符亞杰,馮國(guó)成
(1.烏海職業(yè)技術(shù)學(xué)院,內(nèi)蒙古 烏海 016000;2.北方聯(lián)合電力有限責(zé)任公司烏海熱電廠,內(nèi)蒙古 烏海 016000)
電能作為世界通用能源之一,在當(dāng)今社會(huì)的各個(gè)領(lǐng)域都充當(dāng)著“支撐者”的身份,發(fā)揮著至關(guān)重要的作用。當(dāng)社會(huì)需求的不斷增加,電能的儲(chǔ)存難問(wèn)題日發(fā)嚴(yán)重,因此在短期內(nèi)實(shí)現(xiàn)各個(gè)用電場(chǎng)所的供需平衡是電力系統(tǒng)安全穩(wěn)定運(yùn)行的一大問(wèn)題[1-2]。負(fù)荷預(yù)測(cè)是對(duì)以往某時(shí)間段的用電規(guī)律進(jìn)行統(tǒng)計(jì),以此對(duì)未來(lái)某個(gè)相同時(shí)間段進(jìn)行預(yù)測(cè)的過(guò)程[3]。而短期負(fù)荷預(yù)測(cè)則是對(duì)幾個(gè)小時(shí)或者是幾天這種相對(duì)時(shí)間較短的電力用戶用電進(jìn)行預(yù)測(cè)?;陔娔軆?chǔ)存難的問(wèn)題,電力系統(tǒng)發(fā)展至今,短期負(fù)荷預(yù)測(cè)是國(guó)家電網(wǎng)安全穩(wěn)定運(yùn)行的重要手段之一,既可以有效解決電能供需問(wèn)題,也可以避免儲(chǔ)能裝置中的不必要機(jī)械能損耗[4-5]。
然而,電力系統(tǒng)的電力用戶龐雜且隨機(jī)性較大,這無(wú)疑增加了短期負(fù)荷預(yù)測(cè)的難度。已有專(zhuān)家學(xué)者對(duì)這一領(lǐng)域進(jìn)行了研究,文獻(xiàn)[6]提出一種長(zhǎng)期電力負(fù)荷的預(yù)測(cè)方法,通過(guò)早期的電力負(fù)荷趨勢(shì)外推法對(duì)未來(lái)某一時(shí)刻進(jìn)行預(yù)測(cè),但是這一方法的抗擾性較差,隨機(jī)因素影響較大。文獻(xiàn)[7]提出一種灰色預(yù)測(cè)法,將數(shù)據(jù)進(jìn)行建模,能夠避免對(duì)數(shù)據(jù)的規(guī)律以及趨勢(shì)的依賴(lài),但是這一方法在數(shù)據(jù)離散下的精度較差。文獻(xiàn)[8]采用Elman 神經(jīng)網(wǎng)絡(luò)算法對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè),考慮了氣象因素。BP 神經(jīng)網(wǎng)絡(luò)算法作為人工智能算法之一,具備強(qiáng)非線性映射能力、容錯(cuò)能力等優(yōu)點(diǎn),適用于短期負(fù)荷預(yù)測(cè)這一領(lǐng)域,但是這一算法同樣具備易陷入局部極小值以及收斂速度慢等缺點(diǎn)[9-11]。因此在BP 神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上,一些學(xué)者通過(guò)融入其他算法,對(duì)其進(jìn)行改進(jìn)。文獻(xiàn)[12]提出用貓群算法結(jié)合BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行短期負(fù)荷預(yù)測(cè)。文獻(xiàn)[13]提出特性分析的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)短期電力預(yù)測(cè)方法,將影響因素分為長(zhǎng)期和短期兩種,根據(jù)負(fù)荷特性進(jìn)行劃分,最終利用遺傳算法對(duì)傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法中初始權(quán)值和閾值進(jìn)行優(yōu)化。還有其他一些改進(jìn)算法也被專(zhuān)家學(xué)者進(jìn)行了研究,在此不一一列舉[14-20]。
目前已有文獻(xiàn)還未將量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于短期負(fù)荷預(yù)測(cè)這一領(lǐng)域,本文在傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上,將量子免疫優(yōu)化算法與BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行結(jié)合,能夠有效彌補(bǔ)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的初始權(quán)值與閾值選擇問(wèn)題,同時(shí)能夠避免梯度下降法帶來(lái)的收斂速度慢問(wèn)題。
BP 神經(jīng)網(wǎng)絡(luò)算法的基本原理是通過(guò)對(duì)輸入輸出之間的建模,理論可以逼近任意連續(xù)函數(shù),因此這一算法具備強(qiáng)非線性映射能力。BP 神經(jīng)網(wǎng)絡(luò)算法具備三個(gè)層面,如圖1 所示,從左往右分別為輸入層、隱含層以及輸出層。外部信號(hào)經(jīng)過(guò)輸入層的神經(jīng)元傳遞到隱藏層,然后對(duì)信息進(jìn)行處理,處理完的數(shù)據(jù)再經(jīng)過(guò)神經(jīng)元最終變成輸出信號(hào)。當(dāng)輸出與目標(biāo)值之間存在誤差時(shí),則將誤差反饋至神經(jīng)元,目的是為了在不斷的迭代過(guò)程中對(duì)網(wǎng)絡(luò)進(jìn)行修正,在允許迭代次數(shù)內(nèi)達(dá)到最佳輸出。
圖1 BP 神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)
將BP 神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于短期負(fù)荷預(yù)測(cè)這一問(wèn)題,可以將圖1 細(xì)節(jié)化為圖2 所示的結(jié)構(gòu)圖。
