基于WT-IPSO-BPNN的電力系統短期負荷預測

康 義 師劉俊 郭 剛

基于WT-IPSO-BPNN的電力系統短期負荷預測

康 義1,2師劉俊1郭 剛3

（1. 華北水利水電大學電力學院，鄭州 450045； 2. 鄭州上控電氣技術有限公司，鄭州 450001； 3. 國網河北省電力有限公司邯鄲供電公司, 河北 邯鄲 056000）

鑒于短期負荷預測精度對電力系統安全、經濟和可靠運行的重要性，為提高預測精度，本文提出了基于小波分解（WT）、改進粒子群算法（IPSO）和BP神經網絡的組合預測模型。首先運用小波分解對負荷數據預處理，將歷史數據分解成cd1、cd2、cd3以及ca3；然后對分解后的小波序列分別進行神經網絡建模和預測；最后小波重構負荷序列的最終預報。為提高BP神經網絡所需樣本的精確性和神經網絡的收斂速度及穩定性，采用改進粒子群算法優化網絡，形成了“分解-預測-重構”模型。經實例驗證，與小波分解BP神經網絡方法相比，本文所提方法具有訓練學習能力更強、收斂速度更快、預測精度高和適應能力更強的優點。

小波分解；粒子群算法；BP神經網絡；負荷預測

0 引言

電力系統短期負荷預測是針對一天到一周的電力負荷進行預測，主要應用于電力系統日常電網的調度，及時對網絡區域內的電力使用進行管理分配；為調度機構制定發電、供電和需電平衡策略提供理論依據，是保證電網安全、穩定運行的關鍵，且還可以為水、火、核電配置提供指導，合理計劃機組起停時間；同時在電力市場為發電側提供電量分配研究依據，促進電網和發電側參與市場競爭，提高電力行業經濟效益和社會效益。所以提高負荷預測精度有利于電網的安全穩定運行和電力市場的合理競價，降低電網運行風險[1-2]。

由于負荷預測受到如氣象、時間、工業結構和社會因素等多方面非線性因素以及數學建模的影響，預測精確度很難得到保證。因此應綜合考慮多種因素的影響，尋求新的、適應能力更強的負荷預測方法，以提高預測的準確性。文獻[3]利用改進的神經網絡模型進行預測。文獻[4]建立了時鐘頻率和Spark平臺驅動循環神經網絡的預測方法。文獻[5]提出了基于神經網絡的負荷模型參數進行預測。文獻[6]對小波神經網絡的結構模型進行了改進，效果較好。文獻[7]引入門控循環單元（gated recurrent unit, GRU）網絡，處理具有時序性特點的歷史負荷序列。電力負荷的變化錯綜復雜，單一的預測方法精度往往不高，因而目前綜合各預測方法的優點、實現多種方法的組合預測得到了廣泛的應用。文獻[8]利用粒子群算法（particle swarm optimization, PSO）優化神經網絡（neural network, NN）的權值和閾值，提高預測準確性。文獻[9]結合受限玻爾茲曼機的遞歸神經網絡的方法。文獻[10]結合BP神經網絡的正向和反向傳播過程，建立基于Hadoop架構中Map Reduce框架的BP神經網絡負荷預測模型。文獻[11-12]提出粒子群算法優化神經網絡的短期負荷預測方法。文獻[13]采用灰色模型優化神經網絡的方法。文獻[14]結合長短期記憶（long short term memory, LSTM）和卷積神經網絡（convolutional neural network, CNN）建立了混合預測方法。文獻[15]用小波分解后的系數進行優化。文獻[16]采用機器學習預測短期負荷。

本文提出基于小波分解、改進粒子群算法（improved PSO, IPSO）和BP神經網絡的預測模型，利用小波分解對負荷數據進行預處理，分解成不同尺度上的序列進行分析選用相應的模型預測。采用改進粒子群算法，加強歷史數據的規律性。通過閾值來減少系數的數量，增加信息的有效性。

1 小波變換

小波變換理論繼承和發展了短時傅里葉變換局部化的思想，對電力系統負荷進行分解，得到具有不同周期特性和頻次的子序列，針對子序列的具體情況，選擇與之相適應的預測方法，使預測更有針對性。它的主要特點是通過變換能夠充分突出問題某些方面的特征，能對時間（空間）頻率的局部化分析，通過伸縮平移運算對信號（函數）逐步進行多尺度細化，最終達到高頻處時間細分、低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節。

