基于量子免疫優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)短期負荷預(yù)測方法研究?

符亞杰，馮國成

(1.烏海職業(yè)技術(shù)學(xué)院，內(nèi)蒙古 烏海 016000；2.北方聯(lián)合電力有限責(zé)任公司烏海熱電廠，內(nèi)蒙古 烏海 016000)

電能作為世界通用能源之一，在當(dāng)今社會的各個領(lǐng)域都充當(dāng)著“支撐者”的身份，發(fā)揮著至關(guān)重要的作用。當(dāng)社會需求的不斷增加，電能的儲存難問題日發(fā)嚴重，因此在短期內(nèi)實現(xiàn)各個用電場所的供需平衡是電力系統(tǒng)安全穩(wěn)定運行的一大問題[1－2]。負荷預(yù)測是對以往某時間段的用電規(guī)律進行統(tǒng)計，以此對未來某個相同時間段進行預(yù)測的過程[3]。而短期負荷預(yù)測則是對幾個小時或者是幾天這種相對時間較短的電力用戶用電進行預(yù)測?；陔娔軆Υ骐y的問題，電力系統(tǒng)發(fā)展至今，短期負荷預(yù)測是國家電網(wǎng)安全穩(wěn)定運行的重要手段之一，既可以有效解決電能供需問題，也可以避免儲能裝置中的不必要機械能損耗[4－5]。

然而，電力系統(tǒng)的電力用戶龐雜且隨機性較大，這無疑增加了短期負荷預(yù)測的難度。已有專家學(xué)者對這一領(lǐng)域進行了研究，文獻[6]提出一種長期電力負荷的預(yù)測方法，通過早期的電力負荷趨勢外推法對未來某一時刻進行預(yù)測，但是這一方法的抗擾性較差，隨機因素影響較大。文獻[7]提出一種灰色預(yù)測法，將數(shù)據(jù)進行建模，能夠避免對數(shù)據(jù)的規(guī)律以及趨勢的依賴，但是這一方法在數(shù)據(jù)離散下的精度較差。文獻[8]采用Elman 神經(jīng)網(wǎng)絡(luò)算法對電力負荷進行預(yù)測，考慮了氣象因素。BP 神經(jīng)網(wǎng)絡(luò)算法作為人工智能算法之一，具備強非線性映射能力、容錯能力等優(yōu)點，適用于短期負荷預(yù)測這一領(lǐng)域，但是這一算法同樣具備易陷入局部極小值以及收斂速度慢等缺點[9－11]。因此在BP 神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上，一些學(xué)者通過融入其他算法，對其進行改進。文獻[12]提出用貓群算法結(jié)合BP 神經(jīng)網(wǎng)絡(luò)算法進行短期負荷預(yù)測。文獻[13]提出特性分析的改進BP神經(jīng)網(wǎng)絡(luò)短期電力預(yù)測方法，將影響因素分為長期和短期兩種，根據(jù)負荷特性進行劃分，最終利用遺傳算法對傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法中初始權(quán)值和閾值進行優(yōu)化。還有其他一些改進算法也被專家學(xué)者進行了研究，在此不一一列舉[14－20]。

目前已有文獻還未將量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于短期負荷預(yù)測這一領(lǐng)域，本文在傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上，將量子免疫優(yōu)化算法與BP 神經(jīng)網(wǎng)絡(luò)算法進行結(jié)合，能夠有效彌補傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的初始權(quán)值與閾值選擇問題，同時能夠避免梯度下降法帶來的收斂速度慢問題。

1 BP 神經(jīng)網(wǎng)絡(luò)算法

BP 神經(jīng)網(wǎng)絡(luò)算法的基本原理是通過對輸入輸出之間的建模，理論可以逼近任意連續(xù)函數(shù)，因此這一算法具備強非線性映射能力。BP 神經(jīng)網(wǎng)絡(luò)算法具備三個層面，如圖1 所示，從左往右分別為輸入層、隱含層以及輸出層。外部信號經(jīng)過輸入層的神經(jīng)元傳遞到隱藏層，然后對信息進行處理，處理完的數(shù)據(jù)再經(jīng)過神經(jīng)元最終變成輸出信號。當(dāng)輸出與目標(biāo)值之間存在誤差時，則將誤差反饋至神經(jīng)元，目的是為了在不斷的迭代過程中對網(wǎng)絡(luò)進行修正，在允許迭代次數(shù)內(nèi)達到最佳輸出。

