基于BP-ANN融合算法的短期電力負荷預測方法

中圖分類號：TM732 文獻標志碼：A 文章編號：2095-2945（2025）20-0082-04

Abstract：As the scaleandcomplexityof the power systemcontinues toexpand，accurateshort-term power load forecasting hasbecomecrucialtothestableoperation，economicdispatchandenergymanagementof thepowersystem.Aimingatthe possiblelimitationsofBP-ANNalgorithminpredictingshort-termpowerloaddatasuchasasytofallintolocaloptimization andslowconvergencespeed，thispaperproposesashort-termpowerloadforecastingmethodbasedonBP-ANNfusionalgorith. ItisverifiedthroughexamplesthatthecorrelationcoeffientsofGA-BP-ANNandPSO-BP-ANNpredictionmodelsarehigher thanthoseofBP-ANN predictionmodel，andthepredictionerorsare lowerthan thoseofBP-ANNpredictionmodel.The resultsshowthat Short-termpowerloadforecasting methodsbasedonBP-ANNfusionalgorithmhavegoodapplicationprospects and can provide strong technical support for eficient operation and reasonable planning of power systems.

Keywords： particleswarm optimizationalgorithm; power load forecasting; BP-ANN; fusion algorithm; GA-BP-ANN

隨著社會的快速發展，目前各行各業用電需求不斷攀升，如工業生產規模擴大、居民生活電氣化程度越來越高（各類電器增多等），使得用電負荷呈現快速增長的態勢。與此同時，電力系統也在不斷更新、擴展與完善，朝著更智能、更高效的方向迅速發展，以此來保障當前社會的用電需求。在這樣的大背景下，電力負荷預測的重要性愈發凸顯，電力負荷預測是生產運作的重要組成部分，是供電計劃與合理調度的保障，更是電網穩定運行的基礎。對于工業企業來說，準確的負荷預測能讓企業提前規劃用電成本、合理安排生產班次，避免因電力供應不足或不合理用電導致的生產停滯等情況；對于整個城市的運轉而言，能保障各類基礎設施（如醫院、學校、交通樞紐等）穩定用電，維持社會秩序正常。

近年來，隨著電力系統的不斷完善健全，用于電力負荷預測的模型與方法也隨之增多。常用的電力負荷預測方法主要有時間序列法統計法和人工智能法。時間序列方法是通過曲線擬合歷史負荷數據，建立模型并預測，這種方法只考慮了時序因素，未考慮其他對預測結果可能產生潛在影響的因素，因此預測精度不高。統計法中應用較多的有卡爾曼濾波法，利用消除噪聲可以在長期預測中表現良好。人工智能法對數據有著較強的學習能力及較好的非線性適應能力，在目前應用較為廣泛，在處理具有非線性結構的數據時，人工神經網絡（ArtificialNeuralNetworks，ANN）展現出很強的自適應能力，但其在挖掘數據之間的相關性方面存在短板；誤差反向傳播算法（BackPropagation，BP）在各種人工神經網絡算法里是最為常用的一種，但是BP算法存在迭代周期長、收斂速度慢等問題，會影響到整個模型的訓練效率和實際應用的時效性。

文獻[4提出了改進PSO-BP算法的短期電力負荷預測方法，提高電力負荷的預測精度；文獻[5提出了基于改進BP神經網絡的短期電力負荷預測方法研究，改進模型能夠有效降低BP神經網絡模型的預測誤差，提高預測精度；在文獻6中，采用遺傳算法對BP神經網絡進行優化，建立GA-BP神經網絡的預測模型。結果表明，改進后預測精度得到明顯提高，這些研究為解決電力系統負荷預測提供了理論依據。針對以上分析，本文提出BP-ANN融合算法的短期電力負荷預測方法，并通過對短期電力負荷數據進行預測并建立模型，驗證了BP-ANN融合算法預測模型的準確性和有效性。

1BP-ANN融合算法預測模型

1.1 BP神經網絡

BP神經網絡（Back-Propagation Neural Network）是一種多層前饋神經網絡，其訓練是依據誤差逆傳播算法來開展的。這種網絡的主要特點在于信號的傳播方向是向前的，而誤差的傳播方向則是反向傳播。BP神經網絡的輸入層神經元能夠接收來自外部的輸入信號；之后，這些信號會憑借加權連接的方式被傳遞至隱藏層的神經元；在隱藏層里，每一個神經元會針對輸入信號開展加權求和操作，再利用激活函數來完成非線性變換，進而獲取輸出信號。當輸出層生成輸出結果后，會將這一結果和期望輸出進行比較，以此來計算誤差。BP-ANN的拓撲結構如圖1所示。

