基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的用電量預(yù)測模型的研究

(華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院 北京 102206)

一、引言

用電量預(yù)測可以為制定科學(xué)合理的電力發(fā)展規(guī)劃提供有力依據(jù)。在選擇影響用電量因素方面，氣溫是影響用電量最重要的因子[1]，同時(shí)，節(jié)假日和工作日的負(fù)荷情況會有較大區(qū)別[2]。由于經(jīng)濟(jì)、氣候、政策等相關(guān)因素影響，用電量具有明顯的時(shí)間變化趨勢[3]。

基于以上用電量特征，綜合考慮氣象、節(jié)假日類型等因素的影響，并針對用電量數(shù)據(jù)具有時(shí)序特性這一性質(zhì)，將時(shí)間序列和神經(jīng)網(wǎng)絡(luò)算法相結(jié)合進(jìn)行用電量預(yù)測。隨著用電量數(shù)據(jù)的增加，在spark平臺上使用時(shí)間序列-神經(jīng)網(wǎng)絡(luò)模型對用電量數(shù)據(jù)進(jìn)行預(yù)測。

二、基于spark的時(shí)間序列-神經(jīng)網(wǎng)絡(luò)用電量預(yù)測模型

(一)時(shí)間序列-神經(jīng)網(wǎng)絡(luò)模型的建立

時(shí)間序列分析是一種根據(jù)動態(tài)數(shù)據(jù)揭示系統(tǒng)動態(tài)結(jié)構(gòu)和規(guī)律的統(tǒng)計(jì)方法，具體描述如下:

xn=f(x1,x2,…,xm)

(1)

其中，通過前m項(xiàng)建立函數(shù)，預(yù)測第n項(xiàng)的值。

根據(jù)用電量具有時(shí)序性這一特點(diǎn)[4]，將歷史用電量數(shù)據(jù)也作為神經(jīng)網(wǎng)絡(luò)的輸入，對用電量進(jìn)行預(yù)測。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。其基本原理是采用梯度下降法調(diào)整權(quán)值和閾值使得網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的均方誤差最小[5]。

1.BP神經(jīng)網(wǎng)絡(luò)輸出函數(shù)為：

(2)

其中βij(i=0,1,2,…,p;j=0,1,2,…,q)和αj(j=0,1,2,…,q)是神經(jīng)網(wǎng)絡(luò)的連接權(quán)重，p、q分別是網(wǎng)絡(luò)的輸入層及隱藏層節(jié)點(diǎn)數(shù)，g為網(wǎng)絡(luò)的激活函數(shù)，一般使用logistic函數(shù)。

2.BP神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)為：

(3)

(二)基于Spark的用電量預(yù)測模型的實(shí)現(xiàn)

基于Spark的神經(jīng)網(wǎng)絡(luò)并行化方法，采用spark并行編程對神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局化迅游，經(jīng)過一定次數(shù)的迭代后，得到優(yōu)化的神經(jīng)網(wǎng)絡(luò)初始權(quán)值，再使用并行的神經(jīng)網(wǎng)絡(luò)算法進(jìn)行迭代，最終輸出網(wǎng)絡(luò)結(jié)構(gòu)[5]。

并行化實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)具體步驟如下：

步驟1：數(shù)據(jù)預(yù)處理，將全局訓(xùn)練集切分成多個子集和，并且存儲到分布式文件系統(tǒng)中；

步驟2：對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行全局尋優(yōu)，得到優(yōu)化的網(wǎng)絡(luò)初始權(quán)值；

步驟3：在各計(jì)算節(jié)點(diǎn)上均采用優(yōu)化后的網(wǎng)絡(luò)初始權(quán)值建立自身的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；

步驟4：采用BP神經(jīng)網(wǎng)絡(luò)算法，對原始訓(xùn)練數(shù)據(jù)集進(jìn)行迭代訓(xùn)練。

步驟5：輸出訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使用并行BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行迭代訓(xùn)練，使用訓(xùn)練好的模型并行預(yù)測用電量。

三、算例分析

(一)實(shí)驗(yàn)數(shù)據(jù)

本文的實(shí)驗(yàn)樣本包括電量數(shù)據(jù)、氣候數(shù)據(jù)、節(jié)假日類型三種數(shù)據(jù)，其中電量數(shù)據(jù)來自某省A市，數(shù)據(jù)時(shí)間跨度為2015年8月至2016年8月，采集頻率為1日/次；氣候數(shù)據(jù)，即日最高氣溫與日最低氣溫，來自A市天氣網(wǎng)；節(jié)假日類型是說明某一天是否為節(jié)假日，數(shù)據(jù)根據(jù)實(shí)際情況自行記錄。