圖1 BP 神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)

將BP 神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于短期負荷預(yù)測這一問題，可以將圖1 細節(jié)化為圖2 所示的結(jié)構(gòu)圖。

圖2 BP 神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程如圖3 所示。

圖3 BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程圖

2 量子免疫優(yōu)化算法

BP 神經(jīng)網(wǎng)絡(luò)算法通常采用梯度下降法進行最優(yōu)解的求取，這無疑會增加計算負擔(dān)，同時這對初始值的選取提出了很高的要求。本文選取量子免疫優(yōu)化算法對BP 神經(jīng)網(wǎng)絡(luò)進行改進，量子免疫優(yōu)化算法是將免疫系統(tǒng)概念引入量子算法之中，能夠避免優(yōu)化過程中的局部收斂問題，避免了冗余問題，提高了算法執(zhí)行速度以及全局搜索能力。

量子免疫算法既沒有復(fù)雜的操作運算，也不會降低免疫算法的性能，而同時兼具量子和免疫兩者的優(yōu)點，量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法的流程示意圖如圖4 所示。

圖4 量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)流程圖

具體實現(xiàn)步驟可以概括為:

(1)利用傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)算法對模型進行選取輸入以及輸出信號，建立模型；

(2)利用量子免疫優(yōu)化算法中的抗體編碼替換傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法中的權(quán)值；

(3)初始化量子免疫優(yōu)化算法種群，同時替換原種群；

(4)選擇輸入信號以及輸出信號的親和度函數(shù)，同時計算親和度；

(5)計算出第一次的最優(yōu)解；

(6)刷新樣本，誤差反饋；

(7)重新迭代，迭代次數(shù)達到最大值或者誤差滿足要求后，計算結(jié)束，否則重復(fù)步驟4；

(8)將最終結(jié)果進行輸出。

3 負荷預(yù)測

本文中的短期負荷預(yù)測得到某電力公司的電力數(shù)據(jù)支持，選擇該地區(qū)一個月的負荷情況，將溫度、天氣、日期以及歷史負荷當(dāng)做輸入樣本，利用量子免疫優(yōu)化算法進行短期負荷預(yù)測。

電力負荷預(yù)測中，一般選擇平均相對誤差作為評判標(biāo)準(zhǔn)，公式如下:

其中，Li和Li?分別為實際負荷和預(yù)測負荷。n是負荷數(shù)據(jù)的個數(shù)。

對樣本進行歸一化處理，處理完的數(shù)據(jù)如表1所示，一共選取了連續(xù)十二天，每天24 h 的負荷數(shù)據(jù)。表1 中，1 表示晴天，0.5 表示陰天，0 表示雨天。

表1 某電力公司十二天歸一化負荷

為了驗證本文所述方法的有效性，選擇了測試樣本為8 月10 日～8 月20 日共11 天的0:00～23:00 時之前的數(shù)據(jù)，將其作為輸入，用于預(yù)測8 月21日的24 h 短期負荷預(yù)測，結(jié)果如圖5 所示，能夠很清晰地看出量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測效果優(yōu)于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法。

圖5 同數(shù)據(jù)下不同方法的預(yù)測效果比較

如圖6 所示為傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法誤差收斂曲線圖，從波形中可以看出，迭代次數(shù)達到2 400 次還是沒有達到誤差的目標(biāo)精度，可以說明傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法采用梯度下降法時的收斂速度慢，且在最大迭代次數(shù)內(nèi)不一定能夠達到目標(biāo)精度。

圖6 傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法收斂曲線

如圖7 所示為本文量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法的誤差收斂曲線，從圖中可以看出，在1 000 次迭代下就能收斂到目標(biāo)誤差精度，從而證明了本文所述方法的有效性與正確性。

圖7 量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法收斂曲線

4 結(jié)論

針對電力系統(tǒng)安全穩(wěn)定運行中的短期負荷預(yù)測問題，本文提出采用量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法進行短期負荷預(yù)測，旨在避免傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法的收斂速度慢，精度差等問題。從結(jié)果可以看出這一方法的有效性與正確性，大大提高了收斂速度與精度，加大了其工程實用化的進度。