O R D S ：P o w e rl o a d ；B Pn e u r a ln e t w o r k ；I X 3 0o p t i m i z a t i o n ；G e n e t i ca l g o r i t h m ；P r e d i c t i o n l 引言 随着经济的快速发展，我国电力能源消耗量日趋增大。 电力生产因其特殊性，不能直接存储，这要求发电部门的电 力供应紧跟实际的负荷消耗情况。电量短期预测是当下电 力系统稳定供应中的一个重要环节。虽然针对电量负荷预 测的方法较多，但一般方法难以满足电力部门对预测精度的 要求，提高短时电量预测的精度与效率变得更加重要。 一般短期电量预测模型，是以小时为单位，根据不同 用户类型，在不同时间段的需求，预测相应的电量数值来指 导电力部门发电，以此来稳定电力供应。目前，对于电量预 测方法有时间序列法旧J ，回归法j ，人工神经网络预测模 型HJ ，灰色预测法等。现有的B P ( 反向传播) 神经网络能较 好的拟合数据以及强计算能力使其优于其它方法。电力系 基金项目：国家自然科学基金面上项目( N S F C6 1 3 7 5 0 1 4 ) 收稿日期：2 0 1 5 0 4 1 4 修回日期：2 0 1 5 0 5 1 5 统短期预测模型在B P 模型的基础上进行改进，加入粒子群 算法初始化，并在遗传算法6 7 1 优化步骤中引入最佳父代 交叉法。对实际电力负荷数据对进行仿真，得到较好的预测 结果，为电力系统提供了一个可靠的短期预测方法。 2 电力系统短期预测模型原理 电力预测就是根据采集到的用户电量历史数据以及一 些影响因素建立一个预测函数模型，使预测的结果与实际值 误差尽量小。从而对于未来一段时间的电量负荷做出预测， 以此辅助电力系统部门管理，为电力规划提供依据，达到稳 定电量供应的目的。 电量数据表面看似无序的，但其变化规律在长时间内确 是有一定隐含规律的，电量数据随着天气，季节，假日等因素 的改变，呈现出非线性，是一种复杂的强非线性系统。B P 神 经网络有着强大的非线性处理能力，不同于普通时间序列等 方法，它能够依赖数据本身的内在联系对电量数据进行建模 预测。对于电力系统的安全管理具有一定的应用价值。随 一1 7 1 万方数据 着现在电力市场的快速发展，一般B P 网络模型在精度和时 间上已经达不到电力部门的要求，于此提出一种供电负荷短 期模型，在B P 网络的基础上，引入粒子群初始化提升模型精 度，并加入改进遗传算法优化权值，加快收敛速度，以此提供 了一种稳定可靠的预测模型。 3 建立电量预测模型 3 1 B P 神经网络 B P 网络旧。是一种单向传播的多层前向网络，除了输入 和输出层外，还包含一个或多个隐含层，同层中，节点并无相 关性。原始数据依次通过输入层、隐含层、输出层，每层中的 节点有其相对的权值和阈值。B P 采用了梯度下降方法调整 其网络中的权值和阈值。在B P 方法中，其目标输出和网络 结构下模拟输出的平方误差总和要尽量最小。一个三层B P 网络结构图如图1 所示。 隐含层 图1 三层B P 网络结构图 B P 网络算法一般步骤如下： 1 ) 初始化网络权值和阈值y ，将其设定为较小的随 机数。 2 ) 根据初始权值和阈值，将原始数据集( 菇l ，一，菇。) ，代 入即网络中的目标函数，求出网络的虚拟输出值Y 。 隐含层输出 A = S i g m o i d ( 6 0 铲f 一巧) ( 1 ) I2 I 输出层输出 l 儿= A ，t O 一矿。 ( 2 ) 式中i 为输入层节点数，为隐含层节点个数，k 为输出层节 点数。 3 ) 根据网络输出和期望输出之间的误差更新权值和 阈值 b E = ( y 。_ ) 2 ( 3 ) 根据误差函数值继续更新 # ( k + 1 ) = ( k ) + 卢F ( k ) ( 4 ) 一1 7 2 一 n ( k + 1 ) = t O d ( k ) + f l F ( k ) ( 5 ) l ，i ( k + 1 ) = l ，i ( | | ) + 届色 ( 6 ) l ，i ( k + 1 ) = 矽。