基于BP神经网络的电力短期负荷模拟研究.pdf

Microcomputer Applications Vol.39,No.9,2023文章编号：10 0 7-7 57 X（2 0 2 3)0 9-0 2 0 7-0 3开发应用基于BP神经网络的电力短期负荷模拟研究微型电脑应用2 0 2 3年第39 卷第9 期李伟，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52 8 0 0 0）摘要：电力负荷日常运行过程中存在随机性和不确定性，对短时负荷难以实现精准预测。为此，以BP神经网络为基础，建立网络模型进行电网短时负荷预测。由于BP算法收敛速度慢、易陷入局部最优等缺陷，引入遗传算法对网络结构的学习连接权重和阈值进行训练优化，根据适应度来选取候选解，再进行交叉、变异操作，加快网络的收敛速度，获得全局的可行解。将改进的模型应用于实际电网短时负荷预测中，结果表明改进的模型负荷预测平均误差为0.32%，最大相对误差为3.2 6%，平均学习次数50 0 0 6 0 0 0 次之间，短时负荷的预测可靠性和准确性、运算效率大大提高，满足电力负荷预测要求。关键词：电网负荷；负荷预测；BP神经网络；遗传算法；电网运行中图分类号：TP391文献标志码：AStudy on Power Short-term Load Simulation Based on BP Neural NetworkLI Wei,CHEN Kaiyang,LIANG Jinlai(Foshan Power Supply Bureau of Guangdong Power Grid Company,Foshan 5280o0,China)Abstract:Due to the characteristics of power load randomness and uncertainty,the accurate prediction of short-time load is dif-ficult.BP neural network is used for short-time load prediction.The BP algorithm has slow convergence speed and is easy tofall into the local optimal solution defects,hence,the genetic algorithm is introduced to train and optimize the learning connec-tion weights and threshold of the network.It can speed up the convergence speed of the network,and obtain global feasible so-lutions.The improved model is applied to the actual short-time load prediction of the power grid,the result shows that the av-erage error of the improved model load prediction is 0.32%,the maximum relative error is 3.26%,and the average learningnumber is between 50006000 times.The prediction reliability,accuracy and operational efficiency of the short-time load aregreatly improved,which meets the requirements of power load prediction.Key words:power grid load;load prediction;BP neural network;genetic algorithm;power grid operation本文以BP神经网络为基础建立电力短时负荷预测模型，并0引言引人遗传算法提升预测模型的收敛速度，实现负荷模型的全随着电力市场的发展，电力短期负荷预测的精度应该达局最优解，保证负荷预测精度。到更高水平，电力系统也要持续提升自身的安全性能，保障1BP神经网络经济平稳健康运行 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、易陷人局部最优解 7-8 。基于此，作者简介：李伟（197 9一），男，本科，高级工程师，研究方向为电力系统调度运行；陈凯阳（198 9一），男，硕士，工程师，研究方向为电力系统调度运行；梁锦来（1991一），男，本科，工程师，研究方向为电力系统调度运行。207.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1BP神经网络结构图期望输出向量（导师信号)Microcomputer Applications Vol.39,No.9,2023在BP神经网络中，用最小二乘法拟合三层网络隐节点和输人节点、输出节点的关系式为s=V0.43mm+0.12n+2.54m+0.77n+0.35+0.51(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，提供了相关的输人信息，而且随机选取不大的数值，赋予阈值以及权重w。网络输人层与隐含层分别对应，将各个单元相应的输人值求出来，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符合精度的规定与否。在Ee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。确定参数集参数集编码种群初始化适应值调整评价群体是满足停止规则结束选择、交叉、遗传操作变异操作图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。（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。开发应用（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，容易陷人局部最优解，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。