李 文

（安徽機(jī)電職業(yè)技術(shù)學(xué)院，安徽 蕪湖 241000）

基于Elman神經(jīng)網(wǎng)絡(luò)算法的電力負(fù)荷預(yù)測(cè)模型研究

李 文

（安徽機(jī)電職業(yè)技術(shù)學(xué)院，安徽 蕪湖 241000）

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，也為電力負(fù)荷系統(tǒng)帶來(lái)極大的考驗(yàn).如何才能夠讓電力保持平穩(wěn)、高質(zhì)量的輸送，使客戶的用電需求得到用力保證，避免因?yàn)閿嚯娊o客戶造成極大的經(jīng)濟(jì)損失，這我們需要不斷思索的問(wèn)題.隨著依托于人工神經(jīng)系統(tǒng)的新預(yù)測(cè)技術(shù)出現(xiàn)，對(duì)電力負(fù)荷的預(yù)測(cè)越來(lái)越準(zhǔn)確，在保障電力順利平穩(wěn)輸送的同時(shí)，也減少可人工成本的支出.本文通過(guò)Elman型神經(jīng)網(wǎng)絡(luò)，對(duì)電力負(fù)荷預(yù)測(cè)進(jìn)行研究，并通過(guò)Matlab進(jìn)行仿真.

神經(jīng)網(wǎng)絡(luò)；電力負(fù)荷；仿真

前饋型網(wǎng)絡(luò)是構(gòu)成神經(jīng)網(wǎng)絡(luò)的主要類型之一，另外一種非常重要構(gòu)成類型則是反饋型網(wǎng)絡(luò)，這主要是根據(jù)信號(hào)在神經(jīng)網(wǎng)絡(luò)中的走向來(lái)看區(qū)分的.相比而言，前者是所有神經(jīng)網(wǎng)絡(luò)中最早被提出的，也是公認(rèn)的最簡(jiǎn)單的一種神經(jīng)網(wǎng)絡(luò)，它的工作原理是神經(jīng)元信號(hào)從輸入層開(kāi)始，只能不停地向前流動(dòng)，一直到輸出層為止，如同我們交通道路中的不能掉頭的單行道一般.我們通常講的回歸網(wǎng)絡(luò)，其實(shí)就是說(shuō)反饋型神經(jīng)網(wǎng)絡(luò)，這種網(wǎng)絡(luò)算法比前饋神經(jīng)網(wǎng)絡(luò)更為繁雜難算，換而言之，發(fā)聵神經(jīng)網(wǎng)絡(luò)型就是指神經(jīng)元信號(hào)在從輸入層到輸出層輸送的過(guò)程中，可以進(jìn)行反向輸送.因?yàn)榘l(fā)聵型神經(jīng)網(wǎng)絡(luò)具有十分明顯的延遲、發(fā)聵等的特征.

這就相當(dāng)于生活中人們最常用的Elman神經(jīng)網(wǎng)絡(luò)，還有Boltzmann神經(jīng)網(wǎng)絡(luò)也都算于反饋型神經(jīng)網(wǎng)絡(luò).其中Elman神經(jīng)網(wǎng)絡(luò)最有代表性，是Elman在1990年時(shí)率先提出的.

1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

首先是輸入這個(gè)層面，其次是隱含，還有承接和輸出，共同組成了Elman型神經(jīng)網(wǎng)絡(luò)的最主要流程.如圖23-1示，如果將其中輸入、隱含以及輸出這三個(gè)層次進(jìn)行相連的話，就會(huì)形成一種前饋式網(wǎng)絡(luò).

輸入層的功能就是對(duì)信號(hào)進(jìn)行輸送，而輸出層的功能就是對(duì)信號(hào)進(jìn)行線性加權(quán).隱含層的功能就是進(jìn)行線性或者非線性函數(shù)的傳送，可以認(rèn)為是一個(gè)一步延時(shí)算子，起到一個(gè)承上啟下的作用，它主要是對(duì)隱含層的傳輸?shù)男盘?hào)進(jìn)行記錄以后，并將其傳輸給輸入層.

Elman神經(jīng)網(wǎng)絡(luò)有兩大突出優(yōu)勢(shì)：第一，利用承接層的延遲以及存儲(chǔ)排除隱匿層,其可以自動(dòng)連接到隱含層的進(jìn)入.上述自動(dòng)連接的突進(jìn)能夠?qū)⑦^(guò)去狀態(tài)的數(shù)據(jù)非常靈活,再加上融入了內(nèi)部反饋網(wǎng)絡(luò)能夠?qū)⒕W(wǎng)絡(luò)自身處理信息的能力提升,最終建立動(dòng)態(tài)數(shù)字模型.第二,它可以任何一個(gè)精確度接近任何一個(gè)非線性映射,忽視外部噪聲對(duì)系統(tǒng)的影響,進(jìn)而建立數(shù)字模型.