( k ) + ( 儿一五) ( 7 ) 式中 F ( k ) = ( 1 7 1 ) 日( k ) + 田口( k 一1 ) 】 ( 8 ) F ( k ) = 【( 1 一叼) p ( k ) + 7 1 0 ( k 一1 ) 】 ( 9 ) m 岛= A ( 1 一A ，) 0 ( ) ，。一置) ( 1 0 ) 式中，口( k ) = 一O E O t o ( k ) ，p ( k ) = 一O E O t o 4 ( k ) ，可为动 量因子，0 町 l ，且d ( k + 1 ) 与( k ) 分别是相邻两次训 练时隐含层与输出层的节点权值，J B 为学习速率且大于0 ，盈 代表期望输出与实际输出的加权误差值，x 表示与t 时刻训 练输出对应的实际输出。 4 ) 设定算法迭代次数，或误差条件范围。条件不满足 时，将更新完毕的权值和阈值重新代入步骤2 ) 循环，直至迭 代结束。 3 2 粒子群算法初始化模型 遗传算法优化B P 神经网络，使得网络模型的收敛速度 得到显著提升，并且也减小了模型陷入局部最优的可能性。 但是上述模型中依旧存在着优化单一的问题，目前只能从一 组随机的权值和阈值开始，然后在遗传算法内部优化，在这 里将用粒子群算法p 1 对初始权值和阈值进行改进，避免模型 用单一方法初始化与优化，致使模型进化效率低下。 粒子群方法是一种基于空间位置和速度变量的进化方 法。每个粒子有位置信息五和速度信息K ，将这两个信息 代入目标函数后，根据适应度值找出该粒子在空间变化过程 中的最优解。不同时刻粒子的速位置和速度变化如下 菇f ( t + 1 ) = 髫i ( 1 ) + q ( t + 1 ) ( 1 1 ) q ( t + 1 ) = q ( t ) + c Ir I ( t ) Y f ( t ) 一并f ( ) + c ：r 2 ( t ) 负( t ) 一石；( t ) ( 1 2 ) 其中，Y ( t ) 为粒子所经历过的最佳位置信息，多( t ) 种群的最 佳位置信息。c 。和c ：为加速常数，1 ( t ) 和r 2 ( t ) 为 0 ，1 内 的随机值。 根据随机得到的权值和阈值之后，先利用粒子群算法对 其优化，将权值和阈值分别以速度变量代入式( 1 1 ) 与( 1 2 ) ， 进行进化寻优，并将结果输出给B P 网络，根据检验误差函数 值再次将权值和阈值代入原有P S O ( 粒子群) 模型。以经验 形式设定最佳迭代次数，当满足条件时，即可向遗传算法步 骤输出权值和阈值，即完成G A B P ( 遗传算法优化B P 网 络) 模型的权值和阈值的初始化过程。 3 3 改进的遗传算法 遗传算法是模拟遗传系统而提出的一种模型，在算法的 进化过程中，选择、交叉、变异都是基于同代基因进行结合和 遗传，然后在大量的进化过程后，基因的突变变得异常缓慢， 同代基因的结合，致使模型的进化能力迅速下降。 在此引入跨代结合并优选最佳【l 叫基因的方法，改善进 化效率。在交叉过程中，将每一代G e n e M a x ( 最佳基因) 记 万方数据 录，并与下一代基因中的最佳基因对比，选择较好的留下保 存，并在后续的交叉过程中，都用G e n e M a x 与其它值配对组 合。这样既能保证B P 神经网络收敛速度加快的同时，又能 更好的减小B P 算法陷入局部最优的可能性。 具体步骤如下： 1 ) 基因编码 若原有模型中有初始值，则直接利用，若无初始值，则采 用实数编码的形式，对权值和阈值取( 一1 ，1 ) 区间内值。 2 ) 确定f i t n e s s ( 适应度函数) ，用期望值与实际值差的平 方和的倒数作为f i t n e s s 。 f i t n e s s = 可j 一 ( 1 3 ) ( y i - D f ) 2 3 ) 选择操作。从上一代种群中选择一对数据作为双亲 繁殖后代，利用轮盘赌法进行该步骤的操作，根据适应度值 的大小，来选择数据，适应度值大的被选中的概率大。 4 ) 交叉操作。该步骤中，引入最佳父代交叉方法，用 G e n e M a x 与上一步骤中的被选中的种群个体依次交叉组合。 