基于灰色關聯分析和BP神經網絡的用電量預測

楊澤眾 嚴守靖 晏斌

摘要：隨著電網的高速發展，針對目前年度用電量預測的樣本數據在新常態下電力負荷變化趨勢和過去有一定的差異的問題，文章采用灰色關聯分析與BP神經網絡相結合的方法對湖北省年用電量進行預測。根據1997-2016年湖北省年用電量及其10個影響因子的數據，采用灰色關聯分析法對數據進行處理，選取確定3個關聯度較大的影響因子作為BP神經網絡的輸入參數，建立BP神經網絡用電量預測模型，最后對湖北省未來幾年用電量進行了預測。預測結果表明，灰色關聯分析及BP神經網絡方法在用電量預測上精度較高，計算方便，可為電力部門提供參考。

Abstract： With the rapid development of power grids， the sample data of the current annual electricity consumption forecast has a certain difference in the trend of power load under the new normal state. The article uses the method of gray correlation analysis and BP neural network to predict the annual electricity consumption in Hubei Province. According to the data of annual electricity consumption and its 10 impact factors in Hubei Province from 1997 to 2016， the data was processed by grey correlation analysis method， and three influencing factors with large correlation degree were selected as input parameters of BP neural network， the BP neural network electricity consumption prediction model was established and finally the electricity consumption in Hubei Province in the next few years was predicted. The prediction results show that the gray correlation analysis and BP neural network method have higher accuracy in power consumption prediction and are convenient to calculate， and it can provide reference for the power sector.

關鍵詞：灰色關聯分析;BP神經網絡;影響因子;用電量預測

Key words： grey relational analysis;BP neural network;impact factor;electricity consumption forecast

中圖分類號：TM715? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2018）35-0030-04

0? 引言

電力發展是衡量國家經濟水平的重要因素之一，對用電量預測是城市發展過程中一個急需要解決的問題[1]。在電力發展改革的過程中，電力市場的開拓是一個重要內容，因此對社會用電量進行全面的、及時的、準確的預測是十分必要。用電量預測是保證電力規劃實施運行的基礎，只有采用合理有效預測模型才能得到精確的結果，從而保證電力規劃的經濟性、合理性及適用性[2]。因此，有效的對湖北省年用電量的預測研究分析，將對我國在資源稀缺條件下建立節能社會、產業政策與制訂科學的電力發展規劃具有重大意義，同時也促進我國經濟的可持續發展[3]。

關于用電量的預測方法有很多，例如傳統的單耗法、彈性系數法、趨勢外推法、主成分回歸分析預測法、最小二乘回歸預測法、灰色預測法、各類神經網絡預測法和時間序列分析預測法等[4]。本文采用灰色關聯度與BP神經網絡相結合的方法，并利用MATLAB軟件對湖北省年用電量進行預測分析研究。

1? 根據灰色關聯度對用電量影響因素的確定

1.1 影響因素和原始數據

影響用電量相關因素有很多，如人口因素、氣溫變化、政策發展趨勢、經濟發展水平等都會對用電量消耗產生影響[5]。這些因素對用電量的影響有些是確定性的，有些是隨機性的[6]。此模型在原理上輸入的影響因素越多，預測結果精度就越高。

為了增加用電量分析預測的準確性，本文選取10個對用電量影響較為明顯的因素，把地方生產總值、人口、發電量、全社會固定資產投資、煤炭消費量、居民消費水平、第一產業增加值、第二產業增加值、第三產業增加值和城鎮居民消費作為湖北省年用電量影響因子，并通過得到灰色關聯度大小判斷其相關程度。查詢和收集整理《中國統計年鑒》和《湖北省統計年鑒》得到從1997-2016年10個影響因素和湖北省年用電量統計數據表1所示。

1.2 用電量關聯度分析

利用灰色關聯度理論分析用電量的10個影響因素，得到每個影響因子與用電量之間的關聯度系數，具體步驟如下[7]：

①確定因素序列和特征序列。本文以湖北省用電量作為特征序列，設為x0（p），采用n（n=20）個數據：x0（p）={x0（1），x0（2），…，x0（n）};將10個影響用電量因子作為因素序列，設為xi（t），其中有m（m=10）個子序列，每個子序列對應n個數據：xi（p）={xi（1），xi（2），…，xi（n）}。

②數據處理。對所選取的數據進行初值化算子計算。記Xi（p）={xi（1），xi（2），…，xi（n）}為Xi（t）行為序列，初值化L為序列算子，X'i（p）={x'i（1），x'i（2），…，x'i（n）}，則初值化所得到數據值為：