圖中： ?X₁，X₂，…，X_n 為輸入層的輸入值， Y₁，…，Y_m 為隱含層的預測輸出值， ω_ij 和 ω_jk 為各神經元的網絡權值。若輸入層節點數為 n 、隱含層節點數為 k 、輸出層節點數為 m ，則BP-ANN網絡模型結構為 n-k-m

1.2粒子群優化算法

粒子群優化算法是一種依托群體智能構建而成的優化算法。此算法對鳥群或魚群等群體生物尋覓食物期間的社會行為進行模擬，具備能快速收斂、參數少且易于實施的特點。該算法把在搜索空間里的每一個潛在的解都視作一個“粒子”，而每一個“粒子\"均擁有其特定的位置與速度信息。位置代表了一個可能的解，速度則決定了粒子在搜索空間中的移動方向和速度。群體中的粒子之間會相互交流信息，每個粒子都會根據自己的經驗（個體最優解）和群體中其他粒子的經驗（全局最優解）來調整自己的位置和速度。

1.3基于 PSO+BP-ANN 的預測模型

PSO（粒子群優化算法）+BP-ANN預測模型是一種融合了2種先進算法優勢的預測方法。BP-ANN具有強大的非線性映射能力，能夠處理復雜的非線性關系，在電力負荷預測等領域有廣泛應用。然而，BP-ANN存在陷入局部極小值及收斂速度遲緩之類的不足之處。而PSO算法作為一種基于群體智能的優化算法，能夠在搜索空間迅速定位相對更優的解，通過將PSO與BP-ANN相結合，可以對BP-ANN的權值和閥值進行優化，從而改善其性能。

在訓練過程中，PSO算法不斷更新粒子的位置和速度，從而優化BP-ANN 的權值和閾值。在每一輪迭代過程中，均會對粒子的適應度值進行計算，同時對個體最優位置以及全局最優位置進行更新。伴隨迭代次數持續增多，粒子群會逐步趨向于一個更優解，進而使得BP-ANN的預測性能獲得改善和優化。通過PSO對BP-ANN的優化，克服了BP-ANN容易陷入局部極小值的問題，能夠更準確地挖掘電力負荷數據中的內在規律，從而提高預測精度。優化后的模型在處理不同類型的電力負荷數據和復雜多變的影響因素時，具有更好的適應性和泛化能力，減少了過擬合現象。PSO算法的引入加速了BP-ANN的訓練過程，使得模型能夠在更短的時間內達到較好的預測性能

1.4基于 GA+BP-ANN 的預測模型

GA（遺傳算法）是通過模擬自然選擇以及遺傳進化過程來實現的一種優化算法，它首先會構建一個初始種群，種群中的各個個體分別代表著一個可能的解。GA優化BP-ANN參數，將BP-ANN的權重和閾值編碼為染色體，通過選擇、交叉和變異操作來產生新的染色體（即新的權重和閾值組合）。在進行選擇操作時，可運用輪盤賭選擇的方式，也就是依照個體的適應度在總適應度中所占的比例去挑選個體；對于交叉操作，既能夠采用單點交叉的方法，也可以選擇多點交叉的形式；對于變異操作，其能夠針對染色體里的部分基因實施隨機的改變。

用GA對BP-ANN的參數進行優化，以此完成網絡的初始化工作，然后運用訓練數據針對BP-ANN展開訓練，在訓練的整個過程里，依照BP-ANN算法既定的流程分別實施正向傳播以及反向傳播操作，持續對網絡的權重與閾值實時進行調整，直至達到收斂所要求的條件為止；最后運用已經訓練好的模型針對測試數據開展預測工作，并對預測結果的準確性予以評估。

2仿真實驗與結果分析

2.1 數據來源

為驗證本文提出的BP-ANN融合算法的短期電力負荷預測模型有效性，以寧夏某地區XX變 /330kV 的電力歷史負荷作為仿真數據，時間選取2024年4月1日至2024年6月30日。負荷數據的采樣時間為 5min1 次，共計26208條數據。數據集按照7：3的比例劃分訓練集和預測集。

2.2 數據預處理

原始數據采集過程中可能會出現各種問題，如傳感器故障、通信干擾等，導致數據中存在異常值，這些異常值可能會對后續的分析和預測產生誤導。電力負荷數據可能由于多種原因缺失，如網絡通信中斷、數據存儲故障等，缺失的數據會破壞數據的完整性和連續性，影響模型對電力負荷變化規律的學習。為了進一步提高短期電力負荷數據的質量和可用性，為后續構建精準的電力負荷預測模型奠定堅實的基礎，從而有效提升電力系統的運行管理效率和可靠性。本文對預測模型的原始數據進行歸一化處理。常用的歸一化方法有最小-最大歸一化，公式為