其中g e n e 为第i 个基因，r 为 0 ，1 内的随机数。 g e n e i = G e n e M a x r + g e n e i ( 1 一r )( 1 4 ) 5 ) 变异操作。选择适应度值较小的基因，尽量与之前较 好的基因进行变异组合，增加种群的多样性。 g i r + ( g i G 胁) P l ( 1 一m m 一) 1 ，P 0 5 毋2I g i ，+ ( G 腑碍) P l ( 1 - m m 一) j ，p o 5 ( 1 5 ) 式中，G m a x 和G m i n 分别为基因适应度值的最大最小值，P 。 是随机值，m 为当前迭代次数，最大为m m a x ，P 为 0 ，1 之间 的随机值。 6 ) 计算适应度值，设定迭代次数。若满足条件则结束， 否则回到第三步。 7 ) 利用输出的权值和阈值代入原始模型中计算电量的 负荷。 4 仿真实例 一般的电量预测分为短期，中期和长期预测，短期预测 模型一般将时间段分为天，小时，甚至是半小时时段。本文 针对辽宁某地区的实际电量负荷数据在M i c r o s o f tV i s u a lS t u - d i 0 2 0 0 8 环境下用c + + 实现算法，用T e e c h a r t 绘图软件显示 结果如图3 与图4 。分别对天和半小时为单位的数据，用当 前常用的G A B P 算法，A R ( 自适应回归模型) 和本文中的 P S O G A B P ( 粒子群与遗传混合优化) 模型。利用7 0 天和7 0 个半小时电量作为训练值，并进行相应的预处理，将所有数 据样本归一化。在B P 循环中，根据试凑法，将种群数设2 0 ， 最大进化次数设置为1 0 0 ，找出针对本数据库的最佳模型结 构，设定输出层为4 ，隐含层为7 ，输出层为1 。在用P S O 初始 化权值并优化时，c 1 ，C 2 加速常数设为1 8 。r 1 ，r 2 权重为 0 ，1 随机值。 图2 遗传算法优化的流程图 进入遗传算法优化过程时，如图2 是其基本流程图，种 群同样为2 0 ，最大迭代次数为1 0 0 ，此数量将避开种群不过 早成熟，以及精度差等问题，交叉概率设为0 8 ，变异率为 0 0 1 。这样设置既能保证算法搜索不会停止不前，也能更好 的稳定更新速度。 6 埘 6O 5 8 0 0 S j 6 5 , 4 0 0 5 删 蛔5 , 0 0 0 脚嘲 舢 4 A 0 0 4 2 0 0 4O 3 8 0 0 3 胤 司 b 一一I I F 匣二竺l 时川删蚓 图3 是按天为单位三种方法的预测值 表1 按天为单位误差A P E 与M A P E 值 - 1 7 3 - - 万方数据 图4 是按半小时为单位的预测图 表2 按半小时为单位误差A P E 与M A P E 值 在此，引入绝对百分比误差( A b s o l u t eP e r c e n tE r r o r ， A P E ) 和平均绝对百分比误差( M e a nA b s o l u t eP e r c e n tE r r o r ， M A P E ) 来对模型进行检验。 A P E ：旦型1 0 0 ( 1 6 ) ：1MAPE亨生I 二型1 0 0 ( 1 7 )：y 旦型( ) 7 - - - - 7X k 图3 和4 分别显示了两种数据的预测情况。表l 和表2 分别是三种方法的A P E 和M A P E 值。图中可以看出G A B P 和P S O G A B P 都能较好的拟合原始数据。在按天为单位 的数据中，P S O G A B P 能比G A B P 最好的要提升1 1 ，在按 一1 7 4 一 小时为单位的数据中，提升幅度较小，最好仅能提升l ，其 余基本持平。而M A P E 值两个数据组中显示P S O G A B P 均为 最好。 在P S O 初始化G A B P 网络结构后，并采用最佳值与下 一代数据交叉的方法，能使预测结果明显提升，表中新模型 要好于自适应的A R 模型，也要比原始G A B P 模型的预测 效果更好。