基于BP神经网络的电力短期负荷模拟研究

李伟, 陈凯阳, 梁锦来

(广东电网有限责任公司佛山供电局,广东,佛山 528000)

0 引言

随着电力市场的发展,电力短期负荷预测的精度应该达到更高水平,电力系统也要持续提升自身的安全性能,保障经济平稳健康运行[1]。短期负荷具有随机性和不确定性,传统的负荷预测方式,如时间序列法、专家系统法、逻辑分析法等预测结果存在较大不确定性。因此,针对电力短时负荷的非线性特征和时变性,采用能体现历史负荷与环境影响因素的预测方法来保证负荷预测精度成为一个主要研究方向[2-3]。BP神经网络是一种多维前馈网络,能够依据误差方向进行针对性传播训练,柔性网络结构以及非线性映射能力都非常强大。采取梯度搜索技术、梯度下降法,可以得到期望输出值以及网络实际输出值的均方差、误差最小值,因而在电力短期负荷的预测中得到关注[4-5]。如利用小规模BP神经网络建立日负荷预测模型进行负荷的多步预测[6]。

相关研究可以看出,BP人工神经网络应用于电力系统短期负荷预测,能较好地解决短时电力负荷非线性特征,但BP神经网络学习速度慢、易陷入局部最优解[7-8]。基于此,本文以BP神经网络为基础建立电力短时负荷预测模型,并引入遗传算法提升预测模型的收敛速度,实现负荷模型的全局最优解,保证负荷预测精度。

1 BP神经网络

BP神经网络是一种多层次前馈型传输神经网络,通过模拟生物神经系统对现实事物的映射关系进行模拟,实现传输中从输入值到输出值的任意非线性映射[9]。BP神经网络模型一般情况下采取输出层、隐含层以及输入层在内的3层网络结构,隐含层能够设定为一层,也可以设定为多层。图1是BP神经网络的相应结构图。

图1 BP神经网络结构图

在BP神经网络中,用最小二乘法拟合三层网络隐节点和输入节点、输出节点的关系式为

(1)

式中,m、n分别为输入层、输出层节点数,s为隐藏节点数。

利用BP算法进行学习时,提供了相关的输入信息,而且随机选取不大的数值,赋予阈值θ以及权重w。网络输入层与隐含层分别对应,将各个单元相应的输入值求出来,提供所需要的输出结果,在输出层未能符合期望输出值时,要通过逐层递归的方式,得到实际输出值以及期望输出值之间的差值,比较差值均方根E符合精度ε的规定与否。在E<ε的情况下,输出层的对应性输出值会被作为结果予以输出,否则需要持续迭代下去。如果训练次数抵达预期的训练上限,应该终止算法的运行,并重新开始相关的下轮训练程序。

2 改进的BP神经网络

2.1 遗传算法

遗传算法(GA)是通过推演遗传学机制和自然选择而开发出来的计算机算法模型[10],这种方法通过对自然进化过程进行模拟以搜索最优解。遗传算法从相关的问题潜在解集的种群开始,相关体表征均有本身的基因,若干基因在一起形成了染色体。由于基因编码工作非常复杂,因此采用了二进制进行编码,从表现型到基因型的转化就依赖这些映射编码[11]。初代种群形成以后,依据优胜劣汰的相关知识,一代代进行演化,以获得更优的近似解。每代中都要按照个体适应度选择针对性的个体,利用遗传算法的组合、交叉、变异等多种方法,组成相应的新解集,将得到的末代种群最优个体当成其近似最优解[12],遗传算法的相关流程如图2所示。

