基于改進型BP神經網絡的電網負荷預測

摘 要： 考慮到傳統的線性電網負荷預測方法的預測精度無法滿足現代電力電網管理系統的要求，使用更適用于電力電網負荷的預測任務的非線性BP神經網絡算法建立預測模型。由于常規的BP神經網絡存在容易陷入局部最優解以及收斂效率低等問題，該文使用模擬退火算法對BP神經網絡權值訓練算法進行優化，提高預測模型的收斂效率和自學習能力。通過實例對所研究的預測模型進行分析，結果表明，所研究的改進型BP神經網絡的訓練次數和訓練耗時均低于常規神經網絡，具有更高的收斂精度，同時改進型BP神經網絡預測模型的預測誤差明顯降低，具有較好的工程應用價值。

關鍵詞： 電網負荷預測； BP神經網絡； 模擬退火優化算法； 預測誤差

中圖分類號： TN926?34； TM715 文獻標識碼： A 文章編號： 1004?373X（2016）20?0064?03

Abstract： Since the forecasting accuracy of the traditional linear load forecasting method cannot meet the requirements of the modern power grid management system， the nonlinear BP neural network algorithm suitable for the power grid load prediction task is used in this paper to build forecasting model. Because the conventional BP neural network is easy to fall into the local optimal solution and has low convergence efficiency， simulated annealing algorithm is used in this paper to optimize the BP neural network weight training algorithm to improve the convergence efficiency and self?learning ability of the prediction model. The prediction model studied in this paper is analyzed with an example. The results show that the training times and training time of the improved BP neural network are less than those of the conventional neural network， and it has higher convergence accuracy， in addition， the prediction error of the improved BP neural network prediction model is obviously reduced.

Keywords： power grid load forecasting； BP neural network； simulated annealing optimization algorithm； prediction error

0 引 言

對電網負荷進行預測對于確保電力系統正常穩定運行具有重要意義，對電網的短期負荷進行精確預測能夠降低電力電網系統的運行和維護成本，負荷預測系統已經成為電力電網管理系統中的重要組成部分之一，同時也是電力科研工作者的主要研究重點內容之一[1?5]。

傳統的電網負荷預測方法主要是基于線性的時間序列分析法、回歸分析模型等，然而實際的電力負荷模型是非線性的，電網的負荷會受到溫度、濕度等各種影響因素干擾，使得傳統線性預測模型的預測精度無法滿足現代電力電網管理系統的精度要求[6?7]。

BP神經網絡預測模型是一種非線性的預測模型，其具有自學習能力、預測精度較高以及強大的非線性函數關系擬合能力等優點，特別適用于電力電網負荷的預測任務，但是常規的BP神經網絡存在容易陷入局部最優解以及收斂效率低等問題[8?9]。因此本文使用模擬退火算法對BP神經網絡權值訓練算法進行優化，提高預測模型的收斂效率和自學習能力。

1 改進型BP神經網絡預測模型

常規的BP神經網絡存在容易陷入局部最優解以及收斂效率低等問題，因此本文使用模擬退火算法對BP神經網絡的權值參數的訓練進行優化。模擬退火算法模擬金屬材料退火過程，在固定時段內以一定的概率算法求解較大搜索空間內的全局最優解[10]。

使用模擬退火算法對BP神經網絡優化過程為[12]：

步驟1：對參數進行初始化，初始生成一個較大的溫度[T0]，隨機生產BP神經網絡的初始權值，并由初始權值組成初始的狀態解[ωij0]。

步驟2：根據隨機擾動模型由第k步的解[ωijk]得到第k+1步的解[ωijk+1]。

步驟3：將新的狀態解[ωijk+1]賦值到BP神經網絡模型中，使用訓練數據對新生成的BP神經網絡進行訓練，使用目標優化函數計算該BP神經網絡預測值與期望值之差。

步驟4：判別系統能否接收新的狀態解[ωijk+1]。

步驟5：如果內循環次數達到設定最大值，則進入下一步，否則跳回步驟2。

步驟6：若滿足調節[Tk+1

步驟7：若SA算法完成對各個訓練樣本的優化任務后，并且溫度達到設置的終止溫度，則結束優化過程，SA算法的最優解則作為BP神經網絡的最優連接權值。

2 實例分析

通過實例對本文研究的改進型BP神經網絡電網負荷預測模型進行分析。調取了某市2009—2010年的電網負荷數據以及天氣數據等，并針對某一天的電網負荷進行預測，與真實數據進行對比[13]。

