基于群智能優化算法的電力預測方法研究

周慶華

（安徽工業職業技術學院 機電工程學院，安徽 銅陵244000）

0 引言

隨著經濟的發展和社會的進步，電力市場的建立和發展也有了進一步的變化，電力負荷預測已經影響到電力市場計劃的制定［1］.近年來，大量的研究者對電力預測問題進行了研究，并提出了各種電力預測方法［2］.電力負荷預測的算法通常可分為兩類：傳統預測方法和人工智能方法.傳統的方法中包括了單耗法［3］、統計分析法［4］和彈性系數法［5］.人工智能的方法有灰色預測法、專家系統法、優選組合法、模糊數學法、神經網絡法和小波分析法等［6-8］.研究者們對這些算法有著各種不同的使用方式，并加以改進.傳統預測方法的原理較為簡單，由于其出現時間早、方法簡單和使用較多，所以現在已經發展成熟.但是因為其采用的數學模型過于簡單，就導致了不能及時準確地估計和調整參數，從而使得預測精度難以提高，這些預測方法的準確性已得不到很好的保證，而人工智能方法的數學模型較為復雜，相對來講預測精度較高.其中群智能優化算法是一種新興的計算技術，通過模擬生物的進化方法和行為，對自然界的生物進化過程或者模式行為進行模擬，達到了解決問題的目的［9］.因此，本文建立一種高階的結合群智能優化算法的模糊時間序列電力負荷預測模型，在模糊化數據階段，應用布谷鳥搜索算法代替傳統的平均分割方法，采用新的自適應參數優化的和聲搜索算法，計算高階關系的權重影響因子，提高預測精度.

1 改進群智能優化算法與實驗步驟概述

1.1 群智能優化算法的改進

通過對電力負荷數據的分析，采用模糊時間序列預測方法，結合群智能優化算法，建立電力預測模型.首先將原始時間序列模糊化處理，采用布谷鳥算法對數據進行優化，然后通過布谷鳥算法中的列維飛行更改聚類中心坐標，得到精度更高的模糊化結果，最后采用和聲搜索算法確定高階模糊時間序列所需的各階權重因子，確定一個預測精度更高的模型.

1.1.1 原始時間序列的模糊化

時間序列是指將同一指標的一系列的統計數值按其發生時間的先后順序排列而成的數列.在本文研究中，原始時間序列就是在具體的某一時間段中各個時間點的實際電力負荷數據.而此類的精確記錄會丟失部分有用的信息，變量之間的關系難以用確定的函數來描述，所以需要用一種方法來挖掘出隱藏信息和特征.在處理時，就需要借助于模糊性，如何將原始時間序列數據轉化成模糊時間序列是本文研究的一個問題.

1.1.2 群智能優化算法改進和擴展

本研究中擬采用的群智能優化算法為布谷鳥算法與和聲搜索算法，其中布谷鳥算法中列維飛行用到的步長因子與和聲搜索算法中的記憶庫擾動概率等參數均需要考慮如何選擇.計劃采取多次實驗嘗試得到更優的值.

1.1.3 高階模糊時間序列的權重確定

為了提高預測的準確度，擬采用高階的模糊時間序列進行預測，因此，高階的模糊關系對當前預測值影響的權重因子的確定也是本文主要研究內容之一.

1.1.4 模型建立

將群智能優化算法與模糊時間序列模型合理高效地結合在一起，同樣是需要在具體的操作過程中不斷地嘗試改進，擁有充分的理論依據，但是理論并不是面面俱到的，實際的操作過程必然會出現一些理論不能涉及的問題.因此，采用布谷鳥算法進行數據區間劃分，達到數據模糊化的要求，使用高階模糊時間序列模型，建立模糊邏輯關系，采用優化的和聲搜索確定高階模糊邏輯關系對預測值的影響權重.

1.2 實驗步驟

本文提出的高階模糊時間序列模型如圖1所示.

圖1 算法模型框架圖

（1）數據預處理.選取電力負荷數據作為研究對象，將電力負荷數據轉化為百分比變化，同時將數據分為訓練數據和測試數據.