min E(w,u,o,r)=(s.t wERxp,uE Rix,oE R,rER式中，w、u 为节点w连接到节点的连接权值，为节点值。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：F(w,u,0,r)=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：max F(w,u,0,r)形成新群体(s.twERmxp,uERox,oER,rER初始种群的组成涵盖了L个差异化的个体，以pm以及力。概率实施个体的变异、交叉操作：p。=a/(fm x-)pm=b/(fmax-J)式（5)和式（6)中，a和b为小于1的常数，fmax和f分别为最大适应值和平均适应值。采取变异、重复交叉等多种手段，逐步让群体演进到第K代。解码第K代中达到最高适应度的相关个体，得到相应的连接权以及节点数量，并当成相应的模型输人，获得新个体的适应值，判定是否满足终止条件，将网络权值和值最优解对应的最优个体基因作为最终负荷预测解。获得优化后的求解关系式：N21k=N1t=1Is.twERmxp,ERpx,oER,rER式（7)中，w为最优权重值，0 为最佳阅值。.208.微型电脑应用2 0 2 3年第39 卷第9 期N2k=1 1=11N(2)(3)(4)(5)(6)(7)Microcomputer Applications Vol.39,No.9,20233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2 0 2 0 年6 月30 日电网负荷为历史样本。设定模型个体数N为2 4个，进化选代次数30 0 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2 4h内的相似性，负荷序列用（d，t)表示，t=0,1，2 3为一天2 4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p(d,t)进行负荷预测性能评价，见式（8)、式(9)：2(a(d.)-E():V(t)=1式（8)中,E(t)为负荷均值，N为选取的数量。p(d,)=La(d.)-Eo13.2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。1100预测值1000F900MN/800700F6005004000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3.2 6%，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50 0 0 6000次之间，个体进化到2 0 0 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 0 0 0 18 0 0 0 次之间，个体进化至42 0 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模型均方差最大相对误差/%改进BP网络0.32BP网络0.964总结针对电网短时负荷特征，传统BP算法存在收敛速度慢、易陷人局部最优解缺陷，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，也保证开发应用了学习精度，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，因此后续可引人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。1赵兵，王增平，纪维佳，等.基于注意力机制的CNN-GRU短期电力负荷预测方法 J.电网技术，2 0 19，43(12):4370-4376.2 王克杰，张瑞.基于改进BP神经网络的短期电力负荷预测方法研究J.电测与仪表，2 0 19，56（2 4）：(8)115-121.3龚飘怡，罗云峰，方哲梅，等.基于Attention-BiLSTM-(9)LSTM神经网络的短期电力负荷预测方法 JI.计算V机应用，2 0 2 1,41(S1)：8 1-8 6.4张思扬，匡芳君，周文俊.基于Spark和深度神经网络的短期电力负荷预测方法.湖北电力，2 0 2 1，45(2):84-90.5徐晴，周超，赵双双，等.基于机器学习的短期电力负荷预测方法研究J.电测与仪表，2 0 19，56（2 3）：70-75.实际负荷6 毛雪娇，谈健，姚颖蓓，等.基于长短期记忆神经网络的饱和负荷预测方法及应用 J.水电能源科学，2019,37(6):192-195.7 袁保平，徐毅，夏轶炜，等.基于神经网络和混沌特征48121620时间/h3.264.68微型电脑应用2 0 2 3年第39 卷第9 期参考文献24选择的短期负荷预测方法 J.微型电脑应用，2 0 2 1，37(3):87-90.8张武军，程远林，周捷，等.基于特性分析的改进BP神经网络短期电力预测方法.湖南电力，2 0 2 0，40(3):17-22.9 魏明奎，叶葳，沈靖，等.基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法J.现代电力，2 0 2 1,38(1)：17-2 3.10李丹，张远航，杨保华，等.基于约束并行LSTM分位数回归的短期电力负荷概率预测方法 .电网技术，2021,45(4):1356-1364.11张宁.基于EEMD和极限学习机的短期电力负荷预测模型 J.贵州大学学报（自然科学版），2 0 17，34相关系数(6):39-42.0.99412康义，师刘俊，郭刚.基于WT-IPSO-BPNN的电力系0.981统短期负荷预测 JI.电气技术，2 0 2 1，2 2（1）：2 3-2 8.13姜海洋，周芮冰，王烁罡，等.呼和浩特地区电网基于大数据的BP神经网络短期负荷预测 J.电力大数据,2 0 2 0,2 3(11)：47-54.14刘晓悦，魏宇册.基于改进灰色关联分析的BA-BP短期负荷预测J.科学技术与工程，2 0 2 0，2 0（1）：223-227.15王增平，赵兵，纪维佳，等.基于GRU-NN模型的短期负荷预测方法J.电力系统自动化，2 0 19，43（5）：53-58.（收稿日期：2 0 2 1-10-0 8）.209.