覃丹璐

（廣西大學電氣工程學院）

串聯(lián)灰色神經(jīng)網(wǎng)絡下電力負荷預測方法研究

覃丹璐

（廣西大學電氣工程學院）

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

串聯(lián)灰色神經(jīng)網(wǎng)絡；電力負荷預測；研究

引言

電力系統(tǒng)負荷預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、可靠運行，改善電能質(zhì)量，同時還能夠為電力調(diào)度部門提供參考。本文將灰色預測與神經(jīng)網(wǎng)絡結(jié)合在一起組成了串聯(lián)灰色神經(jīng)網(wǎng)絡預測方法，其不僅能夠解決短期負荷預測，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)負荷預測的準確性。

1 灰色預測和人工神經(jīng)網(wǎng)絡的概述

1.1 灰色預測的概述

灰色預測方法一般不會對原始數(shù)據(jù)進行直接建模，而是借助一定的手段來對原始數(shù)據(jù)進行變換，從而得到一個全新的序列，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規(guī)律性的數(shù)據(jù)進行建模和預測。在灰色預測過程中，使用次數(shù)比較多的變換方法是累加生成（AGO），而且預測模型一般會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)。下面將會以GM（1，1）模型為例對其預測算法進行介紹：

1.1.1 累加生成

原始數(shù)據(jù)序列為：

然后對X（0）進行以此累加處理，就可以得到一個全新的序列：

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)成矩形表達式，然后借助最小二乘法可以準確的計算出參數(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）的增長速度進行準確的反映，而參數(shù)μ稱之為灰作用量。

在電力系統(tǒng)負荷預測過程中，灰色預測方法一般具有建模樣本數(shù)據(jù)少，運算方便，不需要計算統(tǒng)計特征量等優(yōu)點，所以在該領(lǐng)域得到了廣泛的應用。

1.2 人工神經(jīng)網(wǎng)絡的概述

人工神經(jīng)網(wǎng)絡一般是把大量簡單元件借助一定的方式連接在一起，然后對人腦行為進行模擬的復雜網(wǎng)絡系統(tǒng)，該系統(tǒng)具有不同的類型性，而在電力負荷預測中應用比較多的是反向傳播神經(jīng)網(wǎng)絡，建成BP神經(jīng)網(wǎng)絡，其屬于前饋型網(wǎng)絡，主要包括隱含層、輸入層和輸出層三個層次。其中隱含層中的神經(jīng)元需要借助Sigmoid函數(shù)作為激勵函數(shù)，而且將負荷作為輸出量，將與電力負荷變化有關(guān)的因素設定為輸入量。通過已知電力負荷數(shù)據(jù)來進行BP神經(jīng)網(wǎng)絡的訓練，訓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)系進行學習和記憶，從而對未來電力負荷進行準確的預測。大量研究發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡可以有效的逼近任意函數(shù)，而且能夠大大提高電力負荷預測的準確度，尤其是對短期電力負荷預測方面，具有明顯的優(yōu)勢。但是，BP神經(jīng)網(wǎng)絡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)點數(shù)目無法確定、訓練速度慢等。

2 灰色神經(jīng)網(wǎng)絡組合預測方法

由于單獨使用灰色預測和人工神經(jīng)網(wǎng)絡的方法來進行電力負荷預測都具有各自的優(yōu)缺點，無法達到更好的預測效果，因此下面將會對灰色預測與BP神經(jīng)網(wǎng)絡預測相結(jié)合，組建成串聯(lián)灰色神經(jīng)網(wǎng)絡預測模型，從而實現(xiàn)對電力負荷的準確預測。

2.1 組合預測方法的優(yōu)勢

單一預測模型不能夠?qū)κ挛锏淖兓?guī)律進行準確的描繪，而串聯(lián)灰色神經(jīng)網(wǎng)絡模型包括了多種單一預測模型的信息，而且對各種信息進行了全面、系統(tǒng)的分析和考慮，以達到預想的預測效果。圖1描述的就是串聯(lián)灰色神經(jīng)網(wǎng)絡模型的流程圖，其主要優(yōu)勢包括：①組合預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，可以相互補充，并兼?zhèn)涓髯缘膬?yōu)點。②單一預測模型中，很難準確選擇出預測模型，有的時候需要對多種模型進行一一分析，然后才能找到“最佳”模型，而串聯(lián)灰色神經(jīng)網(wǎng)絡模型，可以降低選擇的難度，并提高了預測的精度。③通過串聯(lián)灰色神經(jīng)網(wǎng)絡模型，還可以充分利用各類信息，并從多方位、多角度對其進行考察，以對事物的全貌進行準確的反映，從而降低單一模型預測的風險。

