基于粒子群算法與循環神經網絡的短期電力負荷預測

李輝+王軍

摘要：針對循環神經網絡算法在電力負荷預測中存在易陷入局部最小值和全局搜索能力較弱的缺陷，提出了基于粒子群算法和循環神經網絡的預測方法；針對標準粒子群算法易因粒子早熟收斂現象而陷于局部最優的缺陷，提出了合理粒距的概念，生成一種改良后的學習方法。采用改良后的粒子群算法對結點權值參數進行尋優，以測量值與預測值的誤差作為評價依據，從而實現模型參數的優化選擇。最后采用改良后的粒子群算法和循環神經網絡預測模型對短期電力負荷進行預測，并與標準粒子群算法循環神經網絡預測模型和循環神經網絡預測模型對比。實際算例比較表明，這種預測方法具有良好的收斂特性和較高的預測準確度。

關鍵詞關鍵詞：粒子群算法；循環神經網絡；電力負荷預測

DOIDOI：10.11907/rjdk.171805

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2017）011012504

0引言

電力系統高效運行的基本要求是發電隨時跟隨電力體系負荷而改變，從而達到動態平衡，而短期負荷的準確預測能夠幫助電力企業快速制定供電計劃。因此，對電力系統負荷進行有效預測成為關鍵課題[1]。

目前，較多使用的預測方法有時間序列法[2]、遺傳算法[3]、人工神經網絡方法[4]、支持向量機[5]等。時序法僅僅把時間當作影響負荷的因素而忽略了氣溫、人類活動等重要因素，預測效果自然不理想[2]。遺傳算法是為克服BP算法的收斂性能不足和易陷入局部最小的缺陷而提出的，采用隨機迭代和進化方法搜索目標[3]。人工神經網絡在經濟領域應用較為廣泛，在經濟問題預測中，BP模型受到推崇，但BP模型對具有時間序列體系的操作局限性較大[6]，而循環神經網絡在這方面做得更好。但神經網絡對初始權值參數選擇具有隨機性，使算法的泛化能力降低[3]。

為了進一步提高電力負荷預測精度，針對循環神經網絡節點初始權值優化難題，本文提出了一種改良后的粒子群算法——循環神經網絡預測模型，并采用仿真實驗驗證了其優越性。

從圖6可明顯看到，改良后的PSORNN預測模型較未改良的PSORNN模型和RNN模型，測量值和預測值的擬合效果明顯要好些。其中RNN模型預測效果最差，原因是初始化權值隨機選取盲目，結果自然不夠好[13]。使用PSO算法對接點權值進行優化，預測的準確度更高。從表1可以看出，經過粒子群算法優化的平均相對誤差分別為1.82%和1.30%，遠遠低于通過RNN預測方法算出的誤差3.10%，這充分說明了基于改良PSORNN的有效性。因為經過改良后的PSORNN模型實現了粒子間排斥和吸引的平衡，對初始權值進行合理設置，使結果達到了理想狀況。因此，采用改良后的方法對電力負荷進行預測，達到了預測值更精確、模型精度更高的要求[12]。

5結語

針對電力負荷具有多變性、繁雜性、受大量因子共同作用的特點，本文提出了基于改良粒子群算法和循環神經網絡相結合的負荷預測模型。這種模型克服了循環神經網絡節點初始權值的隨機性和標準粒子群算法易限于局部最優的缺陷。與標準PSORNN預測方法和RNN預測方法對比，證明了改良后的PSORNN模型預測精度更優。仿真實驗結果表明，改良后的PSORNN模型在電力負荷預測精度上得到了較為明顯的提升，并具有好的收斂性。

參考文獻參考文獻：

[1]馬小津，朱博，戴琳，等.基于改進PSOLSSVM的短期電力負荷預測[J].控制理論與應用，2016：35（3）：59.

[2]HAGON，SUZNNE M.The times series approach to short term load forecasting[J].IEEE Trans，on Power Systems，1997，2（3）：785791.

[3]邱俊，張瑞林.基于遺傳算法的循環神經網絡在銷售預測中的應用[J].浙江理工大學學報，2007，24（3）：267270.

[4]TOPALLI A K， ERKMEN I. A hybrid learning for neural networks applied to load forecasting[J].Neural Computing，2003，51（2）：495500.

[5]康操.基于最小二乘支持向量機的短期電力負荷預測模型的研究[D].成都：西南交通大學，2010：1015.

[6]劉征宇，楊俊斌，張慶，等.基于QPSOBP神經網絡的鋰電池SOC預測[J].電子測量與儀器學報，2013，27（3）：131139.

[7]余健明，馬小津，倪峰.基于改進PSOLSSVM的風電場短期功率預測[J].西安理工大學學報，2013，29（2）：176180.

[8]何鵬.生料漿配料過程返料成分的時間序列混沌分析和SVM預測研究[D].長沙：中南大學，2011：2829.

[9]馬靜波，楊洪耕.自適應卡爾曼濾波在電力系統短期負荷預測中的應用[J].電子測量技術，2005，29（1）：7579.

[10]PARK D C，SHARK M.Electric load forecasting using an artificial neural network[J].IEEE Transaction on Power Systems，1991，6（2）：442449.

[11]EBERHART R，SHI Y.Particle swarm optimization：developments applications and resource[J].Proceedings Congress Computation，2001，7（3）：8186.

[12]霍明.短期負荷預測的支持向量機模型參數優化研究方法[D].長沙：湖南大學，2009：1015.

[13]潘磊，李麗娟，丁婷婷，等.基于改進PSO算法和LSSVM的短期電力負荷預測[J].工礦自動化，2012（9）：5559.

責任編輯（責任編輯：杜能鋼）endprint