基于遗传算法优化PNN的短期负荷预测

彭钟华

(深圳蓄能发电有限公司，广东 深圳 518115)

基于遗传算法优化PNN的短期负荷预测

彭钟华

(深圳蓄能发电有限公司，广东 深圳 518115)

为提高短期负荷预测精度，提出了一种基于遗传算法优化概率神经网络(PNN)的短期预测模型。首先对负荷数据异常值进行辨识与修正，建立PNN短期预测模型，在此基础上引入遗传算法(GA)，优化概率神经网络的平滑因子，改善了PNN模型的性能，优化后的PNN短期预测模型预测精度得到明显的提高。实例预测结果证实了该方法的有效性。

概率神经网络；平滑因子；遗传算法；短期负荷预测

1 引言

人工神经网络[1-2]自诞生以来，已经被广泛用于各个领域。其中，概率神经网络[3-4]作为神经网络的一支，大多被用于对数据进行分类[5]，但它在回归分析方面也有不错的表现，为进一步改善PNN模型的性能，国内外学者都做了很多努力[6-8]。本文将着重分析它的回归性能，应用于短期负荷预测[9]。

本文首先对历史负荷数据进行辨识与修正[10-12]，在此基础上，建立概率神经网络预测模型，该模型利用遗传算法优化其平滑因子参数，使得模型的预测精度显著提高。

2 异常数据的辨识与修正

异常数据的辨识与修正[13]，在短期负荷预测前期数据处理中起着举足轻重的地位。

假设L(i,j)表示第i天第j时刻的负荷数值。

(1)首先寻找第i天的模极大值点，若存在|L(i,j-1)|<|L(i,j)|∩|L(i,j+1)|<|L(i,j)|，则将L(i,j)作为模极大值点，用Lmax(i,j)表示。

(2)m天第j时刻负荷平均值为：

(1)

m表示所选负荷天数。

(3)对于含有异常的模极大值的点进行修正，如下式所示：

(2)

其中，K1和k2的值是根据经验而设定，本文分别取值为1.2和0.8。

3 基本理论

3.1 PNN简介

概率神经网络[13](Probabilistic Neural Network，PNN)源于径向基神经网络，是RBF神经网络一种发展形式。其继承了RBF神经网络的优点，运算速度快，相对于其它经典神经网络，PNN无需经过大量数据的训练，利用线性学习算法解决非线性算法所能解决的问题，且能保持教高的精度，能够达到实时处理数据的要求。

PNN由输入层、模式层、求和层和决策层构成。输入向量X=(x1,x2,…,xn)T，n为样本维数，输出m维向量Y=(y1,y2,…,ym)T。输入层是感知层，输入的训练数据样本经输入层处理后传递给其它层网络。模式层介于输入层和求和层之间，用于计算训练集与输入样本数据中各模式间的匹配关系，每个模式单元的输出值可表示为：

(3)

式中，δ表示分类的平滑因子，ωi为输入层与模式层间的连接权系数。

求和层对属于某类型的概率进行累计统计，根据式(3)计算得到估计概率密度函数，仅对所属单元的输出进行简单地相加。

输出层包含若干阈值辨别器，该层的神经元属于竞争神经元，接收求和层中所输出的各类不同的概率密度函数，按照PDF估计可以得到：

(4)

概率神经网络的结构图如图1所示。

3.2 遗传算法

自美国的Holland教授提出遗传算法[13-16](Genetic Algorithm,GA)以来，该算法已被应用于多个领域，包括：路径规划、调度问题、旅行商问题、模式识别、数据挖掘优化问题、水管网的优化设计、数据挖掘、模式分类、函数优化、图像识别、软件工程和任务分配等。该算法源于孟德尔的遗传学说和达尔文的进化论，是一种启发式群智能搜索算法。对于传统优化算法不能解决的优化问题，遗传算法可以得到较好的效果。

图1 PNN模型

遗传算法的算法基本流程结构图如图2所示。

图2 遗传算法基本流程图

4 基于GA优化PNN的短期负荷预测模型

4.1 预测模型实现

将训练日历史数据进行辨识与修正，对每个时刻点负荷序列，分别建立基于GA优化PNN的短期负荷预测模型。

基本预测步骤如下：

(1)将历史负荷数据进行异常值的辨识与修正。

(2)将历史负荷数据、历史气象数据和天气预测数据进行归一化处理。

(3)建立概率神经网络预测模型，以历史负荷数据和历史气象数据作为输入，以实际的负荷数据作为输入，训练PNN网络。

(4)利用遗传算法优化PNN的平滑因子。

(5)历史负荷数据和天气预报数据作为测试数据，计算出预测值，进行数据反归一化，得到最终的短期负荷预测值。

基于GA优化PNN的短期负荷预测模型基本流程图如图3所示。

4.2 应用算例分析

为了验证基于GA优化PNN的短期负荷预测模型的有效性，本文以某地区2015年10到11月份的电力负荷数据和气象历史数据和预测数据作为训练和测试数据，对每个时刻点分别建立预测模型，对2015年11月18日到24日每个时刻点负荷值进行预测，结果如下：

