ELM算法在微電網(wǎng)超短期負荷預(yù)測的應(yīng)用

徐晟，蔣鐵錚，向磊(長沙理工大學電氣與信息工程學院，湖南 長沙 410114)

ELM算法在微電網(wǎng)超短期負荷預(yù)測的應(yīng)用

徐晟，蔣鐵錚，向磊(長沙理工大學電氣與信息工程學院，湖南 長沙 410114)

針對微電網(wǎng)中負荷預(yù)測的特點提出的多模型極限學習法(ELM)，將其應(yīng)用于系統(tǒng)超短期負荷預(yù)測。該算法采取建立多個前饋神經(jīng)網(wǎng)絡(luò)模型，基于更新準則將模型集分成即時更新模型和批次更新模型這兩個部分，以此進行數(shù)據(jù)篩選和分析。此算法的目的在于節(jié)省訓練時間，提高預(yù)測的速度，同時保證預(yù)測的精度。

微電網(wǎng);超短期負荷預(yù)測;多模型;極限學習機(ELM)

1 引言

能源是支持經(jīng)濟發(fā)展建設(shè)的基礎(chǔ)，而電能作為現(xiàn)今能源的重要組成部分，其深入研究和合理運用一直是重中之重，而微電網(wǎng)這一概念的提出是為了緩解大電網(wǎng)與分布式電源之間的問題以及為了完全發(fā)揮分布式電源為供電側(cè)和消費側(cè)帶來的收益［1，2］。

從系統(tǒng)的角度上來看，微電網(wǎng)的存在主要是與大電網(wǎng)聯(lián)網(wǎng)輔助運行，但同時也可以在電網(wǎng)系統(tǒng)發(fā)生故障以及因為特定要求和所在主網(wǎng)系統(tǒng)斷開后進行獨立運行，這一特性使微電網(wǎng)不但可以處理好分布式電源在大規(guī)模接入時產(chǎn)生的問題，還可以更好的發(fā)揮其各項優(yōu)點，更可以為用電單位帶來更多的經(jīng)濟利益和非經(jīng)濟利益［3，4］。各種先進的電力技術(shù)被廣泛應(yīng)用于微電網(wǎng)建設(shè)中，比如多樣化的儲能系統(tǒng)，快速反應(yīng)的電力電子開關(guān)裝置，以及各種新穎的電流變化技術(shù)和效率更高的新型能源系統(tǒng)等等，這是以前的原始獨立存在的系統(tǒng)所不具備的技術(shù)水平和成本投入。同時，微電網(wǎng)和大電網(wǎng)之間又形成有機整體，可以靈活控制其斷開和連接，使系統(tǒng)對比原始鼓勵系統(tǒng)具有極高的智能，靈活，安全和效率的特性。而微電網(wǎng)中的負荷預(yù)測，實現(xiàn)智能電網(wǎng)的重要環(huán)節(jié)，因為這既是對消費側(cè)的正常運行給予的保證，也是對供電側(cè)安全系數(shù)和靈活系數(shù)的補充［5，6］。

根據(jù)時間段進行劃分的電力負荷預(yù)測種類有長期電力負荷預(yù)測、中期電力負荷預(yù)測，短期電力負荷預(yù)測和超短期電力負荷預(yù)測［7］。BP神經(jīng)網(wǎng)絡(luò)因為結(jié)構(gòu)和操作都比較簡單，在短期負荷預(yù)測中應(yīng)用得非常多，但是該方法在訓練中容易陷入局部最小，而且收斂速度比較緩慢。對于短期負荷預(yù)測和超短期電力負荷預(yù)測，因為運行時間短，數(shù)據(jù)變化快，所以受當?shù)氐奶鞖庥绊戄^小，一般情況下則只考慮負荷預(yù)測序列本身的特性［8］。

雖然提出了附加動量項、變斜率傳遞函數(shù)等方法對其進行了修正，但隱含層神經(jīng)元的數(shù)目難以確定。另外還有動態(tài)神經(jīng)網(wǎng)絡(luò)法和集總神經(jīng)網(wǎng)絡(luò)法等方法，以及將模糊算法、小波分解法、遺傳算法等方法與神經(jīng)網(wǎng)絡(luò)進行集合來提高模型的預(yù)測準確性［9，10］。但無論采用何種神經(jīng)網(wǎng)絡(luò)模型，都涉及到利用輸入輸出樣本，根據(jù)誤差函數(shù)，反復(fù)迭代以確定網(wǎng)絡(luò)參數(shù)，不但初始權(quán)值、學習速率選取對網(wǎng)絡(luò)精度造成很大影響，而且需要大量時間進行神經(jīng)網(wǎng)絡(luò)訓練。而對于起銜接作用的微電網(wǎng)，需要快速預(yù)測下一時刻負荷情況，用以進行調(diào)度和用電安排，所以對預(yù)測時間有極高的要求。

