基于GA-BP神经网络的短期负荷预测

孟亚男,高思航,张心人境，周雪阳

(吉林化工学院 信息与控制工程学院，吉林 吉林 132022)

随着经济的发展，人们对于供热的需求也越来越普遍，对供热的安全性要求也越来越高.现今国内有些供暖系统还不完善，换热站温度控制大多采用手动调节的方式，这种方式通常根据人的经验对温度控制，其调节往往具有滞后性，不能准确反映供暖过程中的供需关系[1].供暖温度大于需求时，不利于能源节约；供暖温度小于需求时，用户室内温度得不到保障.相较于传统的控制方式，负荷预测在维持供热负荷和用户负荷方面明显更具有优势[2].负荷预测能够更好地反应耗热情况、可靠性高且更加易于管理，因此进行热负荷预测是十分必要的.

热负荷是受用户自身和外界环境的各项因素共同影响的，主要有用户建筑物自身的影响、气象因素的影响、随机因素的影响等[3].传统的热负荷预测方法有时间序列预测法和回归模型预测法.时间序列预测法缺点是只能进行短期的负荷预测；回归模型预测法对于换热站这种具有非线性、大滞后、时变性的模型预测准确度不高[4].智能负荷预测的方法有灰色系统预测、人工神经网络预测、专家系统等方法，其中人工网络法应用较为广泛.本文在使用BP神经网络的基础上，将GA加入，通过GA找出最优的权值和阈值，经过多次更新的最优值将其送入BP中.由于BP容易出现局部最小值的缺点，而加入了GA能在一定程度上改善这种缺点，并且在一定程度上提高了热负荷预测精度.

1 基本原理

1.1 BP神经网络概述

BP(back propagation)神经网络——也被称为误差反向传播网络，是目前应用最广泛的神经网络，学习方法为最速下降法[5].BP神经网络的训练方式当为正向时，输入参数经过处理后最终从输出层输出.当其输出参数与期望值差距较大时，需要进行误差反向传播，不断调整，直到达到期望的输出值.它的结构如图1所示.

图1 神经网络结构图

1.2 遗传优化算法概述

遗传算法是一种模拟自然遗传机制和生物进化理论的并行随机搜索优化方法[6].它的进化方式就像达尔文进化论中所说的“适者生存”原理，将此种方法引入到优化参数形成的编码串联种群中，生物遗传中也存在着选择个体，染色体交叉最后变异的一个过程，编码群亦是这个道理，通过选择适应度好的个体，使两个染色体进行交换，再进行变异的一个过程.对个体进行筛选，保留适应度值好的个体，淘汰适应度值差的个体，新的种群既继承了上一代的信息，又优于上一代.重复直至满足条件.

2 遗传优化算法优化BP神经网络

2.1 GA-BP原理

遗传算法优化BP神经网络分为3个部分：BP神经网络结构确定、遗传算法优化和BP神经网络预测[7-8].首先，BP中的初始权值、阈值由GA进行优化，GA通过一系列选择、交叉、变异找到其中最优适应度值相对应的个体，优化后再送入至BP神经网络中.最后网络进行数次训练后得到预测输出.

2.2 GA-BP算法流程

遗传算法优化的BP神经网络包括以下5种操作方式：

1.种群初始化

个体编码方式为实数编码，每个个体为一个实数串，由输入层与隐层连接权值、隐层阈值、隐层与输出层连接权值、输出层阈值4部分组成.

2.适应度函数

它是用来将所需数据训练好并送入BP神经网络，并且把训练数据预测误差作为个体适应度值F：

(1)

式中：y为期望输出；o为预测输出.

3.选择操作

选用轮盘赌法，即基于适应度比例的选择策略，每个个体i的选择概率P为:

fi=k/Fi,

(2)

(3)

式中，F为i的适应度值，由于F越小表示F越好，因此对它求倒数；N为种群个体数目.

4.交叉操作

在染色体中随机选择一个染色体与另一个染色体按一定的方式进行交叉得到一个全新个体的过程.

akj=akj(1-b)+aljb

alj=alj(1-b)+akjb,

(4)

式中，b是[0,1]间的随机数.

5.变异操作

选取第i个个体的第j个基因进行变异.变异的方式如下：

aij=aij+(aij-amax)*f(g)r>0.5

aij=aij+(amin-aij)*f(g)r≤0.5 ,

(5)

其中：f(g)=r2(1-g/Gmax).

GA-BP神经网络的程序流程图如图2所示.

图2 GA-BP神经网络流程图

3 GA-BP神经网络仿真

将BP与GA-BP对换热站进行负荷预测，并进行比对分析.本次以当日最高温度、当日最低温度、前一日的热负荷、当日天气情况以及风力级别作为模型的输入，当日热负荷作为输出进行负荷预测.取某换热站90组数据进行神经网络预测，任意抽取其中的80组作为训练集，剩下的10组作为神经网络的测试集，设置迭代次数为100次，种群大小设置为50，隐含层层数经试验选取7时为最优，交叉概率0.4，变异概率0.2，用MATLAB进行仿真，预测值与真实值仿真结果如图3所示.

样本

样本图3 预测值与真实值对比图

预测输出与期待输出的误差百分比如图4所示.

图4 误差百分比图

4 结 论

通过建立GA-BP神经网络模型并仿真显示，可以看出BP神经网络的真实值与预测值存在一定的误差，相较于后者经过GA优化的BP预测结果比前者更加准确.从误差百分比可以看出它的预测效果也比仅采用BP的模型要更好.一般来说，短期负荷预测误差一般不超过3%，中期负荷预测误差一般不超过5%[9-10].由结果可以看出GA-BP神经网络预测可以满足短期负荷预测的要求.接下来再设计负荷预测的控制方案和气候补偿方案，以实现供热管网更加科学，达到节能的目的.