魯婭楠 王金梅 孫帆

摘 要：電力負荷預(yù)測是電力系統(tǒng)規(guī)劃和運行的主要內(nèi)容，而實時電價是影響負荷預(yù)測精度的一個重要因素，文章通過分析某電網(wǎng)電價歷史數(shù)據(jù)，結(jié)合PSO算法和BP網(wǎng)絡(luò)優(yōu)點，提出一種PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，將電力系統(tǒng)電價的不確定性變?yōu)榭深A(yù)測性。Matlab仿真結(jié)果表明，PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型收斂速度快和預(yù)測精度高，可運用到未來實際電價預(yù)測當中。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；粒子群算法；優(yōu)化算法；電力負荷預(yù)測

中圖分類號：TM71 文獻標志碼：A 文章編號：2095-2945（2018）28-0015-03

Abstract： Power load forecasting is the main content of power system planning and operation， and the spot price is an important factor that affects the precision of load forecasting. This paper analyzes the historical data of electricity price in a power network and combines the advantages of PSO algorithm and BP network. A forecasting model of PSO-BP neural network is proposed. The PSO algorithm is used to optimize the initial weights and thresholds of the BP neural network， and the uncertainty of the electricity price in the power system can be changed into predictability. The Matlab simulation results show that the PSO-BP neural network prediction model has fast convergence speed and high forecasting accuracy， which can be applied to the actual electricity price forecasting in the future.

Keywords： BP neural network； particle swarm optimization； optimization algorithm； power load forecasting

引言

隨著智能電網(wǎng)的快速發(fā)展，短期電力負荷預(yù)測受到經(jīng)濟、環(huán)境和實時電價等多種不確定因素的影響，而實時電價是影響負荷預(yù)測精度的一個重要因素。因此，本文提出PSO-BP預(yù)測模型，通過分析某電網(wǎng)的實時電價和負荷數(shù)據(jù)，結(jié)合BP神經(jīng)網(wǎng)絡(luò)局部尋優(yōu)和粒子群算法全局尋優(yōu)的特點，用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的最初權(quán)值和閾值，然后不斷更新粒子位置、速度，直至搜索到最優(yōu)適應(yīng)度值，以此來提高網(wǎng)絡(luò)訓(xùn)練速度和預(yù)測精度，將電力系統(tǒng)電價的不確定性變?yōu)榭深A(yù)測性。

1 某電網(wǎng)負荷特性分析

如圖1所示，該電網(wǎng)8月1-5日負荷的周期性比較明顯，它們總的變化趨勢和出現(xiàn)峰值、谷值的時間也基本相同，其它天的負荷變化曲線也有相似規(guī)律。

如圖2所示，8月1-5日電價變化曲線有明顯的周期性且電價出現(xiàn)峰段、谷段的時段基本相同，且電價的變化曲線與負荷變化曲線有相似變化特點。負荷出現(xiàn)峰值時，電價也相應(yīng)較高；谷值時，電價也比較低。這樣便可以發(fā)揮電價的調(diào)節(jié)機制，峰值時電價較高使用戶減少用電，谷荷時電價較低鼓勵用戶用電，有削峰填谷的作用。

2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種包括隱含層的多層前饋網(wǎng)絡(luò)，能較好解決隱含單元連接權(quán)在多層網(wǎng)絡(luò)中的學(xué)習(xí)問題，其學(xué)習(xí)算法分為：信號向上傳遞和誤差向下傳遞。向上傳遞時，輸入樣本從輸入層經(jīng)過隱含層單元逐層處理后傳到輸出層。輸出層將實際輸出和期望輸出進行比較，如果誤差值大于設(shè)定值，則進入誤差向下傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷靠近期望輸出[4]。BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖3所示。

4.2 參數(shù)優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-3-1，隱含層、輸出層的傳遞函數(shù)分別為S函數(shù)‘tansig和線性函數(shù)‘purelin，訓(xùn)練目標為1e-5，學(xué)習(xí)速率為0.02，權(quán)值為18，閾值為4。PSO算法參數(shù)：迭代次數(shù)為100，最大速度為0.5，加速因子c1=2，c2=1.8，？棕max=0.9，？棕min=0.3，設(shè)定最小誤差為0.001，粒子數(shù)為40。PSO-BP電力負荷預(yù)測模型的精確度用絕對誤差（MAE）和相對誤差（MRE）檢驗。

4.3 PSO-BP預(yù)測模型分析

將訓(xùn)練好的樣本數(shù)據(jù)輸PSO-BP網(wǎng)絡(luò)預(yù)測模型，Matlab工具進行仿真后PSO-BP神經(jīng)網(wǎng)絡(luò)的適應(yīng)度曲線如圖5所示，群體最佳適應(yīng)度和當時的位置分別為1.1655，100，從圖中可以看出該模型有較好的收斂效果。

PSO-BP電力負荷電價預(yù)測結(jié)果如圖6所示，其中黑線代表的是8月6日電價實際值，藍線代表的是8月6日電價預(yù)測值，從圖中可以看出預(yù)測值和實際值的變化趨勢基本相同。

網(wǎng)絡(luò)訓(xùn)練結(jié)束后，PSO-BP神經(jīng)網(wǎng)絡(luò)的相對誤差曲線如圖6所示，可以看出PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差在0左右變化，相對誤差較小。網(wǎng)絡(luò)運行結(jié)束后，相對誤差為0.0163，MAE=1.58%，即本文運用的基于PSO-BP神經(jīng)網(wǎng)絡(luò)電價的預(yù)測模型具有較好的預(yù)測精度和準確度。

5 結(jié)束語

電力系統(tǒng)的復(fù)雜性間接造成了電力負荷預(yù)測的困難，文章通過分析某電網(wǎng)電價和負荷歷史數(shù)據(jù)，用PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對未來幾天的電力市場電價進行預(yù)測，將電價的不確定性變?yōu)榭深A(yù)測性，并對該預(yù)測模型進行驗證。結(jié)果表明，本文提出的PSO-BP預(yù)測模型訓(xùn)練速度快，預(yù)測精度高，可為未來電力市場中的電能交易價格提供技術(shù)參考。

參考文獻：

[1]宋超，黃民翔，葉劍斌，等.小波分析在電力系統(tǒng)負荷預(yù)測中的應(yīng)用[J].電力系統(tǒng)及其自動化學(xué)報，2002，14（3）：8-12.

[2]馬修元，段鈕鋒，劉猛，等.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的水焦?jié){管道壓降預(yù)測[J].中國電機工程學(xué)報，2012（05）：54-60.

[3]李東潔，李君祥，張越，等.基于PSO改進的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)手套手勢識別[J].電機與控制學(xué)報，2014，18（8）：87-93.

[4]李松，劉力軍，劉穎鵬.改進PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時間序列預(yù)測[J].計算機工程與應(yīng)用，2013，49（6）：245-249.

[5]潘昊，韓小雷.粒子群優(yōu)化的BP網(wǎng)絡(luò)學(xué)習(xí)算法研究及應(yīng)用[J].計算機工程與應(yīng)用，2008，44（9）：67-69.

[6]仲明月.基于改進粒子群算法的電力系統(tǒng)無功優(yōu)化[J].科技創(chuàng)新與應(yīng)用，2017（01）：230.

[7]張蕾，王蔚，孫凌濤.基于優(yōu)化粒子群算法的風(fēng)電場無功補償研究[J].科技創(chuàng)新與應(yīng)用，2017（14）：22-23.