1.1 小波分解

式中，＞0為尺度因子。

小波變換滿足條件為

設()∈2()是采集的信號，標準正交基為0,n= {(-)}和0,n={(-)}，其中∈Z。

選定一種小波進行3層小波分解，Mallat分解算法為

利用小波對采集的數據進行多尺度分解，能加強歷史數據變化的周期性，得到高低頻信號，再根據具體情況確定合適的分解層數。

1.2 小波重構

小波重構是小波分解的逆變換，它是將分解后經過運算的數據信息還原到原始數據的過程。小波變換重構原始信號的逆變換為

當人體詞的形貌、位置及功能特征向其他人體部位或具體的非人實體認知域映射時，根據概念隱喻的意象圖式和相似性原則，我們可以容易地辨析出其隱喻意義，但也有一部分人體部位的特征是投射到抽象的概念域中，這時人體詞就可能表示抽象事物、空間、時間、性質或程度等。此外，當人體詞作為目標域概念，其他認知域特征向其映射時，人體詞的語義也會發生轉移。此時要想解讀出準確的人體詞語義就要費些周折。

2 BP神經網絡

標準BP神經網絡由輸入層、隱含層和輸出層組成，如圖1所示。其采用梯度搜索技術，按照誤差反向傳播訓練，使網絡的實際輸出值和期望輸出值的誤差最小。

圖1 BP神經網絡結構

于是L-M法的調整公式為

是根據訓練程度調整的值，在最初開始訓練時，取值很大，在這種情況下，就相當于梯度下降法；隨著訓練誤差逐漸接近最小值即極小點附近時，逐漸減小至0，此時，網絡的修正方向就完全是擬牛頓法的修正方向，擬牛頓法是尋求最佳的修正方向。因此，L-M法比其他方法都更高效。

3 改進粒子群算法

PSO算法是受到鳥類動物群體行為的啟發，根據個體以及群體的信息，通過迭代，更新粒子的位置，并不斷修正種群極值，動態地更新粒子的位置和速度，通過不斷重復上述過程，實現最優解的尋找。由于傳統粒子群算法容易產生早熟收斂和局部最優的問題，所以考慮從慣性權重和學習模式對算法進行改進[17]。傳統粒子群算法的粒子速度與位置更新公式如下

3.1 慣性權重的改進

權重系數在PSO的尋優過程中十分關鍵。權重系數小則PSO的局部搜索能力強，權重系數大則PSO的全局搜尋能力強。粒子群的收斂速度和尋優效果會受權重系數的影響，因此提升PSO的尋優能力和收斂速度可以通過選擇合適的權重系數來實現。

在PSO中，慣性權重的改進形式如下

式中：max為算法最大迭代次數；為慣性權重；為當前迭代次數。

3.2 學習模式的改進

使用PSO來對網絡的權值和閾值進行優化，使BP神經網絡在初始階段就擁有較優的初值，進而縮減了訓練時間并提高了收斂精度。因此，對于PSO每一個粒子所攜帶的信息就是BP神經網絡的所有權值和閾值。權值包括輸入層與隱含層、隱含層與輸出層之間的所有權值，閾值包括隱含層和輸出層的各個神經元閾值。改進粒子群優化參數流程如圖2所示。

4 小波粒子群優化神經網絡模型建立

本文采用小波分解與神經網絡相結合的方法，由于小波分解序列在各自的區域尺度上有其各自的特點，因此應根據不同尺度上負荷變化的趨勢來決定負荷預測的方法。為了提高預測精度的準確性，對不同尺度域應用不同神經網絡分別進行建模和預報，其模型結構如圖3所示。

