徐晟，蔣鐵錚，向磊(長(zhǎng)沙理工大學(xué)電氣與信息工程學(xué)院，湖南 長(zhǎng)沙 410114)

ELM算法在微電網(wǎng)超短期負(fù)荷預(yù)測(cè)的應(yīng)用

徐晟，蔣鐵錚，向磊(長(zhǎng)沙理工大學(xué)電氣與信息工程學(xué)院，湖南 長(zhǎng)沙 410114)

針對(duì)微電網(wǎng)中負(fù)荷預(yù)測(cè)的特點(diǎn)提出的多模型極限學(xué)習(xí)法(ELM)，將其應(yīng)用于系統(tǒng)超短期負(fù)荷預(yù)測(cè)。該算法采取建立多個(gè)前饋神經(jīng)網(wǎng)絡(luò)模型，基于更新準(zhǔn)則將模型集分成即時(shí)更新模型和批次更新模型這兩個(gè)部分，以此進(jìn)行數(shù)據(jù)篩選和分析。此算法的目的在于節(jié)省訓(xùn)練時(shí)間，提高預(yù)測(cè)的速度，同時(shí)保證預(yù)測(cè)的精度。

微電網(wǎng);超短期負(fù)荷預(yù)測(cè);多模型;極限學(xué)習(xí)機(jī)(ELM)

1 引言

能源是支持經(jīng)濟(jì)發(fā)展建設(shè)的基礎(chǔ)，而電能作為現(xiàn)今能源的重要組成部分，其深入研究和合理運(yùn)用一直是重中之重，而微電網(wǎng)這一概念的提出是為了緩解大電網(wǎng)與分布式電源之間的問題以及為了完全發(fā)揮分布式電源為供電側(cè)和消費(fèi)側(cè)帶來的收益［1，2］。

從系統(tǒng)的角度上來看，微電網(wǎng)的存在主要是與大電網(wǎng)聯(lián)網(wǎng)輔助運(yùn)行，但同時(shí)也可以在電網(wǎng)系統(tǒng)發(fā)生故障以及因?yàn)樘囟ㄒ蠛退谥骶W(wǎng)系統(tǒng)斷開后進(jìn)行獨(dú)立運(yùn)行，這一特性使微電網(wǎng)不但可以處理好分布式電源在大規(guī)模接入時(shí)產(chǎn)生的問題，還可以更好的發(fā)揮其各項(xiàng)優(yōu)點(diǎn)，更可以為用電單位帶來更多的經(jīng)濟(jì)利益和非經(jīng)濟(jì)利益［3，4］。各種先進(jìn)的電力技術(shù)被廣泛應(yīng)用于微電網(wǎng)建設(shè)中，比如多樣化的儲(chǔ)能系統(tǒng)，快速反應(yīng)的電力電子開關(guān)裝置，以及各種新穎的電流變化技術(shù)和效率更高的新型能源系統(tǒng)等等，這是以前的原始獨(dú)立存在的系統(tǒng)所不具備的技術(shù)水平和成本投入。同時(shí)，微電網(wǎng)和大電網(wǎng)之間又形成有機(jī)整體，可以靈活控制其斷開和連接，使系統(tǒng)對(duì)比原始鼓勵(lì)系統(tǒng)具有極高的智能，靈活，安全和效率的特性。而微電網(wǎng)中的負(fù)荷預(yù)測(cè)，實(shí)現(xiàn)智能電網(wǎng)的重要環(huán)節(jié)，因?yàn)檫@既是對(duì)消費(fèi)側(cè)的正常運(yùn)行給予的保證，也是對(duì)供電側(cè)安全系數(shù)和靈活系數(shù)的補(bǔ)充［5，6］。

根據(jù)時(shí)間段進(jìn)行劃分的電力負(fù)荷預(yù)測(cè)種類有長(zhǎng)期電力負(fù)荷預(yù)測(cè)、中期電力負(fù)荷預(yù)測(cè)，短期電力負(fù)荷預(yù)測(cè)和超短期電力負(fù)荷預(yù)測(cè)［7］。BP神經(jīng)網(wǎng)絡(luò)因?yàn)榻Y(jié)構(gòu)和操作都比較簡(jiǎn)單，在短期負(fù)荷預(yù)測(cè)中應(yīng)用得非常多，但是該方法在訓(xùn)練中容易陷入局部最小，而且收斂速度比較緩慢。對(duì)于短期負(fù)荷預(yù)測(cè)和超短期電力負(fù)荷預(yù)測(cè)，因?yàn)檫\(yùn)行時(shí)間短，數(shù)據(jù)變化快，所以受當(dāng)?shù)氐奶鞖庥绊戄^小，一般情況下則只考慮負(fù)荷預(yù)測(cè)序列本身的特性［8］。