（2）使用布谷鳥算法劃分聚類區間.為了方便應用布谷鳥搜索算法，使用合適的區間邊界點代表間隔.

（3）數據模糊化并構建模糊邏輯關系組.在步驟（2）中，得到了n個合適的區間間隔.假設將數據分作10個區間（n=10），即可以得到10個模糊集合.

（4）根據模糊邏輯關系組獲得每一階的預測值.采用高階的模糊時間序列預測模型，利用前n個時刻的信息來進行電力負荷預測.

（5）將預測值去模糊化.在上一步中得到的預測值包含了很多模糊集，并且每一個模糊值都有其對應的真實值.

（6）使用和聲搜索算法獲得每一階模糊關系的影響權重.在研究中使用高階的模糊時間序列預測模型，因此，需要確定高階模糊邏輯關系對當前預測值的影響權重.采用和聲搜索算法來尋找最優的權重因子.

（7）模型評價.使用均方根誤差（RMSE）來判斷模型的性能.

2 實驗結果

2.1 不同方法預測結果對比

為了評估所提出的模型，選擇與模糊C均值聚類方法（FCM）、原始的均分區間方法和粒子群優化算法（PSO）三種智能優化算法進行對比.本文以2008年9月—2016年12月廣東省的用電量作為研究對象.將2016年3—12月的數據作為測試數據，其他年份用電量作為訓練數據進行相關實驗.各種方法的預測結果如表1所示.通過計算各個預測方法的RMSE值來判斷模型的有效性和可行性.

表1 不同算法求得的預測值

由表1可以看出，基于群智能優化算法的RMSE 值比其他方法的要小，說明本文所提出的算法優于其他算法.

2.2 不同方法的適應度函數對比

圖2為群智能優化算法、粒子群算法、均分區間法和模糊C均值法的適應度函數比較結果.由圖2可知，群智能優化算法有著較快的搜索速度，并且能得到更優的適應度值；模糊C 均值聚類方法具有不穩定性，它容易陷入局部最優，因此得到的區間值經常有變化；直接均分區間完全無法合適地將所研究的數據聚類；粒子群優化算法相較群智能優化算法明顯存在速度慢、精度不夠高的問題.

圖2 群智能優化算法和其他方法的對比結果

2.3 不同方法的適應度對比

基于群智能優化算法還使用了自適應和聲搜索的方法，不僅加快了運算的收斂速度，還實現了運算參數調整.為了驗證群智能算法的自適應度得到有效的提升，分別對比了自適應和聲搜索法、普通和聲搜索算法HS、遺傳算法GA和貓群算法的適應度CSO.圖3為自適應和聲搜索法和其他算法的對比.

圖3 自適應和聲搜索法和其他算法的對比

由圖3 可知，這四種算法的收斂速度按快慢順序排列為：貓群算法＞自適應和聲搜索法＞遺傳算法＞普通和聲搜索法；最優適應度按大小排列為：自適應和聲搜索法＞普通和聲搜索法＞貓群算法＞遺傳算法.盡管本文所提出的自適應和聲搜索法的初始適應度最低，但是在迭代次數為30 時，適應度達到0.994 2，不僅具有良好的收斂速度還具有最高的適應度值，說明自適應和聲搜索法的改進擁有更好的電力預測能力.

3 結語

本文提出并實現了一個基于群智能優化算法的高階模糊時間序列電力預測方法.群智能優化算法結合了布谷鳥優化算法和和聲搜索優化算法，將實際的電力負荷值進行模糊化處理，并構成模糊邏輯關系，利用高階的模糊時間序列預測模型中的高階模糊邏輯關系對下一時刻的電力負荷值的影響進行預測，最后利用和聲搜索優化算法來尋找最優的權重影響因子，獲得最后的預測值.經過與其他算法的對比，該預測模型的可行性、有效性和效率都優于其他方法.不僅可以通過對電力負荷的預測為電力部門提供有效的參考，為電力系統的有效工作提供有力的依據，還為社會經濟的發展提供可靠的支持.