基于遺傳算法優化前饋神經網絡模型的配電網短期負荷預測

陳浩 戴欣

摘? 要：對于配電網的安全運行來說，短期的負荷預測有著重要意義。文章以某地區配電網為研究對象，利用遺傳算法優化前饋神經網絡，對該地區的短期負荷預測方法進行研究。電力系統短期負荷預測受到氣象因素、負荷類型、時間因素等多種非線性因素的影響，因此針對上述問題，首先確定輸入，輸出樣本，建立前饋神經網絡模型，然后利用遺傳算法對前饋神經網絡的缺陷進行優化，最后以MATLAB平臺仿真計算。通過對比可知，經過遺傳算法優化后的前饋神經網絡預測模型預測精度進一步提高。

關鍵詞：前饋神經網絡;遺傳算法;短期電力負荷預測

中圖分類號：TM727? ? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）05-0007-03

Abstract： For the safe operation of distribution network， short-term load forecasting is of great significance. In this paper， with the distribution network of a certain area as the research object， the genetic algorithm is used to optimize the feedforward neural network， and the short-term load forecasting method of this area is studied. Short-term load forecasting of power system is affected by many nonlinear factors， such as meteorological factors， load types， time factors and so on. Therefore， in view of the above problems， firstly， the input and output samples are determined， and the feedforward neural network model is established. Then genetic algorithm is used to optimize the defects of feedforward neural network， and finally simulated on the MATLAB platform. By comparison， the prediction accuracy of the feedforward neural network prediction model optimized by genetic algorithm is further improved.

Keywords： feedforward neural network; genetic algorithm; short-term power load forecasting

引言

電力系統負荷是電力系統中重要的一部分，負荷預測的準確性對電力系統規劃和經濟運行非常重要[1]。隨著經濟的快速增長，用電量不斷加大，電力系統的規模也必然擴大。但是由于當前電能無法大規模儲存，為了滿足社會用電量的需求，保證配電網的安全運行，負荷預測就顯得尤為重要。現階段，用于負荷預測的方法主要有灰色預測法、時間序列法、回歸分析法等。由于電力負荷的影響因素較多，使得電力負荷具有時變性和非線性。因此傳統的方法對于配電網的負荷預測精度不高。前饋神經網絡具有典型的非線性處理能力，其收斂速度快，算法實現容易，通過對訓練樣本集進行學習，以獲取數據間的規律性，建立起輸入數據與輸出數據間的映射，然后在此基礎上進行推理從而得到預測結果。但是同樣前饋神經網絡權值和閾值具有隨機性，對收斂速度有一定的影響，且不容易收斂。遺傳算法是一種全局優化隨機搜索算法，通過遺傳算子模擬生物遺傳過程中的選擇、交叉和變異過程，獲得最優個體[2-5]。

因此本文利用遺傳算法全局搜索能力強的優勢，可對前饋神經網絡的權值和閾值進行優化，提高神經網絡收斂速度，增強預測模型的準確性和穩定性。

1 遺傳算法優化的前饋神經網絡預測模型

1.1 前饋神經網絡

前饋神經網絡模型其主要特點是：信號是前向傳播的，而誤差是反向傳播的，其拓撲結構一般分為三部分，分別為輸入層、隱含層、輸出層。通過對樣本進行訓練，使輸出值接近真實的期望值，從而通過誤差的反向傳播來不斷調整網絡的權值和閾值，使其誤差平方和最小。針對配電網電力負荷短期預測問題，針對同類型負荷，將24h內氣溫、光照強度、負荷原始數據作為輸入層，將負荷數據作為輸出層，如圖1所示。

設隱含層的激活函數為f1，輸出層的激活函數為f2，實際輸出為A，希望輸出為Y，其算法如下：

1.1.1 信息的正向傳遞

1.1.2 利用梯度下降法求權值變化及誤差的反向傳播

1.2 遺傳算法優化前饋神經網絡模型

前饋神經網絡權值和閾值具有隨機性，對收斂速度有一定的影響，且不容易收斂。利用遺傳算法全局搜索能力強的優勢，對其權值和閾值進行優化，提高網絡收斂速度，增強預測模型的準確性和穩定性。遺傳算法是一種全局優化隨機搜索算法，通過遺傳算子模擬生物遺傳過程中的選擇、交叉和變異過程，獲得最優個體。主要步驟如下[6-7]：

（1）種群初始化。個體編碼為實數編碼，由輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值以及輸出層閾值組成。

（2）適應度函數。根據個體得到BP神經網絡的初始權值和閥值，用訓練數據訓練BP神經網絡后預測系統輸出，把預測輸出和期望輸出之間的誤差絕對值和E作為個體適應度值F，計算公式為：

（3）選擇操作。遺傳算法選擇操作有輪盤賭法、錦標賽法等多種方法，本文選擇輪盤賭法，即基于適應度比例的選擇策略，每個個體i的選擇概率為：

（4）交叉操作。交叉操作選擇實數交叉法，第k個染色體ak和第l個染色體al在j位的交叉操作方法如下：

（5）變異。選取第i個體的第j個基因aij進行變異，操作方法如下：

2 仿真算例

本節利用遺傳算法優化的前饋神經網絡模型對電力負荷進行預測，并對預測結果進行對比分析。在建立模型中，首先選取光照強度、氣溫、電力負荷作為輸入變量，神經網絡算法參數設置：學習效率取0.1，動量因子為 0.65，最大訓練次數 2000，網絡訓練最大平方誤差為10-5。遺傳算法參數設置：種群規模取10，進化代數取50，交叉概率取0.4，變異概率取0.2。選取南京某區的電力負荷歷史數據及天氣狀況、光照強度，利用遺傳算法優化的前饋神經網絡對2019年6月30日全天24小時負荷進行預測，預測結果如表1所示。遺傳算法優化的前饋神經網絡的適應度曲線如圖3所示。

從表1可見，21個時間點的絕對百分誤差小于3%，最小絕對百分誤差為0.002%，最大絕對百分誤差為4.69%，平均絕對百分誤差為1.89%，表明預測取得了較滿意的結果。

3 結論

本文考慮了負荷類型、光照強度、氣溫等非線性因素，利用前饋型神經網絡模型對電力負荷進行短期預測，同時利用遺傳算法全局搜索能力強的優勢，可對前饋神經網絡的權值和閾值進行優化，提高神經網絡收斂速度，增強預測模型的準確性和穩定性。選取南京某區的電力負荷歷史數據及天氣狀況、光照強度等非線性變量作為輸入變量，利用模型進行短期負荷預測，取得了較滿意的結果，表明該算法具有較高的可信度，對以后的研究有一定的實用價值。

參考文獻：

[1]牛曉東，曹樹華，趙磊.電力負荷預測技術及其應用[M].中國電力出版社，1998.

[2]李思琦，蔣志堅.基于神經網絡的供熱負荷預測模型[J].區域供熱，2018（4）：42-46.

[3]劉暢，劉天琪，陳振寰，等.基于KPCA和BP神經網絡的短期負荷預測[J].電測與儀表，2016，53（10）：57-61.

[4]張凌云，肖惠仁，吳俊豪，等.電力系統負荷預測綜述[J].電力大數據，2018，21（1）：52-56.

[5]蘇靖祥.電力系統短期負荷預測方法研究[D].天津：天津大學，2015.

[6]王錦，趙德群.基于遺傳算法的神經網絡權值優化方法[J].電子元器件與信息技術，2018（9）：33-36.

[7]李莉，劉建勛，劉崇新.基于改進型遺傳算法的混沌神經網絡在電力負荷預測的應用[J].華中電力，2010，23（2）：13-17.