基于遺忘因子的極限學習機電網(wǎng)負荷響應能力預測研究

殳建軍 高愛民 于國強

（江蘇方天電力技術有限公司，江蘇 南京211102）

0 引言

由于現(xiàn)代電網(wǎng)規(guī)模迅速增大，各種分布式電源的接入以及特高壓直流輸送、智能電網(wǎng)建設等因素將對現(xiàn)行電網(wǎng)控制提出更高的要求，其必須沿著精細化控制、智能化控制的方向發(fā)展。其中必須要對電網(wǎng)運行狀態(tài)有準確的預測。當前對負荷的預測主要集中在負荷需求量預測，而對實際負荷的響應能力預測較少。本文從電網(wǎng)實際負荷響應角度出發(fā)，分析了影響實際負荷響應的因素，并建立了電網(wǎng)實際負荷響應的預測模型。

由于影響預測的因素眾多、預測指標規(guī)律各異、變化趨勢隨機性強，難以確定統(tǒng)一的數(shù)學模型，并且電網(wǎng)負荷響應能力受電網(wǎng)構成影響，如新增并網(wǎng)機組等，使電網(wǎng)負荷響應預測存在時效性問題，因此預測模型需要具有在線學習能力，且對過去數(shù)據(jù)具有遺忘特性。鑒于此，本文基于傳統(tǒng)的在線極限學習機提出了一種帶遺忘因子的極限學習機，進行電網(wǎng)負荷響應能力的預測。極限學習機是近幾年應用較多的一種數(shù)學建模方法［1－3］，目前許多學者對其算法進行了拓展，如在線模型的建立［4］、進化極限學習機［5］等，并且其已開始有效地應用于大數(shù)據(jù)建模［6－7］、軟測量［8］與故障診斷［9］等眾多領域。該算法隨機產(chǎn)生輸入層和隱含層的連接權值及隱含層神經(jīng)元的閾值，且在訓練過程中無需調(diào)整，只需要設置隱含層神經(jīng)元的個數(shù)便可以獲得唯一的最優(yōu)解。與傳統(tǒng)的訓練方法相比，該方法具有學習速度快、泛化性能好等優(yōu)點。

1 在線極限學習機算法

典型的單隱含層前饋神經(jīng)網(wǎng)絡結構如圖1所示，該網(wǎng)絡由輸入層、隱含層和輸出層組成，輸入層與隱含層、隱含層與輸出層神經(jīng)元間全連接。其中，輸入層有n個神經(jīng)元，對應n個輸入變量；隱含層有l(wèi)個神經(jīng)元；輸出層有m 個神經(jīng)元，對應m 個輸出變量。

ωji表示輸入層第i個神經(jīng)元與隱含層第j 個神經(jīng)元間的連接權值；βjk表示隱含層第j 個神經(jīng)元與輸出層第k 個神經(jīng)元間的連接權值；隱含層神經(jīng)元的閾值為b。

設隱含層神經(jīng)元的激活函數(shù)為g（x），則由圖1可得，模型網(wǎng)絡輸出T 可表示為：

式中，H 為神經(jīng)網(wǎng)絡的隱含層輸出矩陣；β為隱含層與輸出層的連接權值；T 為模型輸出值。

圖1 極限學習機結構

以上三者各自的具體形式分別為：

式中，wi＝［wi1wi2… win］，為連接第i個隱藏節(jié)點和輸入節(jié)點的權重向量；bi為第i個隱藏層節(jié)點的閾值；g 為隱層神經(jīng)元的激活函數(shù)。