式中： Ψ_x 是原始數據， .x_min 和 x_max 分別是數據集中的最小值和最大值， x_new 是歸一化后的新數據

2.3模型評標標準

為了定量的評估所提預測模型方法，該文采用相關系數 （R²） 均方根誤差（Root Mean SquareError，RMSE）、平均絕對誤差（MAE）作為模型預測結果的評價指標。均方根誤差（RMSE）用來衡量預測精度，其值越小，表示模型的預測精度越高；相關系數 （R²） 用來衡量模型對數據的擬合程度，取值范圍為 [0，1] 在電力負荷預測中，R² 越接近1，說明預測模型性能越好，模型的擬合能力越強;平均絕對誤差（MAE）是預測值與真實值之間偏差的絕對值的平均值。當MAE值較小時，意味著預測值和真實值之間的平均差距較小，也就說明模型的預測準確性較高。

計算公式分別為

式中： n 是樣本總數 ，y_i 是第 i 個真實值， 表示第 i 個樣本的預測值， y_i 表示所有樣本真實值的平均值。

2.4仿真實驗結果分析

在Matlab仿真平臺構建預測模型，針對相同的電力負荷數據樣本，設置網絡參數初始化為：最大迭代次數為1000、學習速率為0.01、目標誤差為0.001，確保訓練參數環境相同的情況下，分別使用標準BP-ANN預測模型、GA-BP-ANN預測模型和PSO-BP-ANN預測模型對寧夏某地區2024年3個月的電力負荷數據進行預測。用遺傳算法優化的BP-ANN預測模型中參數初始化：隱藏層節點個數為5，迭代次數為50，種群規模為5，交叉概率為0.2，變異概率為0.1；用粒子群算法優化的BP-ANN預測模型中參數初始化：隱藏層節點數為5，種群更新次數30，種群規模為5。3種預測模型的誤差對比見表1，預測模型測試集預測結果對比和測試集真實值預測模型如圖2所示。

從圖2中3種不同預測模型結果可得，BP-ANN預測模型和改進后的模型相比誤差較大，GA-BP-ANN和PSO-BP-ANN這2種模型與真實值的擬合度較好。從表1誤差結果對比看，BP-ANN模型預測值與真實值的相關系數 （R²） 為0.9615，均方根誤差（RMSE）為6.7628，平均絕對誤差（MAE）為3.7576，這表明這一模型在電路負荷數據預測中有一定的基礎，可以較好的預測短期電路負荷數據，但與GA-BP-ANN和PSO-BP-ANN這2種預測模型相比，BP-ANN預測模型的預測性能略低，數據擬合度較差，且其預測誤差較高，模型的預測精度低，說明BP-ANN模型在尋找最優解時受到局部最優或參數設定的影響。3種預測模型中，PSO-BP-ANN模型的預測值與真實值的 R² 為 0.9878，RMSE 為 6.7177，MAE 為3.6313，相比于GA-BP-ANN預測模型，其擬合度較高，預測誤差更低，說明PSO算法優化BP-ANN的初始參數等保持了良好的魯棒性和穩定性，這一預測模型可以很好地提高短期電力負荷預測精度。

3結論

本文提出了基于BP-ANN融合算法的短期電力負荷預測模型，通過與BP-ANN神經網絡進行比較，實驗結果表明，2種融合算法模型計算可靠性及預測精度都較高，且能夠得到較優的預測結果。基于GA-BP-ANN網絡預測模型和PSO-BP-ANN網絡預測模型在準確性和收斂性方面都具有明顯優勢，能夠有效地考慮多種影響因素對電力負荷的作用。相比之前，2種融合算法中的PSO-BP-ANN預測模型更能準確預測，使數據的擬合度高。然而，這一融合算法的預測模型也存在一些局限性，未來需要在數據融合、模型優化和可解釋性等方面進一步深入研究，以不斷提升其在電力系統運行管理中的應用價值和實際效果。

參考文獻：

[1]DABK，HENAO N，NAGARSHETH S，etal.Consensus-ba- sedtime-series clustering approach to short-term load fore- cast-ingforresidential electricity demand[J].Energy and Buildings，2023（299）：1135-1147.

[2]奚莉莉，李程.基于BP神經網絡的短期電力負荷預測方法研究[J].漢江師范學院學報，2023，43（3）：23-26.

[3]HOUIMLI R，ZMAMI M，BEN-SALHA O. Short-term electricload forecasting in Tunisia using artificial neural networks[J]Energy Systems，2020：357-375.

[4]楊亞東，耿麗清，楊耿煌，等.改進PSO-BP算法的短期電力負荷預測方法[J].天津職業技術師范大學學報，2024，34（3）：15-20.

[5]王可杰，張瑞.基于改進BP神經網絡的短期電力負荷預測方法研究[J].電測與儀表，2019，56（24）：115-121.

[6李廷順，王偉，劉澤三.考慮不確定區間的電力負荷GELM-WNN預測[J].計算機工程，2019，36（1）：231-238.