基于混合pi-sigma网络的短期电力负荷预测

2015-01-16李璇

科技视界 2015年27期

李璇

（华北科技学院电子信息工程学院，河北三河101601）

0 引言

负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因素，在满足一定精度要求的条件下，确定未来特定时刻的负荷数据，其中负荷是指电力需求量（功率）或用电量。负荷预测是电力系统经济调度中的一项重要内容，是能量管理系统的重要组成部分。

近年来，模糊神经网络已被应用于电力负荷预测[1-2]。但是，常规模糊神经网络与神经网络用于预测时存在的问题是预测结果不确定性，即多次重复预测结果不尽相同，有时分散性很大。

本文提出了一种新型混合pi-sigma模糊神经网络预测短期电力负荷预测模型，其特点是采用回归预测方法进行预测；模型参数初始值为确定值；结论部分为输入变量的线性组合；采用代数运算取代模糊运算；在线调整模糊隶属度函数，容错性和鲁棒性强，预测结果确定等。

1 混合pi-sigma模糊神经网络

该网络实现的模糊模型辩识，可方便地在线修正前提参数和结论参数。很适合于复杂系统的模糊预测和控制。为方便神经网络的学习，各模糊子集的隶属函数均为高斯型，即混合型pi-sigma神经网络可以实现模。其中，模糊模型自动更新，而且能不断修正各模糊子集的隶属度函数，实现自适应模糊建模，从而可以很容易地确定网络结构及参数，使模糊建模更具合理性。

1.1 网络结构

混合pi-sigma模糊神经网络是实现高木-关野系统的一种新型模糊神经网络。常规前向型神经网络只含有求和节点，难以处理一些复杂问题。而在混合pi-sigma网络中，将模糊推理中的取小运算改为代数乘积运算。以一个n输入/单输出的混合型pi-sigma模糊神经预测模型为例，结构如图1所示，其中，S、P和（·）分别表示相加、相乘和相乘运算[3]。

图1 混合pi-sigma模糊神经网络结构图

混合型pi-sigma神经网络按照T-S模糊模型的思路，定义系统的模糊规则：

式（1）中，pih为结论多项式的系数，h=0,1,2,…,n，i=1,2,…,m，Ri是第i个模糊规则。

对于输入向量x=(x1,x2,…,xk)T，模糊系统的各规则输出y表示为：

式（2）中，m为模糊规则数，wi为模糊取小运算结果，μA为隶属度函数。各模糊子集的隶属函数取高斯型，即：

图1中每个变量的模糊集均取为[PL、0、NL]，即正大、零、负大，这样可以简化处理过程又可加快速度。该网络输入经模糊化、模糊推理、反模糊到输出过程物理意义清晰，避免了因神经网络“黑箱”特性而难以理解其物理本质。

1.2 网络学习算法

设网络期望输出为yd，定义函数：

式（4）中，dn为输出层第n个结点的期望输出；yn为网络实际输出，P为样本数，h(h=1,2,…,P)。根据梯度下降法，优化算法

其中j=1,2,3。对ci

j,bij，有：

式中，μp,β为学习速率，αp,αc,αb为动量因子，起平滑滤波作用。

2 短期电力负荷的预测模型

数据来源：EUNITE（欧洲人工智能组织）国际电力负荷预测竞赛数据[4]。采用1999年1月31天数据进行实验，按每天24小时，每隔30min采集一个数据，则每天产生48个数据。如果将数据变成具有1488个点的顺序时间序列，可以看出，均呈现一定的规律性。按照一定的规律设计预测模型，可以收到更好的效果。

预测模型设计：

构建回归预测的混合pi-sigma模糊神经网络模型。模型结构设计：将1-6日数据作为网络输入，第7天数据作为网络输出，即利用48个样本训练混合pi-sigma模糊神经网络。因此网络输入为6个变量，即图1中的n=6，输出为一个变量。根据电力负荷的周期性规律，以一周为周期计算，取第8～13天数据作为检验样本网络输入，预测间隔一周的数据，即第14天的目标数据。

隐层选取依据：每个变量有3个模糊子集，每两个变量模糊取小运算有9个结果，因此隐层取9个，因此网络模型结构为6-9-1。

隶属度中心c0=[c01c02c03]=[-5 0 5]，灵敏度参数：b0=[b01b02b03]=[20 20 20]，结论参数 p(i)的初始值为 p(i)=0.1*ones(9,1)，i=0,1,2,…,6。

3 仿真实验及结果分析

利用所提短期电力负荷的回归预测模型进行仿真实验。参数设置：学习速率取0.1、动量因子根据实验效果取0.005。实验表明，动量因子对因此结果影响较大。训练误差精度设置为0.0002。

采用平均绝对百分比误差指标评价网络性能

式中xi为实际值，x′i为预测值，N为检验样本数。

编写并运行MATLAB程序获得预测结果。第14日48个数据预测MAPE=1.5313%，预测精度值大于3%的有7个（出现在前12小时），最大平均绝对百分比为4.6280%＜5%。14日后12小时预测数据平均绝对百分比见表1所示的FNN列，可以看出。所有预测数据精度达到二级以上（5%，一级为1%），能很好地满足实际工程应用要求。