基于BP人工神经网络的改进广义预测控制的电网负荷预测

陈晶　周斌

摘 要：提出了一种基于BP人工神经网络的改进广义预测控制的电网负荷预测新方法.在对通过对改进广义预测控制分析的基础上，综合考虑了电网负荷预测的意义与组合模型技术的优越性，将比例积分型广义预测控制与BP人工神经网络相结合构成组合模型.组合后的预测模型有效地结合了两种算法的优点，弥补了广义预测在非线性系统控制里的不足，并进行仿真实验，证明该方法具有明显的优越性和现实可行性.

关键词：广义预测控制;比例积分控制器;BP人工神经网络;预测模型;负荷预测

中图分类号：TP301.6  文献标识码：A  文章编号：1673-260X（2019）11-0062-03

电力负荷预测是实现电力供需平衡的一项重要手段，对用户的供电质量、安全及经济性等都将产生直接影响;电力的发展对我国经济的快速发展有着极为重要的影响，工农业的发展会带来对电能的需求量的急剧增加，电网负荷会受经济的迅速发展而得到快速增加[1].通过精确的电力负荷预测，既可以实现对电力系统合理地调度、减小系统的峰谷差，合理安排发电和检修计划，缩减电力生产成本，同时又能保证电力系统的安全可靠运行.

目前，电力系负荷预测的方法可归结为两大类：传统预测方法和现代预测方法.传统预测法是通过对大样本数据采样的，预测的精准性受到大样本数据收集时精确性及真实性等条件的制约.现代预测方法可以和云计算等先进算法介结合，可以针对系统未来的信息进行合理预估，从而能有效地弥补传统预测方法在大样本数据采集过程中的不足.

1 广义预测控制算法

对工业生产过程进行预测分析时存在很多问题，其分析对象具有不确定性，数据是多变的，面临采样数据困难以及不能精准和真实的收集等问题.而广义预测控制算法（GPC）正好可以解决这些问题，它在广义最小方差控制方法基础上，采用多步预测，实现滚动优化，使系统的迟延变化能力、对负载的抗干扰能力及随机噪声等增强了.目前，在工业控制领域广义预测算法得到了广泛应用.

1.1 广义预测算法的数学模型

广义预测算法得数学模型具有描述系统参数数目少，计算量较小，容易在线实现等特点.这样的数学模型使设计系统更加简单，在鲁棒性与控制性上都显现出了它的优势.该算法用下面的离散差分方程來描述被控对象.

1.2 比例积分型广义预测控制

广义预测控制算法在鲁棒性和控制性上体现了明显的优势，可是计算量大，需求解Diophantine方程，实时性较差.为了解决这些问题，我们将广义预测控制算法与比例积分（PID）控制器两者的优点相结合，改进GPC算法.比例积分控制器作为一种最为常见的控制算法，它是基于对过去、现在及未来的信息预估的算法[1].

比例积分（PID）控制器包含优势可分为下面两个方面：结构和控制原理简单、易操作，能够使用在各行实际工业生产过程中的一种控制算法;控制器具有良好的适应性，其鲁棒性能也较强，能够适用于多个不同被控对象的控制过程，同时被控对象参数的变化对控制器的影响较小.PID控制器凭借着操作的简单性及其较好的控制效果而成功应用到实际工业生产过程里，并具有重要的应用意义.

增量式PID控制算法在以下三个方面具有明显的优势，一是算法在手自动切换时候容易达到无扰切换，同时它具有保存功能，能在故障发生情况下保存通道的输出信号;二是算法的输出形式不是对e（k）进行逐步累加，它的控制增量只与最近地k次取样相连，处理起来方便且效果好[2];三是算法的执行结构在抗干扰能力性能方面具有较强的效果.

改进后的广义预测控制算法的目标函数控制器的结构类型发生了改变，体现了比例积分和广义预测控制两者的优势.改进后的算法具有的鲁棒性更好，在工业的实用性上比没改进之前更高.并且通过仿真实验说明了两者结合后的模型比未改进前控制效果要好，仿真结果如图1和图2.