2 Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程

下面就是23_1,Elman網(wǎng)絡(luò)的非線性狀態(tài)空間數(shù)學(xué)計(jì)算方式：

y(k)=g(w3x(k))

x(k)=f(w1xc(k)+w2(u(k-1)))

xc(k)=x(k-1)

式中,y為m維輸結(jié)點(diǎn)向量；x為n維中間層結(jié)點(diǎn)單元向量；u維r維輸入向量；x為n維反饋狀態(tài)向量；w3為中間層到輸出層連接權(quán)值；w2為輸入層到中間層連接權(quán)值;w1為承接層到中間層連接權(quán)值；上式當(dāng)中，g(*)則代表的是排出神經(jīng)元傳導(dǎo)這個(gè)函數(shù)，即線性組合用的中間層;f(*)則代表了傳導(dǎo)中間層神經(jīng)元這個(gè)函數(shù)，我們還會(huì)用S來(lái)替代.

與此同時(shí)，Elman神線網(wǎng)絡(luò)也使用BP算法.式中，yk（w）為目標(biāo)輸入向量.

3 電力負(fù)荷預(yù)測(cè)機(jī)述

發(fā)電系統(tǒng)、電網(wǎng)以及用電客戶三者統(tǒng)一構(gòu)成了整個(gè)電力系統(tǒng)，不間斷地滿足廣大客戶的生產(chǎn)、生活用電需求是電力系統(tǒng)的主要職能.由于電是一種無(wú)色無(wú)形的能量，具有極大的危險(xiǎn)性，再加上存儲(chǔ)技術(shù)上的限制，電在生產(chǎn)過(guò)程的中，很難被大量?jī)?chǔ)存下來(lái).同時(shí)，客戶對(duì)電能的消耗也不是一成不變的，而是隨機(jī)性發(fā)生變化，忽高忽低，這對(duì)電力負(fù)荷系統(tǒng)帶來(lái)極大的考驗(yàn).如何才能夠讓電力保持平穩(wěn)、高質(zhì)量的輸送，使客戶的用電需求得到用力保證，避免因?yàn)閿嚯娊o客戶造成極大的經(jīng)濟(jì)損失，這是電力部門正不斷思索的問(wèn)題.隨著依托于人工神經(jīng)系統(tǒng)的新預(yù)測(cè)技術(shù)出現(xiàn)，對(duì)電力負(fù)荷的預(yù)測(cè)越來(lái)越準(zhǔn)確，在保障電力順利平穩(wěn)輸送的同時(shí)，也減少可人工成本的支出.

與傳統(tǒng)的預(yù)測(cè)方法有所不同的是，新的負(fù)荷預(yù)測(cè)方法是運(yùn)用人工神經(jīng)網(wǎng)絡(luò)中的一種非數(shù)學(xué)模型預(yù)測(cè)法而建立起來(lái)的.而傳統(tǒng)的負(fù)荷預(yù)測(cè)方法，先將以往的負(fù)荷數(shù)據(jù)進(jìn)行人工統(tǒng)計(jì)，然后利用數(shù)學(xué)方程式，建立一個(gè)數(shù)學(xué)模型，其特點(diǎn)就是計(jì)算速度十分快，這種預(yù)測(cè)方法十分適用于對(duì)小范圍內(nèi)的電力負(fù)荷進(jìn)行預(yù)測(cè).但隨著我國(guó)社會(huì)日新月異，生產(chǎn)、生活用電量與日俱增，在更多的電力系統(tǒng)建設(shè)的同時(shí)，其電力負(fù)荷變化更是越來(lái)越復(fù)雜.因?yàn)閭鹘y(tǒng)的預(yù)測(cè)方法自身也存在著嚴(yán)重的不足，預(yù)測(cè)范圍小，對(duì)環(huán)境的變化十分不適應(yīng)，已經(jīng)滿足不了電力部門逐漸增加的需求，因此對(duì)新的預(yù)測(cè)技術(shù)進(jìn)行開(kāi)發(fā)進(jìn)行改進(jìn)，成為一個(gè)擺在電路部門面前，不得不解決的一個(gè)大難題.因?yàn)樨?fù)荷會(huì)隨著時(shí)間的變化而不時(shí)發(fā)生變化，很難用數(shù)學(xué)模型來(lái)表現(xiàn)清楚，隨著一種建立人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的非數(shù)學(xué)模型預(yù)測(cè)法,推動(dòng)了新的負(fù)荷預(yù)測(cè)方法的出現(xiàn).

