一種時間序列的模糊神經網絡預測方法

李雅楠

【摘 要】本文提出一種短期電力負荷的時間序列預測方法。該方法用混合pi-sigma模糊神經網絡，結合短期電力負荷的周期性特點，建立pi-sigma模糊神經網絡時序預測模型，構建預測樣本和檢驗樣本，對未來短期電力負荷數據預測研究。該預測模型的模糊子集隸屬度可以在線動態調整。仿真實例表明，本文提出的電力負荷預測方法優于常規的時序預測方法，具有預測精確度高以及預測結果穩定等優點，可以克服神經網絡電力負荷預測方法的隨機性。仿真實驗結果驗證了所提出方法的有效性。

【關鍵詞】時序預測；模糊神經網絡；電力負荷；預測

【Abstract】This paper proposes a short-term power load time series prediction method. The method using hybrid pi-sigma fuzzy neural network， using the periodic characteristics of the short-term power load， a Fuzzy neural network pi-sigma time-series forecast model is set up， building forecasting samples and test samples， research on short-term power load data to predict the future. The fuzzy forecast model of fuzzy subset membership can dynamically adjust online. Simulation examples show that the proposed power load forecasting method is superior to conventional temporal prediction method， has the advantages of high prediction accuracy and prediction stability， which can overcome the randomness of the neural network electricity load forecasting methods. The simulation experiment results demonstrate the effectiveness of the proposed method.

【Key words】Time-series； Fuzzy neural network； Power load； Prediction

0 引言

電力工業影響人們的生活水平和國民經濟的發展，實時準確的電力負荷預測有助于電力部門經濟、合理地制定各項計劃，保證電網高效穩定運行，達到一定精度條件，確定將來特定時刻的負荷數據。電力負荷預測是利用電力負荷的實時信息和歷史數據對未來的電力負荷進行預測，預測未來電力負荷的時空分布情況，以此來實現電力市場供求關系的均衡發展。其中負荷是指電力需求量（功率）或用電量。電力負荷預測是電力系統中一項十分重要的工作，是能量管理系統中的重要組成部分[1]。

電力負荷預測的核心工作是對大量歷史數據的收集、對模型的科學建立以及對算法的合理有效采用。在以歷史數據為基礎的前提下進行大量的實驗研究，對模型和算法加以修正，以此來反映電力負荷變化的真實規律。電力負荷一般分為城市、商業以及工業負荷等。不同負荷具有不同的特點和規律。

常用的電力負荷預測方法有：回歸分析法、彈性系數法、神經網絡法、專家系統法和模糊邏輯方法等。通常模糊邏輯和神經網絡用于預測時會出現預測結果不確定，多次重復預測結果不同等情況。近年來，模糊邏輯和神經網絡的混合得到了比較廣泛的應用。

本文采用一種新型混合pi-sigma神經網絡模型預測短期電力負荷。該模型有如下特點：利用新組建的時間序列樣本預測電力負荷；該預測模型參數初始值是確定的；結論部分是輸入變量線性組合而成；用代數計算方法取代模糊運算；并能在線調整模糊規則的隸屬度函數，魯棒性好，預測結果穩定等。

1 混合pi-sigma神經網絡

混合pi-sigma神經網絡預測模型是與高木-關野系統類似的一種新型模糊神經網絡。可在線修正前提參數和結論參數，這項工作可以靠模糊模型辨識來完成。該模糊神經網絡適用于復雜系統的模糊預測和控制[2]。各模糊子集的隸屬函數均取高斯函數，以方便網絡的學習。其中，模糊模型可以自動更新，能動態修正各模糊子集的隸屬度函數，實現自適應模糊模型的建模，從而能比較容易地確定網絡結構和相關參數，使模糊建模過程更具合理性。

