基于量子免疫优化算法的BP神经网络短期负荷预测方法研究∗

2021-07-16符亚杰冯国成

电子器件 2021年3期

符亚杰，冯国成

(1.乌海职业技术学院，内蒙古乌海 016000；2.北方联合电力有限责任公司乌海热电厂，内蒙古乌海 016000)

电能作为世界通用能源之一，在当今社会的各个领域都充当着“支撑者”的身份，发挥着至关重要的作用。当社会需求的不断增加，电能的储存难问题日发严重，因此在短期内实现各个用电场所的供需平衡是电力系统安全稳定运行的一大问题[1－2]。负荷预测是对以往某时间段的用电规律进行统计，以此对未来某个相同时间段进行预测的过程[3]。而短期负荷预测则是对几个小时或者是几天这种相对时间较短的电力用户用电进行预测。基于电能储存难的问题，电力系统发展至今，短期负荷预测是国家电网安全稳定运行的重要手段之一，既可以有效解决电能供需问题，也可以避免储能装置中的不必要机械能损耗[4－5]。

然而，电力系统的电力用户庞杂且随机性较大，这无疑增加了短期负荷预测的难度。已有专家学者对这一领域进行了研究，文献[6]提出一种长期电力负荷的预测方法，通过早期的电力负荷趋势外推法对未来某一时刻进行预测，但是这一方法的抗扰性较差，随机因素影响较大。文献[7]提出一种灰色预测法，将数据进行建模，能够避免对数据的规律以及趋势的依赖，但是这一方法在数据离散下的精度较差。文献[8]采用Elman 神经网络算法对电力负荷进行预测，考虑了气象因素。BP 神经网络算法作为人工智能算法之一，具备强非线性映射能力、容错能力等优点，适用于短期负荷预测这一领域，但是这一算法同样具备易陷入局部极小值以及收敛速度慢等缺点[9－11]。因此在BP 神经网络算法的基础上，一些学者通过融入其他算法，对其进行改进。文献[12]提出用猫群算法结合BP 神经网络算法进行短期负荷预测。文献[13]提出特性分析的改进BP神经网络短期电力预测方法，将影响因素分为长期和短期两种，根据负荷特性进行划分，最终利用遗传算法对传统BP 神经网络算法中初始权值和阈值进行优化。还有其他一些改进算法也被专家学者进行了研究，在此不一一列举[14－20]。

目前已有文献还未将量子免疫优化BP 神经网络算法应用于短期负荷预测这一领域，本文在传统BP 神经网络算法的基础上，将量子免疫优化算法与BP 神经网络算法进行结合，能够有效弥补传统BP神经网络算法的初始权值与阈值选择问题，同时能够避免梯度下降法带来的收敛速度慢问题。

1 BP 神经网络算法

BP 神经网络算法的基本原理是通过对输入输出之间的建模，理论可以逼近任意连续函数，因此这一算法具备强非线性映射能力。BP 神经网络算法具备三个层面，如图1 所示，从左往右分别为输入层、隐含层以及输出层。外部信号经过输入层的神经元传递到隐藏层，然后对信息进行处理，处理完的数据再经过神经元最终变成输出信号。当输出与目标值之间存在误差时，则将误差反馈至神经元，目的是为了在不断的迭代过程中对网络进行修正，在允许迭代次数内达到最佳输出。

图1 BP 神经网络算法结构

将BP 神经网络算法应用于短期负荷预测这一问题，可以将图1 细节化为图2 所示的结构图。

图2 BP 神经网络算法结构

BP 神经网络的学习流程如图3 所示。

图3 BP 神经网络学习流程图

2 量子免疫优化算法

BP 神经网络算法通常采用梯度下降法进行最优解的求取，这无疑会增加计算负担，同时这对初始值的选取提出了很高的要求。本文选取量子免疫优化算法对BP 神经网络进行改进，量子免疫优化算法是将免疫系统概念引入量子算法之中，能够避免优化过程中的局部收敛问题，避免了冗余问题，提高了算法执行速度以及全局搜索能力。

量子免疫算法既没有复杂的操作运算，也不会降低免疫算法的性能，而同时兼具量子和免疫两者的优点，量子免疫优化BP 神经网络算法的流程示意图如图4 所示。