雖然提出了附加動(dòng)量項(xiàng)、變斜率傳遞函數(shù)等方法對(duì)其進(jìn)行了修正，但隱含層神經(jīng)元的數(shù)目難以確定。另外還有動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)法和集總神經(jīng)網(wǎng)絡(luò)法等方法，以及將模糊算法、小波分解法、遺傳算法等方法與神經(jīng)網(wǎng)絡(luò)進(jìn)行集合來提高模型的預(yù)測(cè)準(zhǔn)確性［9，10］。但無論采用何種神經(jīng)網(wǎng)絡(luò)模型，都涉及到利用輸入輸出樣本，根據(jù)誤差函數(shù)，反復(fù)迭代以確定網(wǎng)絡(luò)參數(shù)，不但初始權(quán)值、學(xué)習(xí)速率選取對(duì)網(wǎng)絡(luò)精度造成很大影響，而且需要大量時(shí)間進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。而對(duì)于起銜接作用的微電網(wǎng)，需要快速預(yù)測(cè)下一時(shí)刻負(fù)荷情況，用以進(jìn)行調(diào)度和用電安排，所以對(duì)預(yù)測(cè)時(shí)間有極高的要求。

現(xiàn)提出一種用于超短期的多模型極限學(xué)習(xí)算法(ELM):在多個(gè)神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)上采用隨機(jī)方式選取每個(gè)模型的初始輸入權(quán)值。更新準(zhǔn)則為任意時(shí)刻，基于更新準(zhǔn)則將模型分為兩個(gè)部分:對(duì)于該時(shí)刻輸出誤差較小的即時(shí)更新模型，無需采用隨機(jī)方式進(jìn)行在線更新，用以降低模型輸出的波動(dòng)，并減少訓(xùn)練時(shí)間;對(duì)于每一時(shí)刻都出現(xiàn)較大誤差的批次更新模型，則利用新來的真實(shí)數(shù)據(jù)，用隨機(jī)方式重新在線計(jì)算，以實(shí)現(xiàn)訓(xùn)練誤差最小，以保證多模型的自適應(yīng)特性。最后再將子模型的輸出求和作為整個(gè)模型的最終輸出。這樣進(jìn)行超短期電力負(fù)荷預(yù)測(cè)時(shí)的速度和精度都獲得了保證。

2 預(yù)測(cè)模型

預(yù)測(cè)過程原理如圖1所示。

圖1 預(yù)測(cè)過程原理圖

2.1 初始多模型的建立

設(shè)x(i)∈Rni、y(i)∈Rn2為系統(tǒng)在時(shí)i刻得到的n1維輸入數(shù)據(jù)和n2維輸出數(shù)據(jù)，然后N個(gè)時(shí)刻獲得的樣本對(duì)數(shù)據(jù)記作{(x(i)，y(i))}，i=1，…，N。對(duì)于這部分樣本數(shù)據(jù)，構(gòu)建M個(gè)前饋型神經(jīng)網(wǎng)絡(luò)模型SLFNNj(j=1，…，M)，每一個(gè)前饋型神經(jīng)網(wǎng)絡(luò)模型都有n個(gè)節(jié)點(diǎn)，結(jié)構(gòu)圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

則第i時(shí)刻第j個(gè)神經(jīng)網(wǎng)絡(luò)模型SLENNj的輸出可記為

2.2 更新準(zhǔn)則

對(duì)于第時(shí)刻的樣本對(duì){(x(N)，y(N))}，分為兩個(gè)部分:

式中，L為設(shè)定的模型輸出閾值，用以判斷每個(gè)子模型的輸出是否在允許的范圍之內(nèi)。若子模型輸出滿足‖ε(N)j‖＜L，則該模型即為即時(shí)更新模型，無需采用隨機(jī)方式進(jìn)行在線更新，用以降低模型輸出的波動(dòng);若子模型輸出滿足‖ε(i)j‖≥L i∈1，2，…N，則對(duì)于新的真實(shí)數(shù)據(jù)，用隨機(jī)方式重新在線計(jì)算，以實(shí)現(xiàn)訓(xùn)練誤差最小的目的。