并且新模型较之原有的模型相比，减少了训练次 数，在原有基础上，使得模型训练时间更短。 5 总结 传统G A B P 模型是直接利用遗传算法修正B P 网络的 权值，并利用反向传播的最小误差指导原始模型优化权值。 本文中，在G A 优化的基础上，加入了P S O 方法，对模型进行 初始化，使模型陷入局部最小的可能性再次降低。并且在 G A 内部交叉过程中，引入最佳权值概念，更新原模型的权值 和阈值。在原有模型的基础进行了两次改进。并在实验过 程中，采用试凑法等对不同网络结构模型进行了测试，使其 最佳化。结果证明，本文所提出的改进方法更加优于原始的 G A B P 方法以及其它的回归方法，提高了该类模型的预测 精度和收敛速度，在一定程度上为解决电力负荷预测等实际 问题提供了较好的办法。但在海量数据预测上，仍有小部分 数据结果与原始模型相近，不能全部优于原始模型，此方面 仍有需要改进的地方。 参考文献： 1 S h uF a n ，RJH y n d m a n F o r e c a s t i n ge l e c t r i c i t yd e m a n di nA u s t r a l i a nN a t i o n a lE l e c t r i c i t yM a r k e t J P o w e ra n dE n e r g yS o c i e t y G e n e r a lM e e t i n g ，2 0 1 2I E E E ，J u l y2 0 1 2 ：1 ，4 ，2 2 2 6 2 DR u t a ，BG a b r y s ，CL e m k e AG e n e t i cM u l t i l e v e lA r c h i t e c t u r e f o rT i m eS e r i e sP r e d i c t i o n J K n o w l e d g ea n dD a t aE n g i n e e r i n g ， I E E ET r a n s a c t i o n so n ，M a r c h2 0 1 1 ，2 3 ( 3 ) ：3 5 0 ，3 5 9 3 田中大，李树江，王艳红，王向东基于A R I M A 补偿E L M 的网 络流量预测方法 J 信息与控制，2 0 1 4 6 ：7 0 5 7 1 0 4 JM i l o j k o v i c ，IL i t o v s k i ，VL i t o v s k i A N Na p p l i c a t i o nf o rt h en e x t d a yp e a ke l e c t r i c i t yl o a dp r e d i c t i o n J N e u r a lN e t w o r kA p p l i c a - t i o n si nE l e c t r i c a lE n g i n e e r i n g ( N E U R E L ) ，2 0 1 21 1t IS y m p o s i u m o n ，2 0 2 2S e p t 2 0 1 2 ：2 3 7 。2 4 1 5 李祚泳，汪嘉杨，郭淳P S O 算法优化B P 网络的新方法及仿真 实验 J 电子学报，2 0 0 8 1 1 ：2 2 2 4 2 2 2 8 6 “uY i j u n ，T a n gJ i a l i ，J i a n gH o n g f e n ，Z h uG u a n g p i n g ，C h e n D a n Y uZ h i m i n G A B Pn e u r a ln e t w o r k sf o re n v i r o n m e n t a l q u a l i t ya s s e s s m e n t C N e t w o r k i n ga n dD i g i t a lS o c i e t y ( I C N D S ) ， 