使用常規BP神經網絡與改進型BP神經網絡進行對比實驗，兩種模型的輸入神經元個數均為65，輸出為24個，即對某一天24個小時負荷量的預測[14?15]。使用訓練樣本對兩種預測模型進行訓練，得到了訓練結果性能如表1所示。

由表1可以看出，在精度要求一致時，本文研究的改進型BP神經網絡的訓練次數和訓練耗時均低于常規神經網絡，說明改進后的BP神經網絡具有更快的收斂效率，同時改進后的BP神經網絡的相對誤差平均值降低了2.44%，相對誤差最大值降低了4.22%，說明改進后的BP神經網絡具有更高的收斂精度。

使用上述訓練后得到的預測模型，對該市2009年10月13日的24 h電網負荷進行預測，得到的預測結果如表2所示。

表2 電網負荷預測結果

通過計算可得常規BP神經網絡預測模型的預測均方誤差為3.29%，平均相對誤差為2.78%，使用改進型BP神經網絡預測模型的預測均方誤差為1.52%，平均相對誤差為1.18%，預測誤差明顯降低。兩種預測模型的預測值與真實值比較如圖1所示。由圖1可以看出使用改進后的BP神經網絡預測模型的預測準確度平均值達到了99.2%以上。

3 結 語

電網負荷預測對于確保電力系統正常穩定運行具有重要意義，是電力科研工作者的主要研究重點內容之一。本文使用BP神經網絡建立電網負荷預測模型，并使用模擬退火算法對BP神經網絡權值訓練算法進行優化，提高預測模型的收斂效率和自學習能力。最后通過某市2009—2010年的電網負荷數據以及天氣數據等對本文研究的改進型BP神經網絡電網負荷預測模型進行分析，結果表明，本文研究的改進型BP神經網絡預測誤差明顯降低，具有較好的應用價值。

參考文獻

[1] 王大鵬.灰色預測模型及中長期電力負荷預測應用研究[D].武漢：華中科技大學，2013.

[2] 任麗娜.基于Elman神經網絡的中期電力負荷預測模型研究[D].蘭州：蘭州理工大學，2007.

[3] 程其云.基于數據挖掘的電力短期負荷預測模型及方法的研究[D].重慶：重慶大學，2004.

[4] 張華.基于優化BP神經網絡的微博輿情預測模型研究[D].武漢：華中師范大學，2014.

[5] 馬洪松.基于改進灰色模型的電力負荷預測方法研究及應用[D].北京：華北電力大學，2013.

[6] 朱曉明.BP?灰度模型的電力負荷預測模型研究[J].科技通報，2013（8）：50?52.

[7] 周建中，張亞超，李清清，等.基于動態自適應徑向基函數網絡的概率性短期負荷預測[J].電網技術，2010（3）：37?41.

[8] 陳偉淳.基于多神經網絡的智能電網短期負荷預測研究[D].廣州：華南理工大學，2012.

[9] 熊偉.基于粒子群模糊徑向基網絡的電力系統短期負荷預測[D].長沙：長沙理工大學，2009.

[10] 尤麗華，吳靜靜，王瑤，等.基于模擬退火優化BP神經網絡的pH值預測[J].傳感技術學報，2014（12）：1643?1648.

[11] 王惠琳.模擬退火遺傳算法優化的BP網絡在翹曲量預測中的應用[D].杭州：浙江大學，2011.

[12] 王惠琳，胡樹根，王耘.基于模擬退火遺傳算法優化的BP網絡在質量預測中的應用[J].輕工機械，2011（4）：26?31.

[13] 師彪，李郁俠，于新花，等.改進粒子群?BP神經網絡模型的短期電力負荷預測[J].計算機應用，2009（4）：1036?1039.

[14] 師彪，李郁俠，于新花，等.自適應變系數粒子群：徑向基神經網絡模型在負荷預測中的應用[J].計算機應用，2009（9）：2454?2458.

[15] 師彪，李郁俠，于新花，等.基于改進粒子群?徑向基神經網絡模型的短期電力負荷預測[J].電網技術，2009（17）：180?184.