2.3 即時(shí)更新模型

經(jīng)過上述更新準(zhǔn)則判斷后，對(duì)于即時(shí)更新模型，記做 SLFNNj(j=1，2，…，P)。對(duì)于得到的新數(shù)據(jù)(x(N+1)，y(N+1))時(shí)，其神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)不會(huì)有任何改變，只需要在結(jié)構(gòu)基礎(chǔ)上運(yùn)行迭代計(jì)算?？捎墒?3)推出

為了更快的計(jì)算出結(jié)果，減少數(shù)據(jù)的運(yùn)算量和耗費(fèi)時(shí)間，采用β(jN+1)的遞推方式的學(xué)習(xí)算法:

代入式(7)，可得:

因此，以后就利用式(11)、(12)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型SLFNNj的在線學(xué)習(xí)。

由式(11)，即時(shí)更新模型的輸出為:

這樣就得到了P個(gè)即時(shí)更新模型的結(jié)果。

2.4 批次更新模型

實(shí)際應(yīng)用中，新的數(shù)據(jù)往往是成批的輸入到系統(tǒng)，當(dāng)成批數(shù)據(jù)輸入到系統(tǒng)時(shí)，可以利用極限學(xué)習(xí)算法在線計(jì)算。設(shè)某時(shí)段的批次更新模型，記做SLFNNj(j=P+1，P+2，…，Q)。當(dāng)獲得批次新數(shù)據(jù)(x(i)，y(i))，i=N+1，N+2，…，N+m時(shí)，同樣采用(7)、(8)、(9)、(10)、(11)以及(12)的計(jì)算辦法，得到β的迭代公式，由此批次更新模型的輸出為:

2.5 計(jì)算權(quán)重

由于各個(gè)子模型的輸入矩陣各參數(shù)是隨機(jī)選定的，使得對(duì)于相同的輸入具有不同的自適應(yīng)性，子模型輸出結(jié)果也有區(qū)別，如果簡(jiǎn)單通過求各子模型輸出結(jié)果的算術(shù)平均值，則不能很好的區(qū)分子模型的優(yōu)劣，所以應(yīng)當(dāng)對(duì)于較優(yōu)秀的模型賦予的較大的權(quán)重，反之，賦值較小的權(quán)重。

設(shè)N個(gè)子模型的輸出為y(jN)，對(duì)應(yīng)于這一時(shí)刻負(fù)荷的實(shí)際值是y(N)，則每個(gè)子模型的偏差為e(jN)=|y(jN)－y(N)|。為了使e(jN)較小的子模型具有較大的權(quán)重，由下式求得權(quán)重為:

2.6 多模型加權(quán)輸出

對(duì)于上面得到的P個(gè)即時(shí)更新模型、Q個(gè)批次更新模型，對(duì)各子模型輸出加權(quán)求和，則M個(gè)模型SLFNNj(j=1，…，M)的集總輸出y(N+1)out為

這樣對(duì)誤差較小的即時(shí)更新模型賦予較大的權(quán)重，而對(duì)于批次更新模型賦予較小的權(quán)值，從而突出了即時(shí)更新模型的優(yōu)越性，提高了預(yù)測(cè)精度。

綜上所述，當(dāng)每次有新的輸入數(shù)據(jù)到來時(shí)，都會(huì)通過更新準(zhǔn)則對(duì)各個(gè)子模型進(jìn)行判斷，并予以不同的處理，從而獲得總輸出。這樣既保持了整個(gè)網(wǎng)絡(luò)輸出結(jié)果的精度，在速度方面也獲得了很好的保證。

3 超短期負(fù)荷預(yù)測(cè)模型

3.1 負(fù)荷峰谷趨勢(shì)分析

由于超短期數(shù)據(jù)的采集時(shí)間間隔非常小，所以負(fù)荷值波動(dòng)不大，因此無需考慮氣候劇烈變化等自然界因素的影響。對(duì)于每天的負(fù)荷變化情況具有一定的相似性，例如一天中通常負(fù)荷的峰值出現(xiàn)在上午8∶00～11∶00 和晚間21∶00 ～23∶00，負(fù)荷谷值出現(xiàn)在凌晨的2∶00 ～5∶00。

