基于PSO參數優化的ESN負荷預測模型

(華北電力大學控制與計算機工程學院 北京 102206)

引言

電力負荷預測(load forecast of power system),是電力市場的重要組成部分,實質是對電力市場需求的預測。一個準確的短期預測方法可以有效地節省運營成本，保證電力市場運營效率，而負荷預測過高則可能引起供應與儲備過剩，導致成本升高和電力市場參與者的合同削減，此外負荷預測過低則無法提供足量的儲備導致需要提供更昂貴的輔助服務才能到達市場需求[1，2]。

ESN的核心結構是一個動態儲備池(Dynamic Reservoir,DR)。文為了解決儲備池參數影響ESN預測精度的問題，采用了粒子群優化算法對動態儲備池的重要參數進行優化，采用經過粒子群算法優化的回聲狀態網絡對XX地區的負荷數據進行預測[3]。對比SVM，BP神經網絡預測方法，基于PSO優化儲備池參數的ESN負荷預測模型。

一、基于ESN負荷模型預測

經典的ESN體系結構包括三層：輸入層、隱含層和輸出層。如圖1所示。隱含層被稱為動態儲蓄池。傳統的循環網絡中，其規模基本控制在20個神經元以內。假設ESN網絡有L個輸入層單元，M個輸出層單元，N個隱層單元。通常用Win表示輸入層的連接權值矩陣；表示儲備池內部的連接權值矩陣，它通常保持1%～5%的稀疏連接，并且譜半徑一般小于1，這能夠起到存儲歷史信息的“回聲”作用，使ESN具有很強的短期記憶能力，克服了RNN網絡固有的記憶漸消的問題；Wout表示輸出層的連接權值矩陣；Wback表示輸出層到隱層的反饋權值矩陣。其中，Win、w和Wback是在網絡建立前隨機生成的，并且一經構成就不再改變，只有Wout是通過訓練計算得到的。而ESN的訓練目的就是要確定輸出權值[4]。

圖1 回聲狀態網絡結構

ESN的基本算法是通過輸入信號激勵儲備池，從而產生儲備池中連續的狀態變量信號，最后通過儲備池狀態變量與目標輸出信號的線性回歸算法確定ESN網絡輸出權值[5]。

二、基于PSO優化的ESN用電負荷預測模型

粒子群優化(Particle Swarm Optimizer,PSO)算法是一種基于群體智能方法的演化計算技術。

采用PSO對ESN中核心部分動態儲備池中的重要參數進行優化，提高預測的準確率。

三、負荷預測試驗及結果分析

(一)試驗準備

本文結合經驗和ESN模型本身特點，選取5個變量(上一時刻負荷，時間，天氣，溫度和風力)，其中，ESN的回聲特性確定使用上一時刻的負荷狀態代替負荷時間序列，從而減少計算量；同時，作為標準的ESN模型訓練，需要添加一組單位序列作為輸入數據。本文采用某地區2015-01-01——2015-09-30的電力數據和氣候數據進行計算，約24000組數據，對比SVM預測模型、BP預測模型和未經優化的ESN預測模型。

在網絡學習之前，對原始數據進行了歸一化處理，并對數據進行劃分，80%的訓練數據和20%的測試數據。

實驗誤差采用均方誤差和標準均方根誤差作為各種方法預測效果判斷依據，對各種預測效果進行評價：

(1)

(2)

(二)比試驗分析

本文采用標準的ESN網絡、傳統BP網絡和SVM算法進行對比試驗。在使用ESN的對比試5變量作為輸入進行試驗后，又使用一天96點的負荷時間序列和當前時刻，共97個參數作為輸入進行試驗。對比試驗結果如表1示。

表1 預測方法誤差對比表

通過試驗對比發現，BP神經網絡算法收斂速度較慢，誤差也相對較高，多次試驗中預測精度在+-3%的范圍小幅波動；而SVM在輸入參數為負荷序列時表現出色，比選取上一時刻負荷加外界環境的輸入組合的準確率提升了近20個百分點。ESN表現優異，標準方均根誤差可達到1.82%。同時，經過本文提出的PSO對ESN儲備池參數進行優化處理后，預測的標準方均根誤差最小，到達了0.6%，對比ESN提高了1.76個百分點。誤差評價結果表明，ESN比BP神經網絡和SVM的預測精度有所提升，而PSO-ESN預測模型進一步提高了回聲狀態網絡的預測精度，是預測效果更佳出色，適宜用于電力系統短時負荷預測。

四、結語

ESN在短期用電負荷上表現優于BP神經網絡和SVM。針對目前ESN研究出現的問題之——儲存池特性問題，文采用PSO優化算法對影響動態儲備池的主要參數進行優化，選取適用于本問題的邊界策略。實驗證明，經過參數優化過的ESN用電負荷預測模型具有更高的預測準確率。