图4是11月20日该模型的预测结果与实际值的对比。

图3 基于GA优化PNN的短期负荷预测模型

图4 2015年11月20日模型预测结果

该天负荷预测相对误差曲线如图5所示。

表1为PNN和GA-PNN两种方法的预测结果误差分析。

表1中的误差计算采用的是平均相对误差，其公式为：

图5 2015年11月20日模型预测相对误差

日期PNNMAPE/%GA-PNNMAPE/%2015-11-183.75201.44942015-11-192.52142.14232015-11-203.21562.42842015-11-212.53931.93642015-11-223.44312.84312015-11-232.40581.72592015-11-241.72350.9273平均值2.80011.9218

(5)

5 总结

进行恰当的前期数据预处理，即对负荷数据中坏数据的辨识与修正，是后期预测模型高精度预测的前提条件。基于GA优化PNN的短期负荷预测模型(GA-PNN)，利用遗传算法优化PNN的平滑因子参数，使得PNN模型的预测精度得到改善，模型的可靠性得到提高。

[1] 王洪元，史国栋.人工神经网络技术及其应用[M].北京：中国石化出版社，2002.

[2] D.C.Park,M.A.EI-Sharkawi,R.J.MarksⅡ,L.E.Atlas and M.J.Damborg.Electric Load Forecasting Using An Artificial Neural Network[J].IEEE Trans.on power systems,1991,6(2)：442-449.

[3] Speeht D F.Probabilistic neural networks[J].Neural Networks,1990,3(1):109-118.

[4] Xiao-cong Li,Le Wang,Qiu-wen Li,Ke Wang,The short-term load forecasting based on grey theory and RBF neural network[C].APPEEC,2011:1-4.

[5] 蒋芸,陈娜,名利特，等.基于Bagging的概率神经网络集成分类算法[J].计算机工程,2013,40(5)：242-246.

[6] 赵佳白.概率神经网络的改进研究及其在股票预测上的应用[D].广州：暨南大学，2007.

[7] 黎群辉,张航.基于改进概率神经网络的交通标志图像识别方法[J].系统工程,2006，24(4)：97-101.

[8] 高甜容,于东，岳东峰.基于自适应误差修正模型的概率神经网络及其在故障诊断中的应用[J].系统工程,2013,19(11)：2824-2833.

[9] 孟明,卢建昌，孙伟.基于优化概率神经网络的电力负荷预测模型研究[C]//中国控制与决策学术年会论文集,2006，1427-1430.

[10] 田增尧，张明理，赵瑞.短期电力负荷预报中异常负荷数据的识别和修正[J].吉林电力，2004，(6)：21-23.

[11] CHEN Jiyi，LI Wenyuan，LAU Adriel，et al.Automated Load Curve Data Cleansing in Power Systems[J].IEEE Trans on Smart Grids，2010，1(2)：213-221.

[12] 陈亚红，穆钢，段方丽.短期电力负荷预报中几种异常数据的处理[J].东北电力学院学报，2002，22(2)：1-5.

[13] 王乐.基于灰色理论和神经网络的电力系统短期负荷预测研究及其比较[D].广西大学，2012.

[14] 王静，田丽，蒋慧.基于遗传算法的RBF网络的短期电力负荷预测[J].电子技术，15-16.

[15] 王武，张元敏，蔡子亮.基于遗传优化神经网络的电力系统短期负荷预测[J].继电器，2008，36(9)：39-47.

[16] 董辉.基于优化遗传算法的灰色-RBF 神经网络预测模型研究[J].新乡学院学报，2012，39(3)：237-240.

Short-term Load Forecasting Based on PNN Optimized by Genetic Algorithm

PENG Zhong-hua

(Shenzhen Pumped Storage Power Station Company，Shenzhen 518115,Guangdong,China)

In order to improve the prediction accuracy of short-term load forecasting,the method based on probability neural network(PNN)optimized by genetic algorithm(GA)is proposed in this paper.After data identification and correction of load,the PNN forecasting model is established,followed by the introduction of genetic algorithm optimize the smoothing parameters of PNN to improve the performance of the PNN and the optimized PNN short-term load forecasting model accuracy has been improved obviously.The effectiveness of the proposed method is verified by examples.

probability neural network;smoothing parameter;genetic algorithm;short-term load forecasting

1004-289X(2017)01-0049-04

TM72

B

2016-07-05

彭钟华(1987-)，男，从事抽水蓄能电站建设工作。