3.2 輸入數(shù)據(jù)的選擇

日常生產(chǎn)中，一般60分鐘以內(nèi)的負(fù)荷預(yù)測(cè)為超短期負(fù)荷預(yù)測(cè)，負(fù)荷預(yù)測(cè)的輸入選擇預(yù)測(cè)時(shí)刻和前后兩個(gè)時(shí)刻這三個(gè)數(shù)據(jù)，預(yù)測(cè)日前三天同一時(shí)間和前后時(shí)刻這9個(gè)數(shù)據(jù)，預(yù)測(cè)日前兩周的同一天同一時(shí)間這6個(gè)數(shù)據(jù)，總共是18個(gè)輸入數(shù)據(jù)。

3.3 數(shù)據(jù)的預(yù)處理

在進(jìn)行負(fù)荷預(yù)測(cè)時(shí)，因選取的訓(xùn)練樣本數(shù)據(jù)參差不齊且都為正值，與神經(jīng)網(wǎng)絡(luò)第一隱含層神經(jīng)元相連的權(quán)值只能同時(shí)增加或減小，一個(gè)變量的輸入值可能與另一個(gè)輸入值相差較大，對(duì)于數(shù)據(jù)的篩選，較大的值掩蓋了較小的值對(duì)輸出的影響，使篩選過程飽和，從而導(dǎo)致學(xué)習(xí)速度很慢，進(jìn)而無法收斂，為了加快網(wǎng)絡(luò)的訓(xùn)練速率，消去數(shù)據(jù)的冗余成分，提高預(yù)測(cè)精度和準(zhǔn)度，需對(duì)訓(xùn)練樣本中的輸入?yún)?shù)進(jìn)行規(guī)一化數(shù)據(jù)處理，使得所有樣本的輸入數(shù)據(jù)均接近于0或與其均方差相差大小在0至1間變化。

4 實(shí)例分析

本文的研究對(duì)象為某海島上電網(wǎng)有功功率負(fù)荷情況，其主要電源分布為風(fēng)力發(fā)電和光伏，以其2011年12月各時(shí)刻的負(fù)荷值為實(shí)驗(yàn)數(shù)據(jù)，測(cè)量間隔為5m in，進(jìn)行超短期電力負(fù)荷預(yù)測(cè)的應(yīng)用研究。表1為利用BP和ELM 對(duì)任一天12月21日7∶00～19:30的電力負(fù)荷進(jìn)行預(yù)測(cè)。由圖3中可見，當(dāng)某時(shí)間段負(fù)荷序列較平穩(wěn)時(shí)，兩種方法預(yù)測(cè)誤差相差不大，但時(shí)間上ELM所花費(fèi)的時(shí)間BP方法少很多。而當(dāng)電力負(fù)荷出現(xiàn)較大的波動(dòng)時(shí)，BP方法對(duì)此適應(yīng)性較差，而ELM的權(quán)值由于隨機(jī)選定，采用多模型的方法，不同的子模型對(duì)輸入有不同的自適應(yīng)能力，從而受到時(shí)間序列波動(dòng)影響較小。不但速度明顯快于BP方法，滿足負(fù)荷實(shí)時(shí)性要求，而且精度也明顯優(yōu)于BP網(wǎng)絡(luò)。

表1 BP和ELM模型預(yù)測(cè)輸出平均誤差與平均計(jì)算時(shí)間

圖3、4、5分別給出了多個(gè)時(shí)間段情況下電力負(fù)荷的預(yù)測(cè)曲線。綜上可知，ELM方法進(jìn)行負(fù)荷預(yù)測(cè)，無論在精度，還是時(shí)間上都有相當(dāng)出色的表現(xiàn)。

