基于MIV和GA优化Elman神经网络的春节负荷预测

刘子良++徐群+李家辉+陈琛+李峰+安树怀+王雨+韩晓燕+++李军+杨继超

摘 要：春节作为中国的传统节日，群众集中返乡造成部分配变台区发生重过载现象，严重影响供电可靠性。精准的负荷预测可以帮助公司高效地开展春节保供电工作，确保节日期间居民用电平稳有序。文章对青岛市某一配变春节期间负荷特性进行分析，通过应用平均影响值进行输入变量的筛选，运用遗传算法对Elman神经网络初始阈值和权重进行优化，结合配变的额定参数，预测春节期间是否重载或过载。算理分析表明，该方法预测精度高，在工程应用中具备可行性。

关键词：春节负荷 负荷预测 Elman神经网络 应用平均影响值 遗传算法

中图分类号：TP39 文献标识码：A 文章编号：1672-3791（2017）06（a）-0041-05

Abstract：As China's traditional festivals， the masses focus on returning home caused by part of the distribution zone heavy overload phenomenon during the Sprint Festival， a serious impact on power supply reliability. Accurate load forecasting can help companies to carry out the work of the Spring Festival to ensure that the residents during the holiday season is stable and orderly. In this paper， the load characteristics during the Spring Festival in Qingdao are analyzed. The input variables are selected by applying the Mean Impact Value. The genetic algorithm is used to optimize the initial threshold and weight of the Elman neural network. According to the parameters of transformer， predict if it is overloaded. The arithmetic analysis shows that the method has high accuracy and is feasible in engineering application.

Key Words：Spring festival load；Load forecasting；Elman neural network；Mean impact value；Genetic algorithm

目前電力企业开展负荷预测主要集中在35 kV及以上的主网设备，或地区总负荷，对于10 kV配变的负荷预测，特别是在像春节这样特殊节假日期间的负荷预测研究较少。作为中国传统节日，春节期间保证居民安全稳定用电是电力企业重要的社会责任，因此，做好春节期间配电台区的负荷预测工作，对制定配电变压器重过载的应对措施，防止配电台区设备损坏，保证居民安全、可靠用电具有十分重要的意义。目前，负荷预测的理论和方法较多，例如：时间序列、回归分析、灰色模型、支持向量机等。这些方法模型简单易用，但预测精度普遍较低，难以满足负荷预测的要求。随着人工智能技术的发展，人工神经网络技术广泛应用于负荷预测，并逐渐成为主要方法之一。但单纯的人工神经网络受制于初始权值的随机选择，网络的收敛性和训练时间不稳定，且很容易陷入局部极值点，泛化能力不强。

笔者对多台配变春节期间的负荷特性进行详细分析，经过大量实验验证发现春节期间的配变负荷很大程度依赖于历史数据，年周期性较强，因此，决定采用反馈式神经网络，用MIV筛选作用显著的输入变量，用遗传算法优化网络初始权值阈值，选取除夕至正月初六为预测周期，对配变进行负荷预测。

1 基本理论

1.1 Elman神经网络模型

Elman神经网络是典型的反馈式神经网络，一般分为四层：输入层、隐含层（中间层）、承接层和输出层。网络模型如图1所示。输入层、隐含层、输出层的连接类似于前馈式网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又叫上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值并返回给网络的输入，可以认为是一个一步延时算子。其特点是对历史状态的数据具有敏感性，内部反馈机制增强了网络自身处理动态信息的能力，达到动态建模的目的，非常适合配变春节期间的负荷预测。

式中，y为m维输出结点；x为n维中间层结点；u为r维输入结点；xc为n维反馈状态向量；w 3为中间层到输出层连接权值；w 2为输入层到中间层连接权值；w 1为承接层到中间层的连接权值；g（*）为输出神经元的传递函数，是中间层输出的线性组合；f （*）为中间层神经元的传递函数。

1.2 遗传算法

Elman神经网络的学习结果对初始权向量异常敏感，初始连接权重随机选取，一旦取值不当，极易引起网络的振荡，不收敛或训练时间过长，无法满足精度要求。遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。通过实验结果表明，该方法应用于春节期间配变负荷预测是有效可行的，具有工程实施价值。