基于ann和模糊控制相结合的电力负荷短期预测方法

1/7基于ANN和模糊控制相结合的电力负荷短期预测方法摘要提出了一种ANN与模糊控制（FC）相结合的电力负荷短期预测方法。通过优化训练样本、变步长和变动量因子来改进BP算法，并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。算例计算表明ANN与模糊控制相结合提高了预测精度。关键词短期电力负荷预测BP算法模糊控制ANN分类号TM715SHORTTERMLOADFORECASTINGMETHODBASEDONCOMBINATIONOFANNANDFUZZYCONTROLLZHILAI，ZHANGBAOHUIXIANJIAOTONGUNIVERSITY，710049，XIAN，CHINAABSTRACTTHISPAPERPROPOSESASHORTTERMLOADFORECASTINGMETHODBASEDONCOMBINATIONOFANNANDFUZZYCONTROLIMPROVEDBPALGORITHMISOBTAINEDBYOPTIMIZINGTRAININGSAMPLES,VARYINGSTEPANDFACTORINORDERTOELIMINATEFORECASTERROR,ONLINESELFTUNINGFUZZYCONTROLISUSEDSIMULATIONRESULTSDEMONSTRATETHATTHEPROPOSEDMETHODIMPROVESTHEFORECASTPRECISION2/7KEYWORDSSHORTTERMLOADFORECASTINGBPALGORITHMFUZZYCONTROLANN0引言将人工神经网络ANN应用于电力系统短期负荷预测，已为国内许多研究人员采用13。其原因是常用的多层前向神经网络具有很好的函数逼近能力，通过对样本的训练，它能够很好地反映对象的输入/输出之间的非线性关系。不过，将多层前向神经网络的标准算法如BP算法应用于实际中，存在以下缺陷A从数学上看，它是一个非线性优化问题，这就不可避免存在局部极小问题；B学习算法的收敛速度很慢；C网络的运行是单向传播，没有反馈。同时在电力系统中，对预测模型得出的负荷预测结果，现场运行人员往往想根据动态误差及误差变化情况预期误差走势，达到在线修正的目的。本文基于上述原因，提出了一种ANN与模糊控制FC相结合的负荷短期预测算法。它包括两部分改进的BP预测算法，包括训练样本的选取，学习速度的提高，收敛过程的加快等；采用在线自调整因子的模糊控制对负荷预测进行在线调整，以消除预测误差，将输出作为对下一时刻负荷预测的修正量，以便在线进一步提高预测精3/7度。1改进的BP预测算法输入与输出量的选取用前向神经网络对电力系统的负荷进行短期预测，可以将负荷的短期变化看做时间序列，即利用过去的负荷历史资料进行预测。同时，对于预测而言，一般认为物理量在未来时段的发展更多地取决于历史时段中近期的变化规律，远期历史数据与未来发展趋势的相关性较弱，这正是近大远小的原则4。本文基于此构造时序训练样本为UIXI,XK1其中ITN,TN1,，T；KT1，T2，TL；UI0，1，UTUT1UTN；T表示当前时刻；XI表示影响电力系统T时刻及其以后时刻的前期负荷，为BP的输入；XK为将来的预测负荷，即BP的输出。如果UI均取为1，则网络在学习过程中对输入样本的各时刻负荷都同等对待，并没有遵从近大远小的原则，使得训练得到的网络往往不能揭示负荷的运动变化趋势。变步长BP算法是在梯度法的基础上推算出来的。在一般最优的梯度法中，步长由一维搜索求得，是个变量，而在BP算法中不变。但通过对BP网络的误差曲面分析发现有平4/7坦区存在，平坦区上太小会使迭代次数增加，而当权值落到误差剧烈变化的地方，步长太大又使误差增加，反而使迭代次数增加，影响了学习收敛速度。因此变步长的方法可使步长得到合理的调节，即先设一初始步长，若1次迭代后误差函数E增大，则将步长乘以一个小于1的常数1，沿原方向重新计算下一个迭代点；若1次迭代后误差函数E减小，则将步长乘以一个大于1的常数2。这样既不增加太多的计算量，又使步长得到合理的调整，其表达式为2其中EETET1；11；21。变动量因子为了加速收敛和防止振荡，BP算法中引入了一个变动量因子WT1WTTDTWT3其中第3项是记忆上一时刻权值的修改方向，而在时刻T的修改方向为T1时刻的方向与T时刻方向的组合，将式3改写为4式4的形式类似共轭梯度法的算法，但DT和DT1并不是共轭的，而（0，1），因此在进行调整时，若E0，且要减小时，则让0，然后调节到增大，使5/7恢复。本文进行负荷预测时，先依据负荷历史数据构造形如式1的训练样本，随着T的增大生成训练样本集，采用变步长和变动量因子措施更新权值，其余均同标准BP算法2。2在线自调整因子的模糊控制电力负荷是一个随机性和非线性很强的系统。在实际预测中，往往会出现一些误差，而模糊控制是基于模糊规则和模糊推理的智能控制方法，它能对复杂的非线性系统有效地消除误差，因此在电力负荷短期预测系统中，面对当前的不精确数据，利用模糊控制进行在线智能修正是提高负荷预测精度的有效措施，且对于扰动具有鲁棒性。模糊控制器的输入是当前时刻的预测负荷与实际负荷值的误差E和误差变化率EC，ECETET1，输出是对下一时刻负荷预测的修正量。模糊模型结构采用以下解析表达式UKE1EC5其中为修正因子，且0,1；为取整。该模型涉及3个语言变量误差E、误差变化率EC和控制量的变化U，每个语言变量取7个语言值PB正大、PM正中、PS正小、0零、NS负小、NM负中、NB负大，对其定义PB3,PM2,PS1,NS1,NM2,NB6/73。在本算法中，在线自调整控制的任务主要是在线修正因子,式5中的大小直接表示对偏差E和偏差变化率EC的加权程度，这恰好反映了操作者控制活动的思维特点，即当E大，大，控制作用主要用于消除误差；当E小，也小，U中EC所占的比例增加，控制作用主要用来消除误差的变化，使系统保持稳定5。依此思想，将模糊化为模糊集VS，S，M，B，VB，分别对应的模糊单点集为0,，调整修正因子的规则为AIFEPB，THEN1VBBIFEPMANDECPBORPM，THEN2MCIFEPMANDECPSOR0，THEN3BDIFEPSANDEC