章熙 郭翔 萬會江 吳佩澤 陳鵬 陳佳捷

摘 ? 要：文章選取江蘇省年用電量數(shù)據(jù)，提出了一個灰色系統(tǒng)理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的用電量預(yù)測方法。結(jié)果表明，該方法在用電量預(yù)測上精度較高，并且計算方便，可供有關(guān)部門參考。

關(guān)鍵詞：用電量預(yù)測;反向傳播神經(jīng)網(wǎng)絡(luò);灰色關(guān)聯(lián)分析

1 ? ?用電量的預(yù)測重要性介紹

地區(qū)電網(wǎng)用電量預(yù)測是指根據(jù)當(dāng)?shù)貍€人及企業(yè)用戶的電能需求，在對歷史數(shù)據(jù)進(jìn)行研究的基礎(chǔ)上，對地區(qū)用電量作出合理預(yù)估，供有關(guān)部門在規(guī)劃工作時參考。準(zhǔn)確的電量負(fù)荷預(yù)測有助于電網(wǎng)企業(yè)建立合適的運營策略，是制定電力發(fā)展規(guī)劃的重要依據(jù)。因此，用電量預(yù)測是電網(wǎng)企業(yè)十分重視的一項工作，預(yù)測結(jié)果可能直接影響企業(yè)效益。準(zhǔn)確的預(yù)測用電量對合理設(shè)計電網(wǎng)改造、錯峰用電、發(fā)電計劃有著重要的參考價值，有助于建立節(jié)能社會、促進(jìn)地區(qū)經(jīng)濟的可持續(xù)發(fā)展。

關(guān)于用電量的預(yù)測方法有很多，傳統(tǒng)方法有基于歷史數(shù)據(jù)統(tǒng)計的線性回歸預(yù)測算法[1]，時間序列預(yù)測方法[2]，灰度模型組合預(yù)測法[3]。近年來，隨著機器學(xué)習(xí)算法研究的不斷深入，出現(xiàn)了基于機器學(xué)習(xí)的算法，如神經(jīng)網(wǎng)絡(luò)[4]、支持向量機[5]、粒子群算法[6]、遺傳算法[7]等智能預(yù)測方法。本文采用灰色關(guān)聯(lián)度與反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，以江蘇省為例，利用Matlab軟件對地區(qū)用電量進(jìn)行預(yù)測、分析研究。

2 ? ?基于BP神經(jīng)網(wǎng)絡(luò)的地區(qū)用電量預(yù)測

本文提出一種灰色系統(tǒng)理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的地區(qū)用電量預(yù)測方法：先采用灰色關(guān)聯(lián)分析法對影響因素進(jìn)行篩選，選出關(guān)聯(lián)度大的因素作為輸入，以精簡BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型;再利用相關(guān)歷史數(shù)據(jù)，對預(yù)測模型進(jìn)行訓(xùn)練，實現(xiàn)對用電量預(yù)測的目標(biāo)。

2.1 ?用電量影響因素灰色關(guān)聯(lián)度分析

為了增加地區(qū)用電量預(yù)測的準(zhǔn)確性，本文選取了6個對用電量影響較為明顯的因素，即地方生產(chǎn)總值、人均收入、總發(fā)電量、能源消費總量、固定資產(chǎn)投資總額以及居民消費水平，并通過得到灰色關(guān)聯(lián)度大小判斷其相關(guān)程度。本文以江蘇地區(qū)為例，查閱《江蘇省統(tǒng)計年鑒》，得到從1999—2017年間6個影響因素和江蘇省年用電量的統(tǒng)計數(shù)據(jù)進(jìn)行定量分析。

利用灰色關(guān)聯(lián)度理論分析用電量的6個影響因素，得到每個影響因子與用電量之間的關(guān)聯(lián)度系數(shù)，具體步驟如下：首先，確定特征序列和因素序列，本文以用電量為特征序列，記為x0（t），選取影響用電量的6個因子為因素序列，記為xi（t）。其次，將因素序列進(jìn)行歸一化后，計算出因素序列與特征序列的差序列Δoi（k），找出兩極差最大值M與最小值m。最后，計算灰色關(guān)聯(lián)系數(shù)和灰色關(guān)聯(lián)度，特征序列與因素序列在第k點的關(guān)聯(lián)系數(shù)為：

利用上述公式計算得出年用電量與6個影響因素的相關(guān)聯(lián)程度如表1所示。從表1可以看出，江蘇省年發(fā)電量、居民消費水平、地區(qū)生產(chǎn)總值這3個因子與地區(qū)用電量之間關(guān)聯(lián)度相對較大，因此，將其作為決策變量輸入到BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型中。

2.2 ?BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)是一種誤差反向傳播的多層向前網(wǎng)絡(luò)算法，由輸入層、隱含層和輸出層3部分構(gòu)成，結(jié)構(gòu)如圖1所示。神經(jīng)網(wǎng)絡(luò)每層都是由多個可并行計算神經(jīng)元構(gòu)成，處于不同層的神經(jīng)元之間是完全互相連接的，相同層的神經(jīng)元之間無連接。地區(qū)年發(fā)電量、地區(qū)生產(chǎn)總值、居民消費水平作為BP神經(jīng)網(wǎng)絡(luò)用電量預(yù)測模型的3個輸入量，隱含層神經(jīng)元數(shù)量經(jīng)試錯法[9]和多次調(diào)試確定為10個，輸出層以預(yù)測用電量作為單一神經(jīng)元進(jìn)行結(jié)果輸出。