現(xiàn)提出一種用于超短期的多模型極限學習算法(ELM):在多個神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)上采用隨機方式選取每個模型的初始輸入權(quán)值。更新準則為任意時刻，基于更新準則將模型分為兩個部分:對于該時刻輸出誤差較小的即時更新模型，無需采用隨機方式進行在線更新，用以降低模型輸出的波動，并減少訓練時間;對于每一時刻都出現(xiàn)較大誤差的批次更新模型，則利用新來的真實數(shù)據(jù)，用隨機方式重新在線計算，以實現(xiàn)訓練誤差最小，以保證多模型的自適應(yīng)特性。最后再將子模型的輸出求和作為整個模型的最終輸出。這樣進行超短期電力負荷預(yù)測時的速度和精度都獲得了保證。

2 預(yù)測模型

預(yù)測過程原理如圖1所示。

圖1 預(yù)測過程原理圖

2.1 初始多模型的建立

設(shè)x(i)∈Rni、y(i)∈Rn2為系統(tǒng)在時i刻得到的n1維輸入數(shù)據(jù)和n2維輸出數(shù)據(jù)，然后N個時刻獲得的樣本對數(shù)據(jù)記作{(x(i)，y(i))}，i=1，…，N。對于這部分樣本數(shù)據(jù)，構(gòu)建M個前饋型神經(jīng)網(wǎng)絡(luò)模型SLFNNj(j=1，…，M)，每一個前饋型神經(jīng)網(wǎng)絡(luò)模型都有n個節(jié)點，結(jié)構(gòu)圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

則第i時刻第j個神經(jīng)網(wǎng)絡(luò)模型SLENNj的輸出可記為

2.2 更新準則

對于第時刻的樣本對{(x(N)，y(N))}，分為兩個部分:

式中，L為設(shè)定的模型輸出閾值，用以判斷每個子模型的輸出是否在允許的范圍之內(nèi)。若子模型輸出滿足‖ε(N)j‖＜L，則該模型即為即時更新模型，無需采用隨機方式進行在線更新，用以降低模型輸出的波動;若子模型輸出滿足‖ε(i)j‖≥L i∈1，2，…N，則對于新的真實數(shù)據(jù)，用隨機方式重新在線計算，以實現(xiàn)訓練誤差最小的目的。

2.3 即時更新模型

經(jīng)過上述更新準則判斷后，對于即時更新模型，記做 SLFNNj(j=1，2，…，P)。對于得到的新數(shù)據(jù)(x(N+1)，y(N+1))時，其神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)不會有任何改變，只需要在結(jié)構(gòu)基礎(chǔ)上運行迭代計算?？捎墒?3)推出

為了更快的計算出結(jié)果，減少數(shù)據(jù)的運算量和耗費時間，采用β(jN+1)的遞推方式的學習算法:

代入式(7)，可得:

因此，以后就利用式(11)、(12)實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型SLFNNj的在線學習。

由式(11)，即時更新模型的輸出為:

這樣就得到了P個即時更新模型的結(jié)果。

2.4 批次更新模型

實際應(yīng)用中，新的數(shù)據(jù)往往是成批的輸入到系統(tǒng)，當成批數(shù)據(jù)輸入到系統(tǒng)時，可以利用極限學習算法在線計算。設(shè)某時段的批次更新模型，記做SLFNNj(j=P+1，P+2，…，Q)。當獲得批次新數(shù)據(jù)(x(i)，y(i))，i=N+1，N+2，…，N+m時，同樣采用(7)、(8)、(9)、(10)、(11)以及(12)的計算辦法，得到β的迭代公式，由此批次更新模型的輸出為:

2.5 計算權(quán)重

由于各個子模型的輸入矩陣各參數(shù)是隨機選定的，使得對于相同的輸入具有不同的自適應(yīng)性，子模型輸出結(jié)果也有區(qū)別，如果簡單通過求各子模型輸出結(jié)果的算術(shù)平均值，則不能很好的區(qū)分子模型的優(yōu)劣，所以應(yīng)當對于較優(yōu)秀的模型賦予的較大的權(quán)重，反之，賦值較小的權(quán)重。

