覃丹璐

（廣西大學(xué)電氣工程學(xué)院）

串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)下電力負(fù)荷預(yù)測方法研究

覃丹璐

（廣西大學(xué)電氣工程學(xué)院）

電力負(fù)荷預(yù)測對于電力系統(tǒng)來說具有十分重要的意義，但是其具有非常復(fù)雜的非線性動(dòng)態(tài)關(guān)系，借助傳統(tǒng)的預(yù)測技術(shù)及時(shí)間序列分析無法對電量變化的非線性性、多因素性等特點(diǎn)反映出來。因此，為了提高電力負(fù)荷預(yù)測的準(zhǔn)確度，我們將灰色預(yù)測和人工神經(jīng)網(wǎng)絡(luò)方法中的優(yōu)點(diǎn)結(jié)合在一起，組成了串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)，其不僅可以避免灰色預(yù)測和人工神經(jīng)網(wǎng)絡(luò)單獨(dú)使用中的缺陷，而且還能為電力系統(tǒng)的運(yùn)行提供準(zhǔn)確的參考。

串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)；電力負(fù)荷預(yù)測；研究

引言

電力系統(tǒng)負(fù)荷預(yù)測對于電力市場化的發(fā)展來說具有十分重要的意義，其可以保證電力系統(tǒng)的安全、可靠運(yùn)行，改善電能質(zhì)量，同時(shí)還能夠?yàn)殡娏φ{(diào)度部門提供參考。本文將灰色預(yù)測與神經(jīng)網(wǎng)絡(luò)結(jié)合在一起組成了串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預(yù)測方法，其不僅能夠解決短期負(fù)荷預(yù)測，而且還能通過累加生成來降低外界的干擾，從而更好的提高了電力系統(tǒng)負(fù)荷預(yù)測的準(zhǔn)確性。

1 灰色預(yù)測和人工神經(jīng)網(wǎng)絡(luò)的概述

1.1 灰色預(yù)測的概述

灰色預(yù)測方法一般不會(huì)對原始數(shù)據(jù)進(jìn)行直接建模，而是借助一定的手段來對原始數(shù)據(jù)進(jìn)行變換，從而得到一個(gè)全新的序列，該過程的主要目的就是為了減弱原始數(shù)據(jù)中的隨機(jī)性，使其變得更加具有規(guī)律性。最后便可以借助這些具有較強(qiáng)規(guī)律性的數(shù)據(jù)進(jìn)行建模和預(yù)測。在灰色預(yù)測過程中，使用次數(shù)比較多的變換方法是累加生成（AGO），而且預(yù)測模型一般會(huì)選擇一階單變量微分灰色模型GM（1，1），指數(shù)曲線是其解函數(shù)。下面將會(huì)以GM（1，1）模型為例對其預(yù)測算法進(jìn)行介紹：

1.1.1 累加生成

原始數(shù)據(jù)序列為：

然后對X（0）進(jìn)行以此累加處理，就可以得到一個(gè)全新的序列：

其中：

1.1.2 建模

有（a）中生成的X（1）序列組建成一個(gè)構(gòu)造背景值序列：

通常情況下，X（1）往往表現(xiàn)為指數(shù)變化的規(guī)律性，其方程為：

將上式進(jìn)行微分變差分后便可以得到GM（1，1）灰色微分方程如下：

1.1.3 求解參數(shù)a和μ

將上述式子構(gòu)成矩形表達(dá)式，然后借助最小二乘法可以準(zhǔn)確的計(jì)算出參數(shù)a和μ的數(shù)值。其中參數(shù)a表示發(fā)展系數(shù)，其數(shù)值大小能夠?qū)（0）的增長速度進(jìn)行準(zhǔn)確的反映，而參數(shù)μ稱之為灰作用量。

在電力系統(tǒng)負(fù)荷預(yù)測過程中，灰色預(yù)測方法一般具有建模樣本數(shù)據(jù)少，運(yùn)算方便，不需要計(jì)算統(tǒng)計(jì)特征量等優(yōu)點(diǎn)，所以在該領(lǐng)域得到了廣泛的應(yīng)用。

