基于群智能优化算法的电力预测方法研究

周庆华

（安徽工业职业技术学院 机电工程学院，安徽 铜陵244000）

0 引言

随着经济的发展和社会的进步，电力市场的建立和发展也有了进一步的变化，电力负荷预测已经影响到电力市场计划的制定［1］.近年来，大量的研究者对电力预测问题进行了研究，并提出了各种电力预测方法［2］.电力负荷预测的算法通常可分为两类：传统预测方法和人工智能方法.传统的方法中包括了单耗法［3］、统计分析法［4］和弹性系数法［5］.人工智能的方法有灰色预测法、专家系统法、优选组合法、模糊数学法、神经网络法和小波分析法等［6-8］.研究者们对这些算法有着各种不同的使用方式，并加以改进.传统预测方法的原理较为简单，由于其出现时间早、方法简单和使用较多，所以现在已经发展成熟.但是因为其采用的数学模型过于简单，就导致了不能及时准确地估计和调整参数，从而使得预测精度难以提高，这些预测方法的准确性已得不到很好的保证，而人工智能方法的数学模型较为复杂，相对来讲预测精度较高.其中群智能优化算法是一种新兴的计算技术，通过模拟生物的进化方法和行为，对自然界的生物进化过程或者模式行为进行模拟，达到了解决问题的目的［9］.因此，本文建立一种高阶的结合群智能优化算法的模糊时间序列电力负荷预测模型，在模糊化数据阶段，应用布谷鸟搜索算法代替传统的平均分割方法，采用新的自适应参数优化的和声搜索算法，计算高阶关系的权重影响因子，提高预测精度.

1 改进群智能优化算法与实验步骤概述

1.1 群智能优化算法的改进

通过对电力负荷数据的分析，采用模糊时间序列预测方法，结合群智能优化算法，建立电力预测模型.首先将原始时间序列模糊化处理，采用布谷鸟算法对数据进行优化，然后通过布谷鸟算法中的列维飞行更改聚类中心坐标，得到精度更高的模糊化结果，最后采用和声搜索算法确定高阶模糊时间序列所需的各阶权重因子，确定一个预测精度更高的模型.

1.1.1 原始时间序列的模糊化

时间序列是指将同一指标的一系列的统计数值按其发生时间的先后顺序排列而成的数列.在本文研究中，原始时间序列就是在具体的某一时间段中各个时间点的实际电力负荷数据.而此类的精确记录会丢失部分有用的信息，变量之间的关系难以用确定的函数来描述，所以需要用一种方法来挖掘出隐藏信息和特征.在处理时，就需要借助于模糊性，如何将原始时间序列数据转化成模糊时间序列是本文研究的一个问题.

1.1.2 群智能优化算法改进和扩展

本研究中拟采用的群智能优化算法为布谷鸟算法与和声搜索算法，其中布谷鸟算法中列维飞行用到的步长因子与和声搜索算法中的记忆库扰动概率等参数均需要考虑如何选择.计划采取多次实验尝试得到更优的值.

1.1.3 高阶模糊时间序列的权重确定

为了提高预测的准确度，拟采用高阶的模糊时间序列进行预测，因此，高阶的模糊关系对当前预测值影响的权重因子的确定也是本文主要研究内容之一.

1.1.4 模型建立

将群智能优化算法与模糊时间序列模型合理高效地结合在一起，同样是需要在具体的操作过程中不断地尝试改进，拥有充分的理论依据，但是理论并不是面面俱到的，实际的操作过程必然会出现一些理论不能涉及的问题.因此，采用布谷鸟算法进行数据区间划分，达到数据模糊化的要求，使用高阶模糊时间序列模型，建立模糊逻辑关系，采用优化的和声搜索确定高阶模糊逻辑关系对预测值的影响权重.

1.2 实验步骤

本文提出的高阶模糊时间序列模型如图1所示.

图1 算法模型框架图

（1）数据预处理.选取电力负荷数据作为研究对象，将电力负荷数据转化为百分比变化，同时将数据分为训练数据和测试数据.

