一種基于BP神經網絡的地區用電量預測方法研究

章熙 郭翔 萬會江 吳佩澤 陳鵬 陳佳捷

摘 ? 要：文章選取江蘇省年用電量數據，提出了一個灰色系統理論與BP神經網絡相結合的用電量預測方法。結果表明，該方法在用電量預測上精度較高，并且計算方便，可供有關部門參考。

關鍵詞：用電量預測;反向傳播神經網絡;灰色關聯分析

1 ? ?用電量的預測重要性介紹

地區電網用電量預測是指根據當地個人及企業用戶的電能需求，在對歷史數據進行研究的基礎上，對地區用電量作出合理預估，供有關部門在規劃工作時參考。準確的電量負荷預測有助于電網企業建立合適的運營策略，是制定電力發展規劃的重要依據。因此，用電量預測是電網企業十分重視的一項工作，預測結果可能直接影響企業效益。準確的預測用電量對合理設計電網改造、錯峰用電、發電計劃有著重要的參考價值，有助于建立節能社會、促進地區經濟的可持續發展。

關于用電量的預測方法有很多，傳統方法有基于歷史數據統計的線性回歸預測算法[1]，時間序列預測方法[2]，灰度模型組合預測法[3]。近年來，隨著機器學習算法研究的不斷深入，出現了基于機器學習的算法，如神經網絡[4]、支持向量機[5]、粒子群算法[6]、遺傳算法[7]等智能預測方法。本文采用灰色關聯度與反向傳播（Back Propagation，BP）神經網絡相結合的方法，以江蘇省為例，利用Matlab軟件對地區用電量進行預測、分析研究。

2 ? ?基于BP神經網絡的地區用電量預測

本文提出一種灰色系統理論與BP神經網絡相結合的地區用電量預測方法：先采用灰色關聯分析法對影響因素進行篩選，選出關聯度大的因素作為輸入，以精簡BP神經網絡預測模型;再利用相關歷史數據，對預測模型進行訓練，實現對用電量預測的目標。

2.1 ?用電量影響因素灰色關聯度分析

為了增加地區用電量預測的準確性，本文選取了6個對用電量影響較為明顯的因素，即地方生產總值、人均收入、總發電量、能源消費總量、固定資產投資總額以及居民消費水平，并通過得到灰色關聯度大小判斷其相關程度。本文以江蘇地區為例，查閱《江蘇省統計年鑒》，得到從1999—2017年間6個影響因素和江蘇省年用電量的統計數據進行定量分析。

利用灰色關聯度理論分析用電量的6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：首先，確定特征序列和因素序列，本文以用電量為特征序列，記為x0（t），選取影響用電量的6個因子為因素序列，記為xi（t）。其次，將因素序列進行歸一化后，計算出因素序列與特征序列的差序列Δoi（k），找出兩極差最大值M與最小值m。最后，計算灰色關聯系數和灰色關聯度，特征序列與因素序列在第k點的關聯系數為：

利用上述公式計算得出年用電量與6個影響因素的相關聯程度如表1所示。從表1可以看出，江蘇省年發電量、居民消費水平、地區生產總值這3個因子與地區用電量之間關聯度相對較大，因此，將其作為決策變量輸入到BP神經網絡預測模型中。

2.2 ?BP神經網絡訓練

BP神經網絡是一種誤差反向傳播的多層向前網絡算法，由輸入層、隱含層和輸出層3部分構成，結構如圖1所示。神經網絡每層都是由多個可并行計算神經元構成，處于不同層的神經元之間是完全互相連接的，相同層的神經元之間無連接。地區年發電量、地區生產總值、居民消費水平作為BP神經網絡用電量預測模型的3個輸入量，隱含層神經元數量經試錯法[9]和多次調試確定為10個，輸出層以預測用電量作為單一神經元進行結果輸出。

對神經網絡進行訓練是由已知樣本求得網絡的連接權值與閾值的過程，其主要思想是：首先，進行網絡初始化，給各權值和閾值分別賦予一個區間（-1，1）內的隨機數，設定誤差函數，給定計算精度值和最大學習次數。其次，對于一組輸入樣本，通過BP神經網絡計算隱藏層神經元的輸入、輸出和網絡的實際輸出。再次，計算誤差函數對輸出層、隱藏層各神經元的偏導數，將輸出層的誤差逆向傳播至隱藏層，根據隱藏岑神經元誤差更新網絡權值和閾值。最后，計算全局誤差，判斷網絡是否達到精度要求，當誤差達到預設精度或學習次數大于設定的最大次數，則結束算法。

3 ? ?實驗與預測結果分析

進行神經網絡訓練時，將江蘇地區1999—2017年的用電量樣本集分為訓練樣本和檢驗樣本兩部分，其中，抽取1999—2013年14組作為訓練樣本，2014—2017年4組數據作為檢驗樣本。隱含層傳遞函數設定為logsig，輸出層傳遞函數選定為tandig，訓練函數為trainlm，學習函數 選用learngdm，網絡的性能函數為MSE[11]。各參數選取分別為：學習速率0.005，期望誤差0.000 01，最大學習次數1 000。模型經過訓練之后，利用檢驗樣本測試并驗證其準確性和泛化能力，得到如表2所示的實際值與預測值對比結果。江蘇地區年用電量實際值與預測值對比如圖2所示。從預測數據與實際數據的對比來看，該BP神經網絡預測模型性能較好，相對誤差較小，完全能夠滿足決策的需求。

4 ? ?結語

本文采用BP神經網絡技術，設計能夠預測地區用電量的數學模型。由于影響居民和企業用電量的因素較多，采用灰色理論模型研究年用電量與影響因素之間的關聯程度，進而選取3個相關性較高的影響因子，提高預測模型的精度和可操作性。BP神經網絡用電量預測模型利用誤差反饋修正參數，經驗算該模型的預測結果和真實值之間具有較小的相對誤差和平均相對誤差，可以較為準確地預測出用電量，具有預測精度高，方法簡單的優點。

[參考文獻]

[1]李昉，羅漢武.基于多元線性回歸理論的河南省用電量預測[J].電網技術，2008（S1）：129-131.

[2]肖正，朱家明，祁孟陽，等.居民用電量的ARIMA時間序列預測[J].河南工程學院學報（自然科學版），2017（1）：48-52.

[3]余健明，燕飛，楊文宇，等.中長期電力負荷的變權灰色組合預測模型[J].電網技術，2005（17）：26-29.

[4]徐堯強，方樂恒，趙冬華，等.基于LSTM神經網絡的用電量預測[J].貴州電力技術，2017（8）：25-29.

[5]潘峰，程浩忠，楊鏡非，等.基于支持向量機的電力系統短期負荷預測[J].電網技術，2004（21）：39-42.

[6]沈建新，楊善林.智能電網視角下粒子群優化支持向量機的用電量預測[J].科技管理研究，2013（11）：235-238.

[7]薛必克，李陳龍，鄭亞先，等.遺傳算法在中長期電量最優組合預測中的應用[J].華東電力，2012（9）：1525-1527.

[8]曾波，劉思峰.基于灰色關聯度的小樣本預測模型[J].統計與信息論壇，2009（12）：22-26.

[9]沈花玉，王兆霞，高成耀，等.BP神經網絡隱含層單元數的確定[J].天津理工大學學報，2008（5）：13-15.