式中，βi＝［βi1βi2… βim］T，為連接第i個隱藏節(jié)點和輸出節(jié)點的權重向量。

最終在線遞推極限學習機算法可由以下表達式表示：

2 帶遺忘因子的在線極限學習機算法

設初始數(shù)據(jù)矩陣分別為H0與Y0，則：

另一批采樣數(shù)據(jù)到來，對應的數(shù)據(jù)矩陣分別為H1與Y1，則新的最小化問題變?yōu)椋?/p>

則新的輸出層權值變?yōu)椋?/p>

為了得到遞推表達式，將式（8）與式（9）展開得到以下表達式：

將上述表達式（10）與表達式（11）合并得出：

由此，帶遺忘因子的在線遞推極限學習機模型的一般形式為：

則最終的輸出層權值β遞推更新公式為：

3 電網(wǎng)負荷響應預測

本文所使用數(shù)據(jù)來自某省電網(wǎng)調(diào)度中心，其負荷信號中存在較多的噪聲等干擾，一般的噪聲處理方法或者效果不佳，或者存在快速變負荷時遺失峰值信息的問題。因此，首先采用小波降噪法對信號進行預處理，它具有多分辨分析的特點，而且在時頻兩域都有表征信號局部特征的能力，是一種窗口大小固定不變但形狀可以改變的時頻局部分析方法。

在仿真計算中負荷響應預測模型的輸入量為對電網(wǎng)負荷響應影響比較大的5個量，分別是實際電網(wǎng)負荷、聯(lián)絡線實際負荷、參與AGC調(diào)節(jié)的不同容量機組臺數(shù)、其他形式機組（非燃煤火電機組）AGC的調(diào)節(jié)容量與電網(wǎng)頻率，采用采集的1900組數(shù)據(jù)作為訓練數(shù)據(jù)、400組作為測試數(shù)據(jù)進行測試。

訓練效果如圖2所示，從圖中可以看出帶遺忘因子的極限學習機在訓練過程中整體優(yōu)于傳統(tǒng)極限學習機，精度更高。

圖3為測試結果，對比了兩種方法的泛化能力，從圖中可以看出帶遺忘因子的極限學習機預測精度明顯高于傳統(tǒng)極限學習機，誤差更小。

圖2 訓練過程對比圖

圖3 測試過程對比圖

4 結語

仿真計算結果表明，帶遺忘因子的極限學習機在電網(wǎng)負荷響應能力預測方面有著良好的效果，預測精度明顯高于傳統(tǒng)極限學習機，且對偏離平均值較大的數(shù)據(jù)也有著良好的預測效果，證明帶遺忘因子的極限學習機可以很好地克服電網(wǎng)負荷響應的時效性問題。此外，對電網(wǎng)負荷響應預測經(jīng)過簡單計算可以實現(xiàn)電網(wǎng)負荷變負荷速率的預測，這對電網(wǎng)精細調(diào)度具有重要的指導意義。

［1］Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：Theory and applications［J］.Neurocomputing，2006，70（1）：489－501.

［2］Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：A new learning scheme of feedforward neural networks［C］//2004IEEE International Joint Conference on Neural Networks，2004，2：985－990.

［3］Huang G B，Zhou H M，Ding X J，et al.Extreme learning machine for regression and multiclass classification［J］.IEEE Transactions on Systems，Man，and Cybernetics——Part B：Cybernetics，2012，42（2）：513－529.

［4］Liang N Y，Huang G B，Saratchandran P，et al.A fast and accurate online sequential learning algorithm for feedforward networks［J］.IEEE Transactions on Neural Networks，2006，17（6）：1411－1423.

［5］Zhu Q Y，Qin A K，Suganthan P N，et al.Rapid and brief communication：Evolutionary extreme learning machine［J］.Pattern Recognition，2005，38（10）：1759－1763.

［6］王萬召，王杰.采用限定記憶極限學習機的過熱汽溫逆建模研究［J］.西安交通大學學報，2014，48（2）：32－37.

［7］董紅斌，逄錦偉，韓啟龍.一種灰色極限學習機預測方法［J］.計算機科學，2015，42（5）：78－81，105.

［8］常玉清，李玉朝，王福利，等.基于極限學習機的生化過程軟測量建模［J］.系統(tǒng)仿真學報，2007，19（23）：5587－5590.

［9］嚴峰，陳曉，王新民，等.改進的離散小波—優(yōu)化極限學習機在傾轉旋翼機故障診斷中的應用［J］.兵工學報，2014，35（11）：1914－1921.