與傳統(tǒng)的預(yù)測(cè)方法有所不同的是，新的預(yù)測(cè)方法是利用人工神經(jīng)網(wǎng)絡(luò)中的一種非數(shù)學(xué)模型預(yù)測(cè)法而進(jìn)行建立的.而傳統(tǒng)的負(fù)荷預(yù)測(cè)方法，先將以往的負(fù)荷數(shù)據(jù)進(jìn)行人工統(tǒng)計(jì)，然后利用數(shù)學(xué)方程式，建立一個(gè)數(shù)學(xué)模型，其特點(diǎn)就是計(jì)算速度十分快，這種預(yù)測(cè)方法十分適用于對(duì)小范圍內(nèi)的電力負(fù)荷進(jìn)行預(yù)測(cè).但隨著我國(guó)社會(huì)日新月異，生產(chǎn)因?yàn)閭鹘y(tǒng)的預(yù)測(cè)方法自身也存在著嚴(yán)重的不足，預(yù)測(cè)范圍小，對(duì)環(huán)境的變化十分不適應(yīng)，已經(jīng)滿足不了電力部門逐漸增加的需求，因此對(duì)新的的預(yù)測(cè)技術(shù)進(jìn)行開(kāi)發(fā)進(jìn)行改進(jìn)，成為一個(gè)擺在電路部門面前，不得不解決的一個(gè)大難題.因?yàn)樨?fù)荷會(huì)隨著時(shí)間的變化而不時(shí)發(fā)生變化，很難用數(shù)學(xué)模型來(lái)表現(xiàn)清楚，隨著一種建立人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的非數(shù)學(xué)模型預(yù)測(cè)法的出現(xiàn),推動(dòng)了新的負(fù)荷預(yù)測(cè)方法的出現(xiàn).

4 數(shù)學(xué)模型建立

隨著社會(huì)經(jīng)濟(jì)的發(fā)展，我國(guó)的生活、生產(chǎn)用電將人工神經(jīng)網(wǎng)絡(luò)和預(yù)測(cè)方法有機(jī)結(jié)合起來(lái)，并運(yùn)用二者的突出優(yōu)勢(shì)，打造一個(gè)數(shù)據(jù)模型.在所有的人工神經(jīng)網(wǎng)絡(luò)中，只有輸入延遲的反饋式神經(jīng)網(wǎng)絡(luò),非常適用于網(wǎng)絡(luò)模型的建立.在網(wǎng)絡(luò)模型建立后，通過(guò)對(duì)以往的電力負(fù)荷數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)進(jìn)行全面比較分析,對(duì)電力系統(tǒng)負(fù)荷運(yùn)行的規(guī)律進(jìn)行探索，并對(duì)未來(lái)的某個(gè)時(shí)段的電力負(fù)荷情況進(jìn)行預(yù)測(cè)，為該時(shí)段的電力負(fù)荷管控提供依據(jù).

通常來(lái)講,每天的9點(diǎn)到19點(diǎn)，是電力系統(tǒng)當(dāng)天負(fù)荷高峰時(shí)期.下表是對(duì)每天9點(diǎn)到19點(diǎn)電力負(fù)荷數(shù)據(jù)的統(tǒng)計(jì)，作者將用這些數(shù)據(jù)進(jìn)行一個(gè)網(wǎng)絡(luò)預(yù)測(cè)，看預(yù)測(cè)的結(jié)果是否和實(shí)際數(shù)據(jù)相一致.

表1 電力系統(tǒng)負(fù)荷數(shù)據(jù)表

5 Matal實(shí)現(xiàn)

本例中用到的關(guān)鍵函數(shù)為newelm（），其作用為創(chuàng)建一個(gè)Elman網(wǎng)絡(luò)，其調(diào)用格式如下：

net=newelm(PR,[S1 S2SN1]，{TF1 TF2TFN1},BTF,BLF,PF,IPF,OPF)

在上述公式中，R版塊中要素的具體值是P；T為SN*Q2的具有SN個(gè)元素的輸出矩陣；Si為第i層的長(zhǎng)度；Tfi為第i層的傳遞函數(shù)，默認(rèn)值：隱藏層為’tansig’，輸出層為’purelin’；BTF具體指神經(jīng)網(wǎng)絡(luò)反向傳達(dá)，通常用’trainlm’來(lái)表示；BLF具體指神經(jīng)網(wǎng)絡(luò)權(quán)值指反向傳達(dá)，一般表示為’learngdm’；PF 為性能函數(shù)，默認(rèn)值為’mse’；IPF 為輸入處理函數(shù)，默認(rèn)值為：’{’fixunknowns’,’removeconstantrows’,’mapminmax’}’；OPF 為輸出處理函數(shù)，默認(rèn)值為’{ ‘removeconstantrows’,’mapminmax’}’

MATLAB實(shí)現(xiàn)代碼如下：

% 建立在,Elman神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的電力負(fù)荷預(yù)測(cè)模型研究

%% 清空環(huán)境變量

clc;

clear all

close all

nntwarn off;