預(yù)測樣本數(shù)據(jù)集如表1所示，為達(dá)到時(shí)間序列預(yù)測的目的，將x1-1、以及x1-2的用電量數(shù)據(jù)作為x1的影響因素，歸一化后將其一并作為時(shí)間序列神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練模型。

表1 預(yù)測樣本數(shù)據(jù)集

(二)實(shí)驗(yàn)分析

為驗(yàn)證時(shí)間序列-神經(jīng)網(wǎng)絡(luò)算法在預(yù)測用電量方面的高精確性，使用matlab中的神經(jīng)網(wǎng)絡(luò)工具箱，分別采用時(shí)間序列-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行預(yù)測用電量對比實(shí)驗(yàn)。圖1(a)(b)直觀地展示了兩個模型預(yù)測的精度，從圖中可以看到兩者預(yù)測誤差基本在0.0%～10%之間，滿足精度要求。同時(shí)可大致看出前者預(yù)測誤差超過10%的數(shù)據(jù)占比要小于后者。經(jīng)過數(shù)據(jù)統(tǒng)計(jì)得到，如表2所示。

使用時(shí)間序列-神經(jīng)網(wǎng)絡(luò)模型預(yù)測的誤差超過10%的數(shù)據(jù)占比為15.3%，而神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)占比為19.2%。

圖1 (a)時(shí)間序列-神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

從預(yù)測精度來看，考慮了用電量時(shí)序特性的時(shí)間序列-神經(jīng)網(wǎng)絡(luò)算法更適于用電量預(yù)測，而僅從影響用電量因素考慮的神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)稍差。

圖1 (b)神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果

算法模型誤差小于5%的數(shù)據(jù)占比誤差大于10%的數(shù)據(jù)占比時(shí)間序列-神經(jīng)網(wǎng)絡(luò)68.4%15.3%神經(jīng)網(wǎng)絡(luò)65.1%19.2%

(三)基于spark的時(shí)間序列-神經(jīng)網(wǎng)絡(luò)預(yù)測算法實(shí)現(xiàn)

進(jìn)行用電量分析預(yù)測時(shí)，由于數(shù)據(jù)量較大，為提高其效率，本次實(shí)驗(yàn)在spark上實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)算法，使用eclipse軟件及Scala語言對神經(jīng)網(wǎng)絡(luò)算法進(jìn)行編寫，并對用電量進(jìn)行預(yù)測。經(jīng)過多次測試后，最終選定1個中間層、中間層節(jié)點(diǎn)為7、輸出信號為用電量所構(gòu)成的結(jié)構(gòu)為5-7-1的時(shí)間序列-神經(jīng)網(wǎng)絡(luò)為所用模型。為進(jìn)一步驗(yàn)證本文建立的時(shí)間序列-BP神經(jīng)網(wǎng)絡(luò)模型在spark的高效性和準(zhǔn)確性，對模型的預(yù)測誤差和平均絕對誤差進(jìn)行了計(jì)算。

選取A市2016年9月1～7日的天氣數(shù)據(jù)、節(jié)假日類型作為該模型的輸入數(shù)據(jù)，使用該模型預(yù)測2016年9月的用電量，并計(jì)算預(yù)測值和實(shí)際值的誤差，預(yù)測結(jié)果及預(yù)測誤差如表3所示：

平均絕對誤差能夠定量考察模型的預(yù)測精度，值越小說明預(yù)測效果越好，其計(jì)算公式如下：

(4)

表3 A市2016年9月用電量預(yù)測結(jié)果及誤差

四、總結(jié)

本文考慮用電量具有時(shí)序性這一規(guī)律，綜合考慮天氣、時(shí)間、節(jié)假日類型的影響，提出了時(shí)間序列-神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并在spark平臺上對用電量進(jìn)行了預(yù)測。從預(yù)測結(jié)果可知，該模型對用電量的預(yù)測精度較高。

隨著用電量數(shù)據(jù)的增加，將模型應(yīng)用在大數(shù)據(jù)集群上運(yùn)行可保證數(shù)據(jù)的存儲空間，并行預(yù)測可大大減少模型訓(xùn)練、預(yù)測時(shí)間。

下一步研究的重點(diǎn)則是，在用電量數(shù)據(jù)驟增的將來，進(jìn)一步在大數(shù)據(jù)集群中完善預(yù)測模型，對時(shí)間序列-神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行訓(xùn)練和優(yōu)化，提高預(yù)測精度。