對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練是由已知樣本求得網(wǎng)絡(luò)的連接權(quán)值與閾值的過程，其主要思想是：首先，進(jìn)行網(wǎng)絡(luò)初始化，給各權(quán)值和閾值分別賦予一個區(qū)間（-1，1）內(nèi)的隨機數(shù)，設(shè)定誤差函數(shù)，給定計算精度值和最大學(xué)習(xí)次數(shù)。其次，對于一組輸入樣本，通過BP神經(jīng)網(wǎng)絡(luò)計算隱藏層神經(jīng)元的輸入、輸出和網(wǎng)絡(luò)的實際輸出。再次，計算誤差函數(shù)對輸出層、隱藏層各神經(jīng)元的偏導(dǎo)數(shù)，將輸出層的誤差逆向傳播至隱藏層，根據(jù)隱藏岑神經(jīng)元誤差更新網(wǎng)絡(luò)權(quán)值和閾值。最后，計算全局誤差，判斷網(wǎng)絡(luò)是否達(dá)到精度要求，當(dāng)誤差達(dá)到預(yù)設(shè)精度或?qū)W習(xí)次數(shù)大于設(shè)定的最大次數(shù)，則結(jié)束算法。

3 ? ?實驗與預(yù)測結(jié)果分析

進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，將江蘇地區(qū)1999—2017年的用電量樣本集分為訓(xùn)練樣本和檢驗樣本兩部分，其中，抽取1999—2013年14組作為訓(xùn)練樣本，2014—2017年4組數(shù)據(jù)作為檢驗樣本。隱含層傳遞函數(shù)設(shè)定為logsig，輸出層傳遞函數(shù)選定為tandig，訓(xùn)練函數(shù)為trainlm，學(xué)習(xí)函數(shù) 選用learngdm，網(wǎng)絡(luò)的性能函數(shù)為MSE[11]。各參數(shù)選取分別為：學(xué)習(xí)速率0.005，期望誤差0.000 01，最大學(xué)習(xí)次數(shù)1 000。模型經(jīng)過訓(xùn)練之后，利用檢驗樣本測試并驗證其準(zhǔn)確性和泛化能力，得到如表2所示的實際值與預(yù)測值對比結(jié)果。江蘇地區(qū)年用電量實際值與預(yù)測值對比如圖2所示。從預(yù)測數(shù)據(jù)與實際數(shù)據(jù)的對比來看，該BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型性能較好，相對誤差較小，完全能夠滿足決策的需求。

4 ? ?結(jié)語

本文采用BP神經(jīng)網(wǎng)絡(luò)技術(shù)，設(shè)計能夠預(yù)測地區(qū)用電量的數(shù)學(xué)模型。由于影響居民和企業(yè)用電量的因素較多，采用灰色理論模型研究年用電量與影響因素之間的關(guān)聯(lián)程度，進(jìn)而選取3個相關(guān)性較高的影響因子，提高預(yù)測模型的精度和可操作性。BP神經(jīng)網(wǎng)絡(luò)用電量預(yù)測模型利用誤差反饋修正參數(shù)，經(jīng)驗算該模型的預(yù)測結(jié)果和真實值之間具有較小的相對誤差和平均相對誤差，可以較為準(zhǔn)確地預(yù)測出用電量，具有預(yù)測精度高，方法簡單的優(yōu)點。

[參考文獻(xiàn)]

[1]李昉，羅漢武.基于多元線性回歸理論的河南省用電量預(yù)測[J].電網(wǎng)技術(shù)，2008（S1）：129-131.

[2]肖正，朱家明，祁孟陽，等.居民用電量的ARIMA時間序列預(yù)測[J].河南工程學(xué)院學(xué)報（自然科學(xué)版），2017（1）：48-52.

[3]余健明，燕飛，楊文宇，等.中長期電力負(fù)荷的變權(quán)灰色組合預(yù)測模型[J].電網(wǎng)技術(shù)，2005（17）：26-29.

[4]徐堯強，方樂恒，趙冬華，等.基于LSTM神經(jīng)網(wǎng)絡(luò)的用電量預(yù)測[J].貴州電力技術(shù)，2017（8）：25-29.

[5]潘峰，程浩忠，楊鏡非，等.基于支持向量機的電力系統(tǒng)短期負(fù)荷預(yù)測[J].電網(wǎng)技術(shù)，2004（21）：39-42.

[6]沈建新，楊善林.智能電網(wǎng)視角下粒子群優(yōu)化支持向量機的用電量預(yù)測[J].科技管理研究，2013（11）：235-238.

[7]薛必克，李陳龍，鄭亞先，等.遺傳算法在中長期電量最優(yōu)組合預(yù)測中的應(yīng)用[J].華東電力，2012（9）：1525-1527.

[8]曾波，劉思峰.基于灰色關(guān)聯(lián)度的小樣本預(yù)測模型[J].統(tǒng)計與信息論壇，2009（12）：22-26.

[9]沈花玉，王兆霞，高成耀，等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報，2008（5）：13-15.