利用MATLAB軟件分析計算得出湖北省年用電量與10個影響因素的相關聯程度如表2所示。從表中所得數據：γ01=0.4359，γ02=0.5615，γ03=0.9503，γ04=0.6264，γ05=0.4309，γ06=0.5422，γ07=0.9255，γ08=0.6721，γ09=0.6979，γ010=0.8013。得到灰色關聯度比較順序為：γ03>γ07>γ010>γ09>γ08>γ04>γ02>γ06>γ01>γ05。根據灰色關聯度排列順序，湖北省發電量、第一產業增加量、城鎮居民消費這3個因子與湖北省用電量之間關聯度大，將其作為變量輸入到BP神經網絡預測模型中。

2? 用電量BP神經網絡預測模型的建立

BP神經網絡是一種誤差反向傳播的多層向前網絡算法，其主要思想是：對于輸入n個學習訓練樣本為“r1，r2，…，rn”，與其相對應的輸出m個樣本為“p1，p2，…，pm”。用網絡的實際輸出（t1，t2，…，tm）與目標矢量（q1，q2，…，qm）之間的誤差來調整其權值，使tl（l=1，2，…，m）與期望的ql盡可能地趨近，使輸出層的誤差平方和達到最小[9]。BP神經網絡的模型結構包括輸入層、隱含層和輸出層。

BP網絡能夠存貯和學習輸入-輸出類型的非線性映射關系，無需事前揭示這種關系且對任意非線性函數的完成趨近。3層BP神經網絡模型結構如圖1所示。

網絡的輸入形式設為r=（r1，r2，…，rn）T，隱含層有k個神經元，輸出模式為y=（y1，y2，…，yk）T，輸出層有m個神經元，輸出模式為t=（t1，t2，…，tm）T，目標輸出形式為q=（q1，q2，…，qm）T，輸出層的傳波函數記為g，從隱含層至輸出層的傳波函數為f。可得：

具體步驟如圖2所示。

3? 預測結果分析

選取湖北省1997-2016年發電量、第一產業增加量、城鎮居民消費作為原始數據，運用BP神經網絡模型對湖北省用電量進行預測。

利用MATLAB軟件測試模型的準確性，選擇訓練樣本以外的5組數據對模型進行檢驗分析，得到的實際值與預測值對比情況如表3所示。由表3可以看出，2014年相對誤差最小為0.65%，2015年相對誤差最大為2.18%，2012-2016年平均相對誤差為1.62%，且每年的相對誤差都在5%合理范圍內，此模型滿足要求。湖北省年用電量實際值與預測值對照圖如圖3所示。湖北省未來幾年用電量預測圖如圖4所示。由此可得，此BP神經網絡預測模型精度符合要求，具有較高精度和實用性，能夠應用于電力規劃中。

4? 結論

本文研究分析了湖北省年用電量的預測方法和影響指標，主要結論如下：

①影響湖北省用電量的因素較多，且其之間具有復雜的非線性關系，難以用一個準確的數學模型來表示，而BP神經網絡具有很好的非線性映射、自調整以及自學習等特性，能夠較好地處理類似非線性關系的問題。

②選取了10個與湖北省年用電量有關的影響因素，并用灰色關聯分析法研究了湖北省年用電量與10個影響因素關聯程度，利用MATLAB軟件計算，選取出了3個與湖北年用電量相關性較高的影響因子，得出此方法具有較高的精度，能夠應用于實際。

③利用灰色關聯度分析得到的結果作為輸入變量，建立了BP神經網絡湖北省年用電量預測模型。經驗算該模型具有較小的相對誤差和平均相對誤差為1.62%，滿足預測誤差要求，證明了BP模型的有效性，能夠很好為電力規劃提供參考。

參考文獻：

[1]田星，余蕾，董曉晶，等.經濟新常態下寧夏電力需求分析與展望[J].中國電力，2017，50（12）：27-32.

[2]李小雪.新泰地區電力負荷預測分析及電網規劃研究[D].山東大學，2017.

[3]牛東曉，曹樹華，盧建昌，等.電力負荷預測技術及其應用[M].2版.北京：中國電力出版社，2009.

[4]王雁凌，吳夢凱.經濟新常態下基于偏最小二乘回歸的中長期負荷預測模型[J].電力自動化設備，2018，38（03）：133-139.

[5]徐彬鑫，李祥飛.城市中長期用電量預測方法研究[J].湖南工業大學學報，2017，31（02）：78-83.

[6]曲薇薇.基于BP人工神經網絡的電力短期負荷預測[D].東北石油大學，2011.

[7]荊紅莉，周艷萍，蔣曉雁.基于灰色關聯分析及BP算法的用電量預測[J].國外電子測量技術，2017，36（12）：109-112.

[8]王雁凌，吳夢凱，周子青，馬洪宇.基于改進灰色關聯度的電力負荷影響因素量化分析模型[J].電網技術，2017，41（06）：1772-1778.

[9]包子陽，余繼周，等.智能優化算法及其MATLAB實例[M].北京：電子工業出版社，2016：170-173.