基于Elman神經網絡在電力負荷預測中的研究

宋明達 趙宇紅

摘?要：針對某地區一個月的電力系統負荷數據進行了研究，建立Elman[1]神經網絡網絡模型，運用MATLAB工具箱，對Elman神經網絡在神經元個數設置，節點層數及訓練數據個數的選擇進行了研究，同時與BP神經網絡[2]做了預測數據比較分析。驗證了Elman神經網絡模型在電力負荷預測[3]中的準確性與可行性，相比較于BP神經網絡的Elman神經網絡具有訓練速度快準確度高的優點。

關鍵詞：Elman神經網絡;電力系統負荷;BP神經網絡;預測

Abstract：This paper studies the power system load data of a region for one month，establishes the Elman neural network model，and uses the MATLAB toolbox to select the number of neurons，the number of node layers and the number of training data for the Elman neural network.The research was carried out，and the BP neural network was compared and analyzed.The accuracy and feasibility of the Elman neural network model in power load forecasting are verified.Compared with theBP neural network，the Elman neural network has the advantages of high training speed and high accuracy.

Key words：Elman neural network;power system load，BP neural network;prediction

利用神經網絡進行電力負荷預測時，通常是將從電力系統收集到的精確的統計數據和資料，用于作為電力負荷的原始依據，考慮當前的用電量和歷史負荷數據，同時還應充分注意到電力系統某些重要的系統運行特性，包括在當地的自然氣候條件、人文社會活動，經濟增長速度影響的條件下，所研究出一整套的系統的負荷預測的數學方法[6]。

Elman神經網絡是本質上是一種遞歸神經網絡，相較于前饋神經網絡而言，具有一個承接層作為記憶單元，與上一時刻的數據有著反饋連接的關系。因此Elman神經網絡具有時變特性的能力，能直接反映動態過程系統的時序特性，用來分析和研究電力負荷這種帶有明顯時間序列特征的數據的統計規律和本質特征時非常有效[4]。本文通過利用Elman神經網絡，將某地區月電力負荷數據作為研究依據，來驗證Elman神經網絡在電力負荷預測中的可行性和準確性。

1 神經網絡介紹

BP神經網絡（Back Propagation），最先由Rumelhart和McCelland等人于1986年提出，是一種將誤差采用反向傳播算法進行訓練的多層前饋神經網絡，是目前應用于各個領域最為廣泛的的神經網絡模型之一。BP神經網絡是在腦科學神經的基礎上，仿照生物的神經系統結構和功能建立起來的人工神經網絡模型，將輸出的信息與實際的誤差反向傳播來進行學習，依照生物的神經系統分為三層網絡結構，分別是輸入層、輸出層和隱含層。采用最速梯度下降法學習規則，通過誤差的反向傳播來調整更新各個層之間所連接的權值和閾值，以達到減小訓練誤差的目的。

Elman神經網絡是J.L.Elman于1990年首先針對語音處理[5]問題而提出來的，是一種典型的局部回歸網絡（global feed forward local recurrent）。Elman網絡是一個具有能夠有效處理時序信息的遞歸神經網絡。一方面和前饋神經網絡一樣，采用誤差反向傳播算法;另一方面相較于前饋神經網絡而言多了一個具有記憶單元的承接層。所以Elman神經網絡通常分四層：輸入層，隱含層（中間層），承接層和輸出層。傳遞函數大多都是線性函數，少部分為非線性函數[7]。由于它增加了一個承接層當作一種延時算子，具有記憶的功能，通過承接層將上一個時刻的隱含層狀態的數據與當前時刻的網絡輸入數據一起作為隱含層的輸入，相當于歷史狀態反饋，并將前一時刻的數據記憶下來作為下一時刻的輸出時的輸入，使得當前狀態下的輸出不僅只是與當前的輸入有關還和前一時刻的輸入也有關系，從而能讓系統可以直接反應動態過程系統的特性。Elman網絡數學模型如式（1）所示：