圖3 2012－12－21 7∶00～19∶30 利用 BP和 ELM得到的電力負(fù)荷預(yù)測(cè)曲線

表2 BP和ELM模型預(yù)測(cè)輸出平均誤差與平均計(jì)算時(shí)間

圖4 2012－12－25 19∶00～24∶00 利用 BP和 ELM得到的電力負(fù)荷預(yù)測(cè)曲線

表3 BP和ELM模型預(yù)測(cè)輸出平均誤差與平均計(jì)算時(shí)間

圖5 2012－12－27 0∶00～7∶00 利用BP和ELM得到的電力負(fù)荷預(yù)測(cè)曲線

5 結(jié)論

本文基于更新準(zhǔn)則對(duì)微電網(wǎng)超短期電力負(fù)荷預(yù)測(cè)提出多模型加權(quán)方法下的極限學(xué)習(xí)機(jī)算法?；谏窠?jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，采取多個(gè)子模型，依照更新準(zhǔn)則將子模型分為兩個(gè)部分。對(duì)于任一時(shí)刻輸出誤差較小的即時(shí)更新模型不進(jìn)行在線更新，可以降低模型輸出的波動(dòng)，并減少訓(xùn)練時(shí)間;對(duì)于每一時(shí)刻都出現(xiàn)較大波動(dòng)的批次更新模型，則利用新引入的真實(shí)數(shù)據(jù)，用隨機(jī)方式重新計(jì)算，以實(shí)現(xiàn)訓(xùn)練誤差最小，以保證多模型的自適應(yīng)特性。最后將所有子模型的輸出加權(quán)求和作為整個(gè)模型的最終輸出結(jié)果。該算法既充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)處理非線性的優(yōu)越性，又避免了因?yàn)榉磸?fù)迭代而在時(shí)間上過多花費(fèi)，即在保持精度和穩(wěn)定性的基礎(chǔ)上又大大提高了模型的速度。

［1］ 康重慶，夏清，劉梅．電力系統(tǒng)負(fù)荷預(yù)測(cè)［M］．北京:中國電力出版社，2007．

［2］ 牛東曉，曹樹華，趙磊，等．電力系統(tǒng)負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用［M］．北京:中國電力出版社，1998．

［3］ 佘貽鑫．新形勢(shì)下的智能配電網(wǎng)［J］．電網(wǎng)與清潔能源，2009，25(7)．

［4］ 朱晟，蔣傳文，侯志儉，基于氣象負(fù)荷因子的神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)［J］．電力系統(tǒng)及其自動(dòng)化，2005，17(1):23 －26．

［5］ 于海燕，張鳳玲．基于模糊神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期預(yù)測(cè)［J］．電網(wǎng)技術(shù)，2007．31(3):68 －72．

［6］ 鄧萬宇，鄭慶華，陳琳，等．神經(jīng)網(wǎng)絡(luò)極速學(xué)習(xí)方法研究［J］．計(jì)算機(jī)學(xué)報(bào)，2010，33(2):279 －287．

［7］ 章健，艾芊，王新剛．多代理系統(tǒng)在微電網(wǎng)中的應(yīng)用［J］．電力系統(tǒng)自動(dòng)化，2008，32(24):80 －87．

［8］ 陳琳，鐘金，倪以信，等．含分布式發(fā)電的配電網(wǎng)無功優(yōu)化［J］．電力系統(tǒng)自動(dòng)化，2006，30(14):20 －24．

［9］ 張步涵，趙劍劍，劉小華，等．一種基于小波神經(jīng)元網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法［J］．電網(wǎng)技術(shù)，2004，28(7):15 －18．

［10］ 程松，閆建偉，趙登福，等．短期負(fù)荷預(yù)測(cè)的集成改進(jìn)極端學(xué)習(xí)機(jī)方法［J］．西安交通大學(xué)學(xué)報(bào)，2009，43(2):106 －110．

Application of ELM Algorithm in the Ultra-Short Term Load Prediction of M icrogrid

XU Sheng，JIANG Tie-zheng，XIANG Lei
(College of Electrical and Information Engineering，Changsha，University of Science and Techndogy，Shangsha 410014，China)

For the characteristics of microgrid load prediction，put forward a multi-model extreme learning method，which is applied to the system ultrashort term load prediction．The algorithcm adopts to set up mulitiple former feedforward netrual network models．In view of renewing norms，divide themodels into real renewingmodel and batch renewing model，taking this as screening and analysis of the data．The aim of the algorithem results in saving time，increasing prediction speed and ensuring predicting precision．

microgrid;ultra-short-term load prediction;;multi-model;extreme learningmachine

TM71

B

1004－289X(2013)03－0070－05

2013－02－27

徐晟(1984－)，男，碩士研究生，主要研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制;

蔣鐵錚(1965－)，男，研究生導(dǎo)師，副教授，博士，電力系統(tǒng)穩(wěn)定分析與非線性控制。