1、基于改进神经网络算法的电力负荷短期预测研究摘要：本文引入遗传算法对传统神经网络进行优化和改进，通过实验与比较，证明了所构建的电力负荷预测系统的准确度。 关键词：神经网络算法 电力负荷 短期预测 1. 引言 近年来 BP 网络以其独特的优势被运用到电力负荷预测中，运用 BP网络的预测方法，可以结合电力负荷的历史数据，针对这些数据不确定、非线性的特点，对未来的短期负荷进行预测，发挥了较好的作用。电力短期负荷预测是电网运营商为用户提供可靠服务的重要基础。传统的电力负荷预测包括许多被广泛采用的方法，例如 SVM 法、回归法等等。这些方法的优势在于实现难度低，便于操作，但是其预测精度往往难以满足电网运营
2、商的需求。传统的 BP 神经网络算法同样存在一些弱点，包括学习过程收敛速度慢、算法易陷入局部极小点和鲁棒性差等缺陷，对预测的效率与精度带来一些影响。本文引入遗传算法对其进行优化和改进，通过实验与比较，证明了所构建的负荷预测系统的准确度，在电力需求侧管理方面有着很好的实践意义，值得推广应用。 2.神经网络负荷预测概述 可以将电力系统短期之内的负荷看做是一个标准的时间序列。从算法的角度来讲，一般有两个类型的预测模式，第一种是基于参数的时间序列预测，第二种是基于非参数的时间序列预测方法。本研究所涉及的基于 BP 神经网络的电力短期符合预测属于基于非参数的序列预测，这种预测方式的优势在于不必再假设具体
3、的信号模型。所以，与基于参数的预测相比较，具有更好的使用范围。在电力短期符合预测中，可以把这些以时间序列存在的负荷数据作为历史数据，以历史数据来计算数据发展的未来趋势，这就涉及到数据序列之间的映射关系，因为 BP 网络的特性便于实现数据序列里的映射关系，所以十分适合于进行未来趋势的预测。本文引入 BP 神经网络，进行电力系统短期负荷的预测。 3.基于传统神经网络的负荷预测 电网负荷与历史数据及天气状况之间是非线性的关系。经过仔细对其进行关联分析，得到了影响较大的因子：温度、时段、节假日以及环境，本研究将一天的 24 小时分为四个时段，为不使函数作用在其取值范围的平坦区，以归一化预处理的方法，将
4、所采集的数据映射于 0.1，0.9区间。以一个星期为周期，把本星期之内的前 6 天作为训练数据，最后一天作为预测数据，如表 1 所示： 结合 Kolmogorov 算法，输入层有 12 个神经元，隐含层为 5 个节点，输出层中的神经元有 4 个。以传统的神经网络方法对 BP 网络进行训练，引入 Matlab 实现对实验数据的仿真分析，结果为：训练次数超过 1000次后，训练误差预测误差已经可以接受。 4.基于优化神经网络的负荷预测 传统的神经网络具有学习过程收敛慢、算法易陷在局部极小值以及鲁棒性差等缺陷，本文引入遗传优化算法对其进行改进。遗传算法能够在全局范围内以较快的速度找到最优解，收敛速度
5、较快。通过改善权值和阈值的确定过程，增强其收敛速度，并避免其陷在局部极小值。 遗传算法能够以逼近自然选择与自然基因的方法进行搜索，遗传算法一般有三个步骤，分别是选择、交叉与变异。本文引入遗传算法训练传统神经网络权值，具体的流程如下： （1）对权值进行编码操作，把其转换为步长是 l 的字符序列。 （2）确定序列的初始种群，通过将以上的字符序列进行编号，把所有的权值转换为一组数据，这些数据代表每一个个体，因此所有的数据便能够形成初始种群。 （3）确定适应度，把 BP 的输出误差经过运算得到其能量函数 E，适应度为 F = C/E。 （4）确定适应度之后，对上一代种群进行考察，取里面适应度较高的部分
6、（一般选取前十分之一的数据）直接投入下一代种群，其余的种群则处于待定状态。 （5）进行数据交叉，引入单点交叉模式，将概率定于 0.9。 （6）进行序列的变异，变异概率 P=0.02。 （7）终止条件是否满足，如果已经满足，则操作停止，不满足则返回步骤（4） 。 （8）结束过程。得到神经网络最优解，即权值和阈值。 同样以表 1 的负荷数据作为研究内容，从基本 BP 网络的误差曲线可知，传统神经网络训练次数超过 1000 次时，目标误差值 10-4 刚刚达到，收敛较慢，性能不佳；而粒子群优化后的 BP 网络则在第 19 次时满足了目标误差值，可见性能有较为明显的提升， 经过更少的迭代次数就使网络的
7、性能达到了要求。 本研究的仿真过程数据偏少，而在样本空间非常大的情况下，神经网络结构将变得复杂，此时的基于传统神经网络的预测收敛速度将会显著减慢，而优化之后的算法会体现出更加明显的优越性。此时可以通过对数据的处理来适当缩小规模，并进一步提升交叉概率，以保证更快的效率和更高的电力负荷预测准确率。 5. 结束语 本研究将遗传算法优化的 BP 算法应用于电力负荷预测，本文的成果对电力需求侧管理和提升服务品质、夯实企业核心竞争力具有比较好的实践意义和理论价值。新算法克服神经网络固有的缺陷，经仿真试验证明效果满意，可以满足短期负荷预测的需要。 参考文献： 1梁海峰，涂光瑜，唐红卫.遗传神经网络在电力系统短期负荷预测中的应用J.电网技术，2011，25（1）：49-53. 2牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用M.北京：中国电力出版社，2008. 3牛东晓，陈志业，刑棉，等.遗传神经网络优化预测方法研究及其应用J.华北电力大学学报，2011，28（1）：1-5.