（2）使用布谷鸟算法划分聚类区间.为了方便应用布谷鸟搜索算法，使用合适的区间边界点代表间隔.

（3）数据模糊化并构建模糊逻辑关系组.在步骤（2）中，得到了n个合适的区间间隔.假设将数据分作10个区间（n=10），即可以得到10个模糊集合.

（4）根据模糊逻辑关系组获得每一阶的预测值.采用高阶的模糊时间序列预测模型，利用前n个时刻的信息来进行电力负荷预测.

（5）将预测值去模糊化.在上一步中得到的预测值包含了很多模糊集，并且每一个模糊值都有其对应的真实值.

（6）使用和声搜索算法获得每一阶模糊关系的影响权重.在研究中使用高阶的模糊时间序列预测模型，因此，需要确定高阶模糊逻辑关系对当前预测值的影响权重.采用和声搜索算法来寻找最优的权重因子.

（7）模型评价.使用均方根误差（RMSE）来判断模型的性能.

2 实验结果

2.1 不同方法预测结果对比

为了评估所提出的模型，选择与模糊C均值聚类方法（FCM）、原始的均分区间方法和粒子群优化算法（PSO）三种智能优化算法进行对比.本文以2008年9月—2016年12月广东省的用电量作为研究对象.将2016年3—12月的数据作为测试数据，其他年份用电量作为训练数据进行相关实验.各种方法的预测结果如表1所示.通过计算各个预测方法的RMSE值来判断模型的有效性和可行性.

表1 不同算法求得的预测值

由表1可以看出，基于群智能优化算法的RMSE 值比其他方法的要小，说明本文所提出的算法优于其他算法.

2.2 不同方法的适应度函数对比

图2为群智能优化算法、粒子群算法、均分区间法和模糊C均值法的适应度函数比较结果.由图2可知，群智能优化算法有着较快的搜索速度，并且能得到更优的适应度值；模糊C 均值聚类方法具有不稳定性，它容易陷入局部最优，因此得到的区间值经常有变化；直接均分区间完全无法合适地将所研究的数据聚类；粒子群优化算法相较群智能优化算法明显存在速度慢、精度不够高的问题.

图2 群智能优化算法和其他方法的对比结果

2.3 不同方法的适应度对比

基于群智能优化算法还使用了自适应和声搜索的方法，不仅加快了运算的收敛速度，还实现了运算参数调整.为了验证群智能算法的自适应度得到有效的提升，分别对比了自适应和声搜索法、普通和声搜索算法HS、遗传算法GA和猫群算法的适应度CSO.图3为自适应和声搜索法和其他算法的对比.

图3 自适应和声搜索法和其他算法的对比

由图3 可知，这四种算法的收敛速度按快慢顺序排列为：猫群算法＞自适应和声搜索法＞遗传算法＞普通和声搜索法；最优适应度按大小排列为：自适应和声搜索法＞普通和声搜索法＞猫群算法＞遗传算法.尽管本文所提出的自适应和声搜索法的初始适应度最低，但是在迭代次数为30 时，适应度达到0.994 2，不仅具有良好的收敛速度还具有最高的适应度值，说明自适应和声搜索法的改进拥有更好的电力预测能力.

3 结语

本文提出并实现了一个基于群智能优化算法的高阶模糊时间序列电力预测方法.群智能优化算法结合了布谷鸟优化算法和和声搜索优化算法，将实际的电力负荷值进行模糊化处理，并构成模糊逻辑关系，利用高阶的模糊时间序列预测模型中的高阶模糊逻辑关系对下一时刻的电力负荷值的影响进行预测，最后利用和声搜索优化算法来寻找最优的权重影响因子，获得最后的预测值.经过与其他算法的对比，该预测模型的可行性、有效性和效率都优于其他方法.不仅可以通过对电力负荷的预测为电力部门提供有效的参考，为电力系统的有效工作提供有力的依据，还为社会经济的发展提供可靠的支持.