2 0 1 02 n dI n t e r n a t i o n a lC o n f e r e n c eO i l ，3 0 3 1M a y2 0 1 0 ，2 ： 1 2 6 ，1 2 9 7 王德明，王莉，张广明基于遗传B P 神经网络的短期风速预测 模型 J 浙江大学学报( 工学版) ，2 0 1 2 ，5 ：8 3 7 8 4 1 ，9 0 4 8 Z e n gQ i n g w e i ；X uZ h i h a i ；W uJ i a n P r e d i c t i o no fe l e c t r i c i t y ( 下转第1 7 9 页) 瑚瑚瑚m瑚瑚抛瑚珊抛瑚御啪m御懈 鲫日= 1 万方数据 表2 数据预处理后预测结果比较表 从表2 中可以看出，未聚类的L S S V M 模型预测结果的 平均相对误差为1 7 4 ，最大相对误差为2 1 6 ；经过K m e a n s 聚类的L S S V M 模型预测结果的平均相对误差为 0 7 2 ，最大相对误差仅为0 9 3 。采用双向比较法和K m e a n s 聚类的L S S V M 模型预测误差降低了1 0 2 ，最大误差 也大幅降低。 6 结论 本文对从电力部门获取的各单位用电数据双向比较法 进行了预处理，消除了异常数据，并利用K m e a n s 聚类方法 进行聚类分析，得到典型日负荷曲线，将这两种方法结合用 于负荷预测中，一方面提高了数据的准确性，另一方面为下 一步的预测工作奠定了基础，提高了预测模型中输入数据的 质量。通过将预处理的数据应用到L S S V M 模型进行预测， 结果表明：经过K m e 副 I S 聚类的L S S V M 模型不仅大大提高 了预测精度还使预测误差更加的平稳。对于该地区负荷来 说，误差降低一个百分点就相当于每年节省了2 7 0 0 万元发 电成本，充分说明了该预测方法的有效性和实用性 参考文献： 1 周虎，等模糊聚类分析和代数算法结合的短期负荷预测 J 电力系统及其自动化学报，2 0 1 1 ，2 3 ( 3 ) ：1 0 1 1 0 5 2 常鲜戎，孙景文基于改进的模糊c 均值聚类的负荷预处理 J 华北电力大学学报，2 0 1 4 ，4 1 ( 1 ) ：2 7 3 2 3 方鸽飞，等考虑夏季气象因素的短期负荷预测方法研究 J 电力系统保护与控制，2 0 1 0 ，3 8 ( 2 2 ) ：1 0 0 一1 0 4 4 陈超，等基于离散F r 6 c h e t 距离和L S S V M 的短期负荷预测 J 电力系统保护与控制，2 0 1 4 ，4 2 ( 5 ) ：1 4 2 1 4 7 5 陈宏义，李存斌，施立刚基于聚类分析的短期负荷智能预测 方法研究 J 湖南大学学报，2 0 1 4 ，4 1 ( 5 ) ：9 4 9 8 6 朱明数据挖掘 M 合肥：中国科学技术大学出版社，2 0 0 8 7 孙谦，等基于特性矩阵分层分析的短期母线负荷预测坏数据 处理策略 J 电工技术学报，2 0 1 3 ，2 8 ( 7 ) ：2 2 6 2 3 3 8 肖白，等空间电力负荷预测中异常数据的辨识与处理 J 东北电力大学学报，2 0 1 3 ，3 3 ( 1 2 ) ：4 5 5 0 9 童述林，文福拴，陈亮电力负荷数据预处理的二维小波阈值 去噪方法 J 电力系统自动化，2 0 1 2 ，3 6 ( 2 ) ：1 0 1 1 0 5 1 0 张晓星，等基于数据挖掘的电力负荷脏数据动态智能清洗 J 电力系统自动化，2 0 0 5 ，2 9 ( 8 ) ：6 0 6 4 1 1 张昀，等数据挖掘在电力负荷坏数据智能辨识与修正中的 应用 J 重庆大学学报，2 0 1 3 ，3 6 ( 2 ) ：6 9 7 4 1 2 李爱国，厍向阳数据挖掘原理、算法及应用 M 西安：西 安电子科技大学出版社，2 0 1 2 1 3 黎祚，周步祥，林楠基于模糊聚类与改进B P 算法的日负荷 特性曲线分类与短期负荷预测 J 电力系统保护与控制， 2 0 1 2 ，4 0 ( 3 ) ：5 6 6 0 ：萝锣 作者简介