1.2 人工神經(jīng)網(wǎng)絡(luò)的概述

人工神經(jīng)網(wǎng)絡(luò)一般是把大量簡單元件借助一定的方式連接在一起，然后對人腦行為進(jìn)行模擬的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，該系統(tǒng)具有不同的類型性，而在電力負(fù)荷預(yù)測中應(yīng)用比較多的是反向傳播神經(jīng)網(wǎng)絡(luò)，建成BP神經(jīng)網(wǎng)絡(luò)，其屬于前饋型網(wǎng)絡(luò)，主要包括隱含層、輸入層和輸出層三個(gè)層次。其中隱含層中的神經(jīng)元需要借助Sigmoid函數(shù)作為激勵(lì)函數(shù)，而且將負(fù)荷作為輸出量，將與電力負(fù)荷變化有關(guān)的因素設(shè)定為輸入量。通過已知電力負(fù)荷數(shù)據(jù)來進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練過程中通常采用梯度下降法，這樣可以對輸入與輸出數(shù)據(jù)之間的關(guān)系進(jìn)行學(xué)習(xí)和記憶，從而對未來電力負(fù)荷進(jìn)行準(zhǔn)確的預(yù)測。大量研究發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)可以有效的逼近任意函數(shù)，而且能夠大大提高電力負(fù)荷預(yù)測的準(zhǔn)確度，尤其是對短期電力負(fù)荷預(yù)測方面，具有明顯的優(yōu)勢。但是，BP神經(jīng)網(wǎng)絡(luò)在使用的過程中也存在一定的缺陷和不足，例如隱含層節(jié)點(diǎn)數(shù)目無法確定、訓(xùn)練速度慢等。

2 灰色神經(jīng)網(wǎng)絡(luò)組合預(yù)測方法

由于單獨(dú)使用灰色預(yù)測和人工神經(jīng)網(wǎng)絡(luò)的方法來進(jìn)行電力負(fù)荷預(yù)測都具有各自的優(yōu)缺點(diǎn)，無法達(dá)到更好的預(yù)測效果，因此下面將會(huì)對灰色預(yù)測與BP神經(jīng)網(wǎng)絡(luò)預(yù)測相結(jié)合，組建成串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型，從而實(shí)現(xiàn)對電力負(fù)荷的準(zhǔn)確預(yù)測。

2.1 組合預(yù)測方法的優(yōu)勢

單一預(yù)測模型不能夠?qū)κ挛锏淖兓?guī)律進(jìn)行準(zhǔn)確的描繪，而串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型包括了多種單一預(yù)測模型的信息，而且對各種信息進(jìn)行了全面、系統(tǒng)的分析和考慮，以達(dá)到預(yù)想的預(yù)測效果。圖1描述的就是串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型的流程圖，其主要優(yōu)勢包括：①組合預(yù)測法完全是各種方法的完美結(jié)合，并非簡單的堆砌，能夠具有取長補(bǔ)短的效果。不同的方法適用于不同的狀況，將各種方法結(jié)合在一起，可以相互補(bǔ)充，并兼?zhèn)涓髯缘膬?yōu)點(diǎn)。②單一預(yù)測模型中，很難準(zhǔn)確選擇出預(yù)測模型，有的時(shí)候需要對多種模型進(jìn)行一一分析，然后才能找到“最佳”模型，而串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型，可以降低選擇的難度，并提高了預(yù)測的精度。③通過串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)模型，還可以充分利用各類信息，并從多方位、多角度對其進(jìn)行考察，以對事物的全貌進(jìn)行準(zhǔn)確的反映，從而降低單一模型預(yù)測的風(fēng)險(xiǎn)。

圖1 灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型的流程圖

2.2 組合預(yù)測分類

串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)組合模型主要包括以下兩大類：①借助一種模型的優(yōu)點(diǎn)來對另一個(gè)模型的缺陷進(jìn)行補(bǔ)充，如神經(jīng)網(wǎng)絡(luò)與遺傳算法的組合形成了遺傳神經(jīng)網(wǎng)絡(luò)，其借助遺傳算法來對神經(jīng)網(wǎng)絡(luò)的權(quán)值與結(jié)構(gòu)進(jìn)行優(yōu)化。②把不同模型的預(yù)測結(jié)果結(jié)合在一起，并對其進(jìn)行適當(dāng)?shù)膬?yōu)化，從而得到組合預(yù)測值。串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)就是將兩種預(yù)測模型結(jié)合在一起，借助神經(jīng)網(wǎng)絡(luò)模型來對灰色預(yù)測模型中的相關(guān)參數(shù)進(jìn)行求解，而且還可以將神經(jīng)網(wǎng)絡(luò)預(yù)測法引入到灰色預(yù)測模型之中，來彌補(bǔ)殘差補(bǔ)償方法。此外，借助神經(jīng)網(wǎng)絡(luò)預(yù)測模型還可以對GM（1，1）殘差盡心修正和改進(jìn)，從而提高電力負(fù)荷預(yù)測的準(zhǔn)確度。