圖1 灰色神經(jīng)網(wǎng)絡預測模型的流程圖

2.2 組合預測分類

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

3 實例分析

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

表1 2009～2015年某省負荷變化及GDP情況

3.1 一階灰色預測模型

灰色預測模型對樣本的數(shù)量要求比較少，可以借助一階灰色預測模型GM（1，1）對2009年到2015年負荷數(shù)據(jù)進行建模，然后通過Matlab對其進行編程處理，同時還需要對模型進行后驗差校驗。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）計算參數(shù) a和 μ。

通過該方法得到的預測結(jié)果如表2所示。

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

從表2中我們可以看到，雖然一階灰色預測模型預測的結(jié)果與實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)絡預測模型

BP神經(jīng)網(wǎng)絡能夠?qū)θ我鈴碗s的非線性關(guān)系進行有效的擬合，而且在電力系統(tǒng)負荷預測中得到了廣泛的應用，因為其只需要負荷及相關(guān)變量的樣本，就可以進行BP神經(jīng)網(wǎng)絡的訓練，而且還能夠自動模擬出與之對應的函數(shù)關(guān)系，通過訓練的BP神經(jīng)網(wǎng)絡一般可以對電力負荷進行直接預測。

本文借助BP神經(jīng)網(wǎng)絡對2009～2015年某省負荷數(shù)據(jù)進行建模，然后通過Matlab對其進行編程處理，將BP神經(jīng)網(wǎng)絡最大訓練次數(shù)調(diào)節(jié)至1000，初始化權(quán)值為0.05，預期誤差設定為0.0000001，隱含層節(jié)點數(shù)為9。通過對2009～2015年用電數(shù)據(jù)作為數(shù)據(jù)樣本進行分析后得到的預測結(jié)果如表3所示。

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

3.3 串聯(lián)灰色神經(jīng)網(wǎng)絡預測模型

串聯(lián)灰色神經(jīng)網(wǎng)絡預測模型是灰色預測模型和BP神經(jīng)網(wǎng)絡預測模型的結(jié)合，其通過對2009～2015年某省負荷數(shù)據(jù)進行建模，得到的預測結(jié)果與實際值對比如表4所示。

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

3.4 幾種預測模型預測結(jié)果對比

借助灰色預測模型、BP神經(jīng)網(wǎng)絡預測模型和串聯(lián)灰色神經(jīng)網(wǎng)絡預測模型對2009～2015年某省用電量進行預測發(fā)現(xiàn)，灰色神經(jīng)網(wǎng)絡預測在樣本比較少的情況下可以大大提高其預測精度。當其與BP神經(jīng)網(wǎng)絡預測模型結(jié)合時，可以進一步提高預測的精度，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

電力負荷預測的準確程度與否在一定程度上決定電力系統(tǒng)的運行效率，因此選擇合適的預測方法對于電力系統(tǒng)調(diào)度來說至關(guān)重要。本文對灰色預測方法和人工神經(jīng)網(wǎng)絡預測的概念和各自的優(yōu)缺點給予了系統(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)絡預測模式，該模式不僅包括了灰色預測方法和人工神經(jīng)網(wǎng)絡預測的優(yōu)點，而且還能有效的彌補對方的缺點，削弱原始數(shù)據(jù)隨機性的特點，使其具有一定的規(guī)律性，從而提高了電力負荷預測的準確性。

[1]王超，李森.變參數(shù)QPSO算法優(yōu)化神經(jīng)網(wǎng)絡的短期電力負荷預測[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)絡的短期電力負荷預測[J].計算機仿真，2013，5（11）：65～66.

[3]何耀耀，等.基于RBF神經(jīng)網(wǎng)絡分位數(shù)回歸的電力負荷概率密度預測方法[J].中國電機工程學報，2013，14（1）.

TM715

A

1004-7344（2016）07-0082-02

2016-2-20