%% 數(shù)據(jù)載入

load data;

a=data;

%% 選取訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)

for i=1:6

p(i,:)=[a(i,:),a(i+1,:),a(i+2,:)];

end

% 訓(xùn)練數(shù)據(jù)輸入

p_train=p(1:5,:);

% 訓(xùn)練數(shù)據(jù)輸出

t_train=a(4:8,:);

% 測(cè)試數(shù)據(jù)輸入

p_test=p(6,:);

% 測(cè)試數(shù)據(jù)輸出

t_test=a(9,:);

% 為適應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)做轉(zhuǎn)置

p_train=p_train';

t_train=t_train';

p_test=p_test';

%% 網(wǎng)絡(luò)的建立和訓(xùn)練

% 采用輪回使用，將各個(gè)隱藏層神經(jīng)元的數(shù)量進(jìn)行建立

nn=[7 11 14 18];

for i=1:4

threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];% 進(jìn)行Elman神經(jīng)網(wǎng)的構(gòu)建看不到的層是nn(i)個(gè)神經(jīng)元

net=newelm(threshold,[nn(i),3],{'tansig','purelin'});

% 設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)

net.trainparam.epochs=1000;

net.trainparam.show=20;

% 初始化網(wǎng)絡(luò)

net=init(net);

% Elman網(wǎng)絡(luò)訓(xùn)練

net=train(net,p_train,t_train);

% 預(yù)測(cè)數(shù)據(jù)

y=sim(net,p_test);

% 計(jì)算誤差

error(i,:)=y'-t_test;

end

%%；利用作圖的方式查看具體隱藏層神經(jīng)元的數(shù)量，得到的網(wǎng)絡(luò)的預(yù)料結(jié)果

plot(1:1:3,error(1,:),'-ro','linewidth',2);

hold on;

plot(1:1:3,error(2,:),'b:x','linewidth',2);

hold on;

plot(1:1:3,error(3,:),'k-.s','linewidth',2);

hold on;

plot(1:1:3,error(4,:),'c--d','linewidth',2);

title('Elman預(yù)測(cè)誤差圖')

set(gca,'Xtick',[1:3])

legend('7','11','14','18','location','best')

xlabel('時(shí)間點(diǎn)')

ylabel('誤差')

hold off;

預(yù)測(cè)結(jié)果如下圖所示：

我們可以從上圖看出，在這次預(yù)測(cè)的誤差是非常小的，簡(jiǎn)直可以忽略不計(jì).只有出現(xiàn)7個(gè)神經(jīng)元的時(shí)候，存在著較大的誤差，這可能和操作不當(dāng)有關(guān).在出現(xiàn)18個(gè)神經(jīng)元時(shí)，誤差變成了最小，其波動(dòng)幅度十分的小，可見(jiàn)18個(gè)神經(jīng)元才是本次負(fù)荷預(yù)測(cè)中最準(zhǔn)確的.

其實(shí)現(xiàn)在能夠準(zhǔn)確對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)的技術(shù)其實(shí)有很多，每一種的正確率都很高.但是隨著電力行業(yè)迅速發(fā)展，其系統(tǒng)更加龐雜，如何讓電力負(fù)荷預(yù)測(cè)能夠跟上電力行業(yè)的發(fā)展步伐，仍需要電力部門進(jìn)行探索研究.本案例為時(shí)間序列類型數(shù)據(jù)預(yù)測(cè)提供了依據(jù)和思路.但是建立一個(gè)電力負(fù)荷預(yù)測(cè)，只有以往的預(yù)測(cè)數(shù)據(jù)是遠(yuǎn)遠(yuǎn)不夠的，畢竟歷史不能代表現(xiàn)在，這需要對(duì)各個(gè)方面進(jìn)行綜合考慮，如電力基礎(chǔ)數(shù)據(jù)、天氣情況，工作日和節(jié)假日的不同用電量等等.本例由于篇幅有限，對(duì)預(yù)測(cè)模型做了簡(jiǎn)單化處理，但這并不影響Elman預(yù)測(cè)功能的演示.

〔1〕邰曉紅,王麗娜.基于模糊控制修正Elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期動(dòng)態(tài)預(yù)測(cè)[J].世界科技研究與發(fā)展，2016(04）.

〔2〕陳冬灃,肖建華,馬留洋,孟安波.基于縱橫交叉算法與Elman神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)研究 [J].貴州電力技術(shù)，2016(11).

〔3〕郭姣姣.基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[D].遼寧工業(yè)大學(xué).

〔4〕趙銘揚(yáng),陳亞,李萍.改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].寧夏工程技術(shù)，2016(06).

TP183；TM715

A

1673-260X（2017）11-0038-03

2017-08-07

安徽高校自然科學(xué)研究重點(diǎn)項(xiàng)目（KJ2016A141）