3 實(shí)例分析

本文借助某省2010～2015年間負(fù)荷變化及GDP情況作為電力負(fù)荷預(yù)測的數(shù)據(jù)，其具體數(shù)據(jù)如表1所示。

表1 2009～2015年某省負(fù)荷變化及GDP情況

3.1 一階灰色預(yù)測模型

灰色預(yù)測模型對樣本的數(shù)量要求比較少，可以借助一階灰色預(yù)測模型GM（1，1）對2009年到2015年負(fù)荷數(shù)據(jù)進(jìn)行建模，然后通過Matlab對其進(jìn)行編程處理，同時(shí)還需要對模型進(jìn)行后驗(yàn)差校驗(yàn)。具體步驟如下：

（1）初始數(shù)據(jù)序列：

（2）根據(jù)公式（1.3）可以得到原始數(shù)列的累加生成值X（1）。

（3）利用公式（1.5）、（1.6）計(jì)算參數(shù) a和 μ。

通過該方法得到的預(yù)測結(jié)果如表2所示。

表2 2009～2015 年某省用電量 GM（1，1）模型預(yù)測結(jié)果（億 kWh）

從表2中我們可以看到，雖然一階灰色預(yù)測模型預(yù)測的結(jié)果與實(shí)際值還存在一定的偏差，但是其相對誤差比較小。

3.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)能夠?qū)θ我鈴?fù)雜的非線性關(guān)系進(jìn)行有效的擬合，而且在電力系統(tǒng)負(fù)荷預(yù)測中得到了廣泛的應(yīng)用，因?yàn)槠渲恍枰?fù)荷及相關(guān)變量的樣本，就可以進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，而且還能夠自動(dòng)模擬出與之對應(yīng)的函數(shù)關(guān)系，通過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)一般可以對電力負(fù)荷進(jìn)行直接預(yù)測。

本文借助BP神經(jīng)網(wǎng)絡(luò)對2009～2015年某省負(fù)荷數(shù)據(jù)進(jìn)行建模，然后通過Matlab對其進(jìn)行編程處理，將BP神經(jīng)網(wǎng)絡(luò)最大訓(xùn)練次數(shù)調(diào)節(jié)至1000，初始化權(quán)值為0.05，預(yù)期誤差設(shè)定為0.0000001，隱含層節(jié)點(diǎn)數(shù)為9。通過對2009～2015年用電數(shù)據(jù)作為數(shù)據(jù)樣本進(jìn)行分析后得到的預(yù)測結(jié)果如表3所示。

表3 2009～2015年某省用電量BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果（億kWh）

3.3 串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型

串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型是灰色預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的結(jié)合，其通過對2009～2015年某省負(fù)荷數(shù)據(jù)進(jìn)行建模，得到的預(yù)測結(jié)果與實(shí)際值對比如表4所示。

表4 2009～2015年某省用電量串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測結(jié)果（億kWh）

3.4 幾種預(yù)測模型預(yù)測結(jié)果對比

借助灰色預(yù)測模型、BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型和串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型對2009～2015年某省用電量進(jìn)行預(yù)測發(fā)現(xiàn)，灰色神經(jīng)網(wǎng)絡(luò)預(yù)測在樣本比較少的情況下可以大大提高其預(yù)測精度。當(dāng)其與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)合時(shí)，可以進(jìn)一步提高預(yù)測的精度，大大降低了相對誤差，從而為電力調(diào)度提供一定的參考。

4 結(jié)束語

電力負(fù)荷預(yù)測的準(zhǔn)確程度與否在一定程度上決定電力系統(tǒng)的運(yùn)行效率，因此選擇合適的預(yù)測方法對于電力系統(tǒng)調(diào)度來說至關(guān)重要。本文對灰色預(yù)測方法和人工神經(jīng)網(wǎng)絡(luò)預(yù)測的概念和各自的優(yōu)缺點(diǎn)給予了系統(tǒng)的介紹，然后在此基礎(chǔ)上提出了串聯(lián)灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模式，該模式不僅包括了灰色預(yù)測方法和人工神經(jīng)網(wǎng)絡(luò)預(yù)測的優(yōu)點(diǎn)，而且還能有效的彌補(bǔ)對方的缺點(diǎn)，削弱原始數(shù)據(jù)隨機(jī)性的特點(diǎn)，使其具有一定的規(guī)律性，從而提高了電力負(fù)荷預(yù)測的準(zhǔn)確性。

[1]王超，李森.變參數(shù)QPSO算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J].電子器件，2014，9（4）：59～60.

[2]吳桂峰，王軒，陳東雷.基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J].計(jì)算機(jī)仿真，2013，5（11）：65～66.

[3]何耀耀，等.基于RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的電力負(fù)荷概率密度預(yù)測方法[J].中國電機(jī)工程學(xué)報(bào)，2013，14（1）.

TM715

A

1004-7344（2016）07-0082-02

2016-2-20