Yt=gW3Xt+Y′（t））

Xt=fW1Ut-1+W2Xc（t））

Xc（t）=Xt-1（1）

2 Elman神經網絡預測模型

Elman神經網絡預測流程如圖1所示，首先初始化載入某地區一個月的歷史負荷數據，將載入的數據進行劃分，構造合適樣本集和和測試集和，同時為了方便網絡的訓練，進行數據的歸一化，統一規劃到區間[0，1]。構建Elman神經網絡，然后用構造好的訓練數據作為樣本值進行訓練，在實際的網絡訓練中訓練數據在經過輸入層之后，進行初始化網絡，給定隨機的權值與閾值，數據進入隱含層，承接層從隱含層接收反饋信號，用來記憶隱含層前一刻的輸出值，繼續輸出到隱含層，通過輸出層輸出之后，計算誤差函數，利用方向傳播的算法更新權值與閾值。周而復始不斷循環更新權值和閾值直至達到理想的誤差范圍，這樣就構建起可靠準確的模型用以實際預測。得到訓練好的網絡之后，將劃分好的測試數據作為測試值進行測試。

3 實例分析

3.1 數據劃分

該文研究的電力實際負荷數據問題，是基于上一個時間段的歷史負荷數據來預測下一時間段的負荷數據，是一個關于時間序列問題。采集某地區月電力實際負荷數據之后進行分析。抽取A1-AN為第一個樣本數據，其中A1，A2，…，AN-1自變量，AN為目標函數值。在電力實際負荷數據中，設N=8，即當前數據由前7組數據運算得到。

3.2 數據分析

運用MATLAB工具，創建Elman神經網絡。該神經網絡設置12個神經元，訓練函數選擇traingdx，將最大迭代次數設置為為10000次，訓練目標誤差為0.001，最多驗證失敗次數6。Elman網絡結構如圖2所示。

在MATLAB上運行程序可得，總的運行迭代次數為7024次，耗時5秒。在相同情況下，采用BP神經網絡運行迭代次數為9842次，時間為8秒。Elman神經網絡與BP神經網絡負荷預測的曲線圖如下圖3所示：

得出的數據與真實值做比較，其結果如下表所示。

可以看出Elman神經網絡模型的均方誤差MSE比BP神經網絡小，這表明Elman神經網絡在描述負荷預測實驗數據具有更好的精確度。

4 結語

以某地區月電力系統負荷數據作為負荷預測問題為研究對象，利用MATLAB構建Elman神經網絡對其進行訓練同時選定合適的隱藏層數，再基于訓練好的模型進行測。通過與真實數據和BP神經網絡預測的數據相比較的誤差分析，表明該預測方法精度高，但是訓練步長較長，收斂速度不夠迅速，這是在今后需要改進的地方，此外在數據劃分上還需要深入研究，如何設置合理的訓練數據組使得用盡量少的時間來訓練，從而獲得較好的訓練結果。

參考文獻：

[1]Elman J L.Finding structure in time[J].Cognitive science，1990.

[2]陳宇杰.基于BP神經網絡的區域配電網中期電力負荷預測[D].吉林大學，2017.

[3]宿鵬.基于MATLAB的短期電力實用負荷預測模型的研究[J].智能電網，2016，4（12）：1215-1218.

[4]孫靜.基于BP神經網絡的耳語音增強的研究[D].蘇州大學，2008.

[5]石德琳.基于神經網絡的電力負荷預測研究與實現[D].濟南：山東大學，2016.

[6]于浩祺.電力負荷特性分析及短期負荷預測系統的研發[D].長沙：湖南大學，2016.

[7]歐陽慧雨，陳濤.基于Elman神經網絡的非線性函數擬合[J].電腦知識與技術，2017.

指導老師：趙宇紅，碩士，教授，碩士生導師。