圖2 BP 神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)
BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)流程如圖3 所示。
圖3 BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程圖
BP 神經(jīng)網(wǎng)絡(luò)算法通常采用梯度下降法進(jìn)行最優(yōu)解的求取,這無(wú)疑會(huì)增加計(jì)算負(fù)擔(dān),同時(shí)這對(duì)初始值的選取提出了很高的要求。本文選取量子免疫優(yōu)化算法對(duì)BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),量子免疫優(yōu)化算法是將免疫系統(tǒng)概念引入量子算法之中,能夠避免優(yōu)化過(guò)程中的局部收斂問(wèn)題,避免了冗余問(wèn)題,提高了算法執(zhí)行速度以及全局搜索能力。
量子免疫算法既沒(méi)有復(fù)雜的操作運(yùn)算,也不會(huì)降低免疫算法的性能,而同時(shí)兼具量子和免疫兩者的優(yōu)點(diǎn),量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法的流程示意圖如圖4 所示。
圖4 量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)流程圖
具體實(shí)現(xiàn)步驟可以概括為:
(1)利用傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)算法對(duì)模型進(jìn)行選取輸入以及輸出信號(hào),建立模型;
(2)利用量子免疫優(yōu)化算法中的抗體編碼替換傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法中的權(quán)值;
(3)初始化量子免疫優(yōu)化算法種群,同時(shí)替換原種群;
(4)選擇輸入信號(hào)以及輸出信號(hào)的親和度函數(shù),同時(shí)計(jì)算親和度;
(5)計(jì)算出第一次的最優(yōu)解;
(6)刷新樣本,誤差反饋;
(7)重新迭代,迭代次數(shù)達(dá)到最大值或者誤差滿足要求后,計(jì)算結(jié)束,否則重復(fù)步驟4;
(8)將最終結(jié)果進(jìn)行輸出。
本文中的短期負(fù)荷預(yù)測(cè)得到某電力公司的電力數(shù)據(jù)支持,選擇該地區(qū)一個(gè)月的負(fù)荷情況,將溫度、天氣、日期以及歷史負(fù)荷當(dāng)做輸入樣本,利用量子免疫優(yōu)化算法進(jìn)行短期負(fù)荷預(yù)測(cè)。
電力負(fù)荷預(yù)測(cè)中,一般選擇平均相對(duì)誤差作為評(píng)判標(biāo)準(zhǔn),公式如下:
其中,Li和Li?分別為實(shí)際負(fù)荷和預(yù)測(cè)負(fù)荷。n是負(fù)荷數(shù)據(jù)的個(gè)數(shù)。
對(duì)樣本進(jìn)行歸一化處理,處理完的數(shù)據(jù)如表1所示,一共選取了連續(xù)十二天,每天24 h 的負(fù)荷數(shù)據(jù)。表1 中,1 表示晴天,0.5 表示陰天,0 表示雨天。
表1 某電力公司十二天歸一化負(fù)荷
為了驗(yàn)證本文所述方法的有效性,選擇了測(cè)試樣本為8 月10 日~8 月20 日共11 天的0:00~23:00 時(shí)之前的數(shù)據(jù),將其作為輸入,用于預(yù)測(cè)8 月21日的24 h 短期負(fù)荷預(yù)測(cè),結(jié)果如圖5 所示,能夠很清晰地看出量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)效果優(yōu)于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法。
圖5 同數(shù)據(jù)下不同方法的預(yù)測(cè)效果比較
如圖6 所示為傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法誤差收斂曲線圖,從波形中可以看出,迭代次數(shù)達(dá)到2 400 次還是沒(méi)有達(dá)到誤差的目標(biāo)精度,可以說(shuō)明傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法采用梯度下降法時(shí)的收斂速度慢,且在最大迭代次數(shù)內(nèi)不一定能夠達(dá)到目標(biāo)精度。
圖6 傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法收斂曲線
如圖7 所示為本文量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法的誤差收斂曲線,從圖中可以看出,在1 000 次迭代下就能收斂到目標(biāo)誤差精度,從而證明了本文所述方法的有效性與正確性。
圖7 量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法收斂曲線
針對(duì)電力系統(tǒng)安全穩(wěn)定運(yùn)行中的短期負(fù)荷預(yù)測(cè)問(wèn)題,本文提出采用量子免疫優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行短期負(fù)荷預(yù)測(cè),旨在避免傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)算法的收斂速度慢,精度差等問(wèn)題。從結(jié)果可以看出這一方法的有效性與正確性,大大提高了收斂速度與精度,加大了其工程實(shí)用化的進(jìn)度。