設(shè)N個子模型的輸出為y(jN)，對應(yīng)于這一時刻負荷的實際值是y(N)，則每個子模型的偏差為e(jN)=|y(jN)－y(N)|。為了使e(jN)較小的子模型具有較大的權(quán)重，由下式求得權(quán)重為:

2.6 多模型加權(quán)輸出

對于上面得到的P個即時更新模型、Q個批次更新模型，對各子模型輸出加權(quán)求和，則M個模型SLFNNj(j=1，…，M)的集總輸出y(N+1)out為

這樣對誤差較小的即時更新模型賦予較大的權(quán)重，而對于批次更新模型賦予較小的權(quán)值，從而突出了即時更新模型的優(yōu)越性，提高了預(yù)測精度。

綜上所述，當每次有新的輸入數(shù)據(jù)到來時，都會通過更新準則對各個子模型進行判斷，并予以不同的處理，從而獲得總輸出。這樣既保持了整個網(wǎng)絡(luò)輸出結(jié)果的精度，在速度方面也獲得了很好的保證。

3 超短期負荷預(yù)測模型

3.1 負荷峰谷趨勢分析

由于超短期數(shù)據(jù)的采集時間間隔非常小，所以負荷值波動不大，因此無需考慮氣候劇烈變化等自然界因素的影響。對于每天的負荷變化情況具有一定的相似性，例如一天中通常負荷的峰值出現(xiàn)在上午8∶00～11∶00 和晚間21∶00 ～23∶00，負荷谷值出現(xiàn)在凌晨的2∶00 ～5∶00。

3.2 輸入數(shù)據(jù)的選擇

日常生產(chǎn)中，一般60分鐘以內(nèi)的負荷預(yù)測為超短期負荷預(yù)測，負荷預(yù)測的輸入選擇預(yù)測時刻和前后兩個時刻這三個數(shù)據(jù)，預(yù)測日前三天同一時間和前后時刻這9個數(shù)據(jù)，預(yù)測日前兩周的同一天同一時間這6個數(shù)據(jù)，總共是18個輸入數(shù)據(jù)。

3.3 數(shù)據(jù)的預(yù)處理

在進行負荷預(yù)測時，因選取的訓練樣本數(shù)據(jù)參差不齊且都為正值，與神經(jīng)網(wǎng)絡(luò)第一隱含層神經(jīng)元相連的權(quán)值只能同時增加或減小，一個變量的輸入值可能與另一個輸入值相差較大，對于數(shù)據(jù)的篩選，較大的值掩蓋了較小的值對輸出的影響，使篩選過程飽和，從而導(dǎo)致學習速度很慢，進而無法收斂，為了加快網(wǎng)絡(luò)的訓練速率，消去數(shù)據(jù)的冗余成分，提高預(yù)測精度和準度，需對訓練樣本中的輸入?yún)?shù)進行規(guī)一化數(shù)據(jù)處理，使得所有樣本的輸入數(shù)據(jù)均接近于0或與其均方差相差大小在0至1間變化。

4 實例分析

本文的研究對象為某海島上電網(wǎng)有功功率負荷情況，其主要電源分布為風力發(fā)電和光伏，以其2011年12月各時刻的負荷值為實驗數(shù)據(jù)，測量間隔為5m in，進行超短期電力負荷預(yù)測的應(yīng)用研究。表1為利用BP和ELM 對任一天12月21日7∶00～19:30的電力負荷進行預(yù)測。由圖3中可見，當某時間段負荷序列較平穩(wěn)時，兩種方法預(yù)測誤差相差不大，但時間上ELM所花費的時間BP方法少很多。而當電力負荷出現(xiàn)較大的波動時，BP方法對此適應(yīng)性較差，而ELM的權(quán)值由于隨機選定，采用多模型的方法，不同的子模型對輸入有不同的自適應(yīng)能力，從而受到時間序列波動影響較小。不但速度明顯快于BP方法，滿足負荷實時性要求，而且精度也明顯優(yōu)于BP網(wǎng)絡(luò)。

表1 BP和ELM模型預(yù)測輸出平均誤差與平均計算時間

圖3、4、5分別給出了多個時間段情況下電力負荷的預(yù)測曲線。綜上可知，ELM方法進行負荷預(yù)測，無論在精度，還是時間上都有相當出色的表現(xiàn)。