1.1 網絡結構

神經網絡通常有三種結構，一種是只含有求和節點的前向型網絡，另一種是可以實現聯想記憶的反饋型網絡，還有自組織網絡。它們都很難處理一些復雜的問題。然而在混合pi-sigma神經網絡中，在模糊推理過程中利用代數乘法取代取小運算，以一個多入/單出的混合型pi-sigma神經網絡預測模型為例，結構如圖1所示，其中，S、P和（·）分別表示相加、相乘和相乘的運算。

在圖1中，每個輸入變量的模糊子集均取為[PL、0、NL]，即正大、零、負大，這樣可簡化過程，又能加快計算速度。該預測模型的輸入經模糊化、模糊推理、反模糊，其輸出過程物理意義清楚，即知識處理過程是透明的。

1.2 模糊神經網絡學習算法

設預測模型期望輸出為yd，定義函數：

2 短期電力負荷的預測模型

數據來源：采用歐洲人工智能組織、國際電力負荷預測的競賽數據進行預測研究[4]。對1998年1月1日開始的500個時序數據進行試驗。即按照每天24小時每隔30min采集一個數據，產生48個數據，樣本時序數據結如圖2所示，該數據有一定的規律性。

混合pi-sigma模糊神經網絡時序預測模型的建立：時序樣本組成方法：在500個數據中，取其中第1～7個數據為該預測模型的輸入，第8個數據為網絡輸出，使其產生133個樣本，訓練混合pi-sigma神經網絡。因此，網絡輸入神經元個數為7個，即圖1中的n=7，輸出為一個變量。表1為數據集生成方法。

模糊神經網絡隱層選取依據：每個變量有3個模糊子集，每兩個變量之間的模糊取小運算有9個結果，因此，網絡隱層神經元個數取9個，共計有37=2187個模糊規則。

隸屬度中心c0=[c01 c02 c03]=[-15 0 15]，靈敏度參數：b0=[b01 b02 b03]=[5 5 5]，結論參數p（i）的初始值為p（i）=0.1*ones（9，1），i=0，1，2，…，7。

3 仿真實驗及結果分析

在MATLAB環境中，利用上述網絡預測模型進行仿真實驗。參數設置：學習速率=0.005、動量因子=0.05，實驗表明，學習速率對預測結果影響比動量因子大。訓練誤差精度0.001。用第1個～第133個樣本訓練模糊神經網絡，預測第141個～第188個共48個數據。圖3為混合pi-sigma模糊神經網絡預測結果。

圖3（c）中，用平均絕對百分比誤差指標評價網絡性能，48個數據的平均預測精度為2.0571%，最大預測精度為7.1459%。表2給出了前12個數據預測的詳細記錄。

采用BP神經網絡工具箱預測結果：設置精度為0.001，隱層神經元數為15，即網絡結構為7-15-1。平均預測精度為2. 5714%，最大預測精度為7.6062%；利用RBF神經網絡工具箱預測結果：擴展因子經過調節取為26，平均預測精度為2.5193%，最大預測精度為7.2087%。比較發現，本文提出的方法均優于BP網絡工具箱和RBF網絡預測結果，而且本文方法的最大優勢是預測結果是唯一的，即具有結果可重復性。

4 結論

本文對短期電力負荷時間序列采用混合pi-sigma神經網絡進行預測，得到確定性的預測結果。該模型優點是可以在線調節模糊隸屬度函數和結論參數，提高預測精度。與BP網絡、RBF神經網絡預測結果進行對比分析的仿真結果驗證了所提出方法的有效性。

【參考文獻】

[1]牛東曉，曹樹華，盧建昌，趙磊.電力負荷預測技術及其應用[M].北京：中國電力出版社，2009：1-6.

[2]邢松寅，王士同.基于Pi-sgma神經網絡的高木-關野模糊系統用于數據關聯計算的建模.電子科學學刊.1999，21（1）：72-77.

[3]劉金錕.智能控制.電子工業出版社.2015，5.Prof. Peter Sin？ák. World-wide competition within the EUNITE network.http：//neuron.tuke.sk/competition/index.php.2012.6.

[責任編輯：朱麗娜]