模型的預測分為四個步驟：

1）運用小波對歷史負荷數據序列進行分解，將歷史負荷數據分解成細節分量以及趨勢分量，即cd1、cd2、cd3以及ca3。

2）使用PSO來對網絡的權值和閾值進行優化，使BP神經網絡在初始階段就擁有較優的初值。

3）對分解后的小波序列分別建模和預測。

4）對各個序列的預測值進行小波重構，生成負荷序列的最終預報。

圖2 改進粒子群優化神經網絡參數流程圖

圖3 建模流程圖

5 算例驗證

本文采用河南省某地區2019年5月份的負荷數據對未來一周的負荷變化進行預測。為了使預測數據和圖像清晰，采用每天24個信息采集點。

5.1 小波分解

用小波變換（db3）和Mallat算法對負荷原有的數據序列進行3層分解。cd1、cd2、cd3分別為序列在各尺度下的高頻部分；ca3為該序列的低頻部分。

5.2 閾值處理

對分解后的高頻部分應選擇閾值，低頻部分不再設閾值。根據以往對小波閾值選取的情況，本文采用改進粒子群優化算法尋找最佳閾值，與其他閾值估計方法進行對比，不同方法得到的閾值見表1。通過作用閾值，有利于后續神經網絡的輸入與訓練。

表1 不同方法閾值

5.3 各尺度域的建模和預報

本文的方法采用一個月的數據作為歷史負荷序列。根據小波分解后的情況，對月負荷數據ca3、cd1、cd2、cd3建立各自的網絡模型，每個模型都是3層，即輸入層、隱含層和輸出層。在預測過程中小波系數的變化隨著負荷點數的變化而變化。在對樣本集訓練的過程中以誤差在閾值以下來確定網絡的連接權值，并且根據誤差的大小調整連接權值。具體參數見表2。

表2 預測模型參數

5.4 綜合預測結果

對以上負荷序列分別預測后，將結果相加重構得到最終的預測值。表3是本文所提出的小波分解粒子群優化BP神經網絡方法與小波神經對一天24h負荷預測結果的比較。

表3 24h負荷預測的結果

表4是本文方法所作的一周預測的平均相對誤差統計結果，表5是將本文所提出的方法應用到另一地區進行負荷預測的結果。

將本文提出的方法與基本BP神經網絡模型（BPNN）、改進粒子群優化BP神經網絡模型（IPSO- BPNN）用相同的數據進行電力負荷預測，通過預測結果比較三種模型之間的優劣。

本文方法模型預測值與實際值對比圖如圖4 所示，本文提出的方法與基本BP神經網絡模型（BPNN）、改進粒子群優化BP神經網絡模型（IPSO- BPNN）的預測誤差值對比圖如圖5所示。

表4 一周的平均相對誤差統計

表5 24h負荷預測的結果

圖4 本文所提方法預測值與實際值對比圖

圖5 預測誤差對比圖

采用方均根誤差、平均絕對誤差和平均絕對百分比誤差三種預測性能指標進行比較，見表6，可以看出WT+IPSO+BPNN模型相比其他兩種預測模型有更好的預測性能，其預測精度高于其他模型。

表6 模型預測結果比較表

6 結論

本文提出了基于小波分解粒子群優化BP神經網絡相結合的負荷預測方法。通過小波分解把原始負荷序列分解為不同頻段的序列，對這些不同頻段的序列分別采用BP神經網絡建模；由于BP神經網絡在非線性數據處理方面的優勢，將其作為短期負荷預測的基礎模型。本文采用粒子群算法優化參數，改進粒子尋優過程，提髙了算法的全局收斂性；最后進行小波重構，得到負荷序列的最終預測結果。通過對兩個地區分別以WT-BPNN和WT-IPSO-BPNN兩種預測模型進行24h的仿真實驗，結果表明，WT-IPSO-BPNN預測模型預測精度最高。并且以MSE、AE和APE為判斷指標對比了PSO+BPNN、WT+BPNN和WT+IPSO+BPNN 3種方法的預測精度，本文所提的方法預測精度更高。本文提出的方法形成了“分解-預測-重構”模型預測，具有良好的預測精度和較強的適應能力，對于短期負荷預測有積極意義。

[1] 康重慶, 夏清, 劉梅. 電力系統負荷預測[M]. 北京:中國電力出版社, 2017.

[2] 蔣敏, 顧東健, 孔軍, 等. 基于在線序列極限支持向量回歸的短期負荷預測模型[J]. 電網技術, 2018, 42(7): 2240-2247.

[3] 王瑞, 王強強, 逯靜. 基于隨機神經網絡的短期負荷預測[J]. 制造業自動化, 2019, 41(7): 44-48.

[4] 馬天男, 王超, 彭麗霖, 等. 計及需求響應和深度結構多任務學習的電力系統短期負荷預測[J]. 電測與儀表, 2019, 56(16): 50-60.