圖3 2012－12－21 7∶00～19∶30 利用 BP和 ELM得到的電力負荷預(yù)測曲線

表2 BP和ELM模型預(yù)測輸出平均誤差與平均計算時間

圖4 2012－12－25 19∶00～24∶00 利用 BP和 ELM得到的電力負荷預(yù)測曲線

表3 BP和ELM模型預(yù)測輸出平均誤差與平均計算時間

圖5 2012－12－27 0∶00～7∶00 利用BP和ELM得到的電力負荷預(yù)測曲線

5 結(jié)論

本文基于更新準則對微電網(wǎng)超短期電力負荷預(yù)測提出多模型加權(quán)方法下的極限學習機算法?；谏窠?jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，采取多個子模型，依照更新準則將子模型分為兩個部分。對于任一時刻輸出誤差較小的即時更新模型不進行在線更新，可以降低模型輸出的波動，并減少訓練時間;對于每一時刻都出現(xiàn)較大波動的批次更新模型，則利用新引入的真實數(shù)據(jù)，用隨機方式重新計算，以實現(xiàn)訓練誤差最小，以保證多模型的自適應(yīng)特性。最后將所有子模型的輸出加權(quán)求和作為整個模型的最終輸出結(jié)果。該算法既充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)處理非線性的優(yōu)越性，又避免了因為反復(fù)迭代而在時間上過多花費，即在保持精度和穩(wěn)定性的基礎(chǔ)上又大大提高了模型的速度。

［1］ 康重慶，夏清，劉梅．電力系統(tǒng)負荷預(yù)測［M］．北京:中國電力出版社，2007．

［2］ 牛東曉，曹樹華，趙磊，等．電力系統(tǒng)負荷預(yù)測技術(shù)及其應(yīng)用［M］．北京:中國電力出版社，1998．

［3］ 佘貽鑫．新形勢下的智能配電網(wǎng)［J］．電網(wǎng)與清潔能源，2009，25(7)．

［4］ 朱晟，蔣傳文，侯志儉，基于氣象負荷因子的神經(jīng)網(wǎng)絡(luò)短期負荷預(yù)測［J］．電力系統(tǒng)及其自動化，2005，17(1):23 －26．

［5］ 于海燕，張鳳玲．基于模糊神經(jīng)網(wǎng)絡(luò)的電力負荷短期預(yù)測［J］．電網(wǎng)技術(shù)，2007．31(3):68 －72．

［6］ 鄧萬宇，鄭慶華，陳琳，等．神經(jīng)網(wǎng)絡(luò)極速學習方法研究［J］．計算機學報，2010，33(2):279 －287．

［7］ 章健，艾芊，王新剛．多代理系統(tǒng)在微電網(wǎng)中的應(yīng)用［J］．電力系統(tǒng)自動化，2008，32(24):80 －87．

［8］ 陳琳，鐘金，倪以信，等．含分布式發(fā)電的配電網(wǎng)無功優(yōu)化［J］．電力系統(tǒng)自動化，2006，30(14):20 －24．

［9］ 張步涵，趙劍劍，劉小華，等．一種基于小波神經(jīng)元網(wǎng)絡(luò)的短期負荷預(yù)測方法［J］．電網(wǎng)技術(shù)，2004，28(7):15 －18．

［10］ 程松，閆建偉，趙登福，等．短期負荷預(yù)測的集成改進極端學習機方法［J］．西安交通大學學報，2009，43(2):106 －110．

Application of ELM Algorithm in the Ultra-Short Term Load Prediction of M icrogrid

XU Sheng，JIANG Tie-zheng，XIANG Lei
(College of Electrical and Information Engineering，Changsha，University of Science and Techndogy，Shangsha 410014，China)

For the characteristics of microgrid load prediction，put forward a multi-model extreme learning method，which is applied to the system ultrashort term load prediction．The algorithcm adopts to set up mulitiple former feedforward netrual network models．In view of renewing norms，divide themodels into real renewingmodel and batch renewing model，taking this as screening and analysis of the data．The aim of the algorithem results in saving time，increasing prediction speed and ensuring predicting precision．

microgrid;ultra-short-term load prediction;;multi-model;extreme learningmachine

TM71

B

1004－289X(2013)03－0070－05

2013－02－27

徐晟(1984－)，男，碩士研究生，主要研究方向為電力系統(tǒng)運行與控制;

蔣鐵錚(1965－)，男，研究生導(dǎo)師，副教授，博士，電力系統(tǒng)穩(wěn)定分析與非線性控制。