图2 遗传算法基本流程

算法的具体实现步骤如下。

(1) 将求解问题转化为一组编码串,每一码串为一个可行解,而且能够随机产生一组初始种群,其串长为m。

(2) 对编码串进行相应译码,获得寻优参数,求出其目标函数,明确其适应度条件。

(3) 从适应性条件获得集合的相关适应度值,按照适应度挑选候选解,排除不符合适应度函数的部分解集。

(4) 根据串码个体适应值的高低,执行选择、交叉、变异操作[13],得到新的候选解。

(5) 返回步骤(3),直到满足停止准则为止,串码不断进化为新一代个体,最终搜索到与问题最适应的个体,当成算法所需要的最优解输出。

因为遗传算法侧重按照部分特征方式实施的组合,算法的覆盖面很大,能够自行搜索相关的问题解,所以可以做到全局择优。在搜索染色体群的过程中,依据概率变迁规则为搜索方向提供指导,拓展到算法的相关应用范围,可以得到环境适应能力更强的基因结构[14]。

2.2 改进BP神经网络模型

传统BP神经网络算法具有优异的柔性网络结构,能较好地解决非线性问题。网络中各层神经元格式可任意设定。但算法的收敛速度慢,容易陷入局部最优解,网络结构不确定等。遗传算法具有优异的全局搜索能力,能对BP神经网络结构的学习连接权重和阈值进行训练优化,可以加快网络的收敛速度,获得全局的可行解,避免BP算法局部最小问题[15]。BP神经网络存在上文所述的3层网络机制,待样本确定后,网络输入层、网络输出层的点数达到一定数量,能够利用遗传算法对网络节点进行改进,神经网络可以提高泛化能力。

(2)

式中,w、v为节点w连接到节点v的连接权值,θ为节点阈值。

因为遗传算法采用目标函数本身的最大值,因而要把它作为针对性的适应度函数,此处应利用下列方法对该适应度函数进行界定:

(3)

在式(3)中带入适应度函数,得到优化后的相关模型数学表达式:

(4)

初始种群的组成涵盖了L个差异化的个体,以pm以及pc概率实施个体的变异、交叉操作:

(5)

(6)

(7)

式(7)中,w为最优权重值,θ为最佳阈值。

3 电网短时负荷预测仿真

根据改进的BP神经网络算法对某地区短时电网负荷进行预测,取预报日为2020年6月30日电网负荷为历史样本。设定模型个体数N为24个,进化迭代次数300次,基因编码长度46,a=b=0.56;学习步长n=0.01。

3.1 数据的预处理

负荷预处理时,首先考虑其24 h内的相似性,负荷序列用x(d,t)表示,t=0,1,…,23为一天24个时间段,d=1,2,…,N表示选取的N负荷数据,采用均方差V(t)和最大相对误差ρ(d,t)进行负荷预测性能评价,见式(8)、式(9):

(8)

式(8)中,E(t)为负荷均值,N为选取的数量。

(9)

3.2 仿真结果

通过MATLAB软件进行编程仿真,获得实际负荷曲线和改进BP算法的预测负荷曲线见图3。

图3 电网短时负荷预测曲线

从图3可以看出,采用改进BP算法的负荷预测与实际值相近,平均误差为0.32%,最大相对误差为3.26%,能有效满足电网负荷实际要求,并且采用改进BP算法的学习速度获得了很大程度的提高,多次的平均学习次数在5000～6000次之间,个体进化到200代便获得了全局最优个体解,而传统的BP算法学习次数在17 000～18 000次之间,个体进化至420代才获得最优解,进化速度获得了明显提升。采用改进BP算法模型既保证了负荷预测精度,又缩短了训练时间。

表1 不同算法模型的负荷预测性能比较

4 总结

针对电网短时负荷特征,传统BP算法存在收敛速度慢、易陷入局部最优解缺陷,本文提出一种基于改进的BP电网短时负荷预测模型,利用具有优异全局搜索能力的遗传算法,训练优化BP神经网络结构的相关学习连接阈值以及权重,根据适应度选取候选解,进行交叉、变异操作,加快网络的收敛速度,获得全局的可行解。将算法用于实际系统后的结果表明,改进的BP算法不但提高了网络学习速度,也保证了学习精度,为解决电网短时负荷提供了有利帮助。但需要注意的是,由于算法的样本为电网负荷数据,尚未考虑到电网中线路切断、更改进线方式等操作对负荷的影响,因此后续可引入电网突发操作变化后的负荷预测模型,有效提升负荷运行的预测能力。