[5] 李龍, 魏靖, 黎燦兵, 等. 基于人工神經網絡的負荷模型預測[J]. 電工技術學報, 2015, 30(8): 225-230.

[6] 王玉龍, 崔玉, 李鵬, 等. 基于小波分析改進的神經網絡模型電力系統負荷預測[J]. 電網與清潔能源, 2015, 31(2): 16-20, 27.

[7] 王增平, 趙兵, 紀維佳, 等. 基于GRU-NN模型的短期負荷預測方法[J]. 電力系統自動化, 2019, 43(5): 53-62.

[8] 魏宏陽, 蘇舟, 姚李孝, 等. 基于人體舒適度日特征向量的PSO-NN短期負荷預測[J]. 電網與清潔能源, 2016, 32(8): 135-140.

[9] 李若晨, 朱帆, 朱永利, 等. 結合受限玻爾茲曼機的遞歸神經網絡電力系統短期負荷預測[J]. 電力系統保護與控制, 2018, 46(17): 83-88.

[10] 蘇學能, 劉天琪, 曹鴻謙, 等. 基于Hadoop架構的多重分布式BP神經網絡的短期負荷預測方法[J]. 中國電機工程學報, 2017, 37(17): 4966-4973, 5216.

[11] 宋學偉, 劉天羽, 江秀臣, 等. 基于改進魚群算法與最小二乘支持向量機的短期負荷預測[J]. 電氣技術, 2019, 20(11): 20-26.

[12] 丁堅勇, 朱炳翔, 田世明, 等. 改進F-score特征選擇的MPSO-BP神經網絡短期負荷預測[J]. 電測與儀表, 2018, 55(15): 36-41.

[13] 吳云, 雷建文, 鮑麗山, 等. 基于改進灰色關聯分析與蝙蝠優化神經網絡的短期負荷預測[J]. 電力系統自動化, 2018, 42(20): 67-74.

[14] 陸繼翔, 張琪培, 楊志宏, 等. 基于CNN-LSTM混合神經網絡模型的短期負荷預測方法[J]. 電力系統自動化, 2019, 43(8): 131-137.

[15] 張平, 潘學萍, 薛文超. 基于小波分解模糊灰色聚類和BP神經網絡的短期負荷預測[J]. 電力自動化設備, 2012, 32(11): 121-125, 141.

[16] 姜雲騰, 李萍. 基于改進粒子群神經網絡短期負荷預測[J]. 電氣技術, 2018, 19(2): 87-91.

[17] 王瑞, 周晨曦, 逯靜. 改進粒子群優化BP神經網絡短期負荷預測研究[J]. 制造業自動化, 2019, 41(6): 39-42, 77.

Short-term load forecasting based on WT-IPSO-BPNN

KANG Yi1,2SHI Liujun1GUO Gang3

(1. School of Electric Power, North China University of Water Resources and Electric Power, Zhengzhou 450045; 2. Zhengzhou Skong Electric Technology Co., Ltd, Zhengzhou 450001; 3. State Grid Hebei Electric Power Co., Ltd, Handan Power Supply Company, Handan, Hebei 056000)

In order to improve the accuracy of short-term load forecasting, a combined forecasting model based on wavelet decomposition (WT), improved particle swarm optimization (IPSO) and BP neural network is proposed. Firstly, we use wavelet decomposition to preprocess the load data, and decompose the historical data into cd1, cd2, cd3 and ca3; then we use neural network to model and predict the decomposed wavelet sequence; finally, we use wavelet to reconstruct the final forecast of the load sequence. In view of the accuracy of BP neural network samples and to increase the convergence speed and stability of the neural network, the improved particle swarm optimization method is used to optimize the network, forming a “decomposition prediction reconstruction” model. Compared with the wavelet decomposition BP neural network method, it has stronger training and learning ability, faster convergence speed, high prediction accuracy and strong adaptability.

wavelet decomposition; particle swarm optimization (PSO); BP neural network (BPNN); load forecasting

河南省科技攻關項目（182102210335）

河南省高等學校重點科研項目（19A470002）

河北省電力公司科技項目（5204HD20000N）

2020-04-11

2020-07-25

康 義（1987—），男，碩士，主要研究方向為電力系統運行與控制技術。