2 BP神经网络模型

BP（Back Propagation）神经网络是在1985年由Rume lhart等人组成的PDP小组提出来的一种新型神经元模型[3].下图3所示为其模型的结构.

BP人工神经网络的训练学习过程分为两大部分：第一部分是把已获得的学习样本输入到提前设定好的网络结构与之前的阈值及迭代权值，然后对神经元逐层计算获取输出值[4].另一部分是针对阈值及权值展开优化，由神经元末一层开始逐层至前计算阈值及权值对总误差的影响程度，从而优化阈值及权值的数值[4].其学习过程的流程图如图4所示：

3 BP人工神经网络与改进GPC组合电网负荷预测

改进广义预测控制具有模型预测、反馈校正及滚动优化三大特性并成功用于线性系统的分析，但在非线性系统里运用还有一定不足.针对这一问题，我们将在BP人工神经网络与改进GPC组合进行电网负荷预测，将BP人工神经网络模型当作成组合预测模型，控制器则是选用GPC控制器与BP人工神经网络组成的BP人工神经网络控制器[5].该模型利用样本对人工神经网络进行训练学习，然后对广义预测控制的目标函数优化得到最优控制率.BP人工神经网络经过相应地训练学习后获得一步预测输出结果，然后再逐层递推获得多步预测输出结果，同时依据优化算法对输出预测结果进行合理处理，最后获得BP神经网络预测控制器的输出.r表示输入信号，y表示输出信号，两者算法在组合后的控制系统构成如下图5所示.

组合后的BP人工神经网络的GPC系统也分为三个部分：模型预测、反馈校正及滚动优化.

4 负荷预测仿真结果分析

采用的仿真实验研究数据为被控对象，采用BP神经网络的比例积分型GPC控制器及模型相结合的预测方法来优化电网负荷输出值.以广义预测控制方法、改进的广义预测控制方法及广义预测与灰色模型组合的方法为对比仿真曲线，看到了BP人工神经网络的组合模型控制应用在电网预测时具有良好控制效果.

上图7中，线1表示历史数据序列值的输出曲线，线2表示比例积分型广义预测值的曲线，线3表示广义预测值的曲线，线4表示广义预测与灰色模型的预测曲线，线5表示基于BP人工神经网络的比例积分广义预测的曲线.图7仿真曲线对比结果表明，上述几种预测模型对电网负荷变化的预测趋势一致.其中，预测准确度最高，预测输出误差最小的为基于BP神经网络的比例积分型广义预测模型，该模型的预测输出曲线与历史曲线最为接近.BP人工神经网络与改进广义预测在电网负荷预测控制中对预测负荷精确度的提高和误差值的缩小具有明显的优势和具体可行.

参考文献：

〔1〕H.E.Liu. Research on Application of Generalized Predictive Control in Nonlinear System[A]. Science and Engineering Research Center.Proceedings of 2015 International Conference on Computer Science and Environmental Engineering（CSEE2015）[C].Science and Engineering Research Center：，2015：7.

〔2〕张娟.复杂热工过程预测PID控制方法的应用研究[D].山东大学，2010.

〔3〕王美娜，葛传生.浅议BP神经网络在建筑工程造价中的应用[J].黑龙江科技信息，2010（26）：288.

〔4〕黄戈，崔建武，陈晓芸，贾嵘.基于粒子群优化神经网络的水轮机振动故障诊断[J].电网与清洁能源，2009，25（04）：54-57.

〔5〕吴桂峰，王轩，陈东雷.基于优化神经网络的短期电力负荷预测[J].计算机仿真，2013，（11）：95-99+111.

〔6〕Yue Jing Zhang. Study on Compensation Based on Neural Network Control of GPC[J]. Advanced Materials Research，2012，1700（490）.