基于GA-BP神经网络的微电网短期负荷预测.pdf

基于G A B P神经网络的微电网短期负荷预测苏磊(南京国电南自电网自动化有限公司,江苏 南京 )摘要:针对微电网负荷功率的不确定性,提出了一种基于遗传算法优化的B P神经网络模型G A B P,能够快速、有效地建立非线性输入与输出之间的关系,对微电网短期负荷进行预测.通过对遗传算法优化的B P神经网络和传统B P神经网络分别建立微电网负荷预测模型,对某地区的微电网短期负荷进行MA T L A B仿真和计算,对种模型的未来 h短期负荷预测进行比较,验证了种预测方法的有效性和可行性.由仿真结果可知,采用遗传算法优化的B P神经网络预测的平均相对误差为 ,相较于传统的B P神经网络拥有更好的预测精度.关键词:微电网;短期负荷预测;神经网络;遗传算法中图分类号:TM D O I:/j c n k i d g j s S h o r tT e r mL o a dF o r e c a s t i n go fM i c r oG r i dB a s e do nG A B PN e u r a lN e t w o r kS UL e i(N a n j i n gG u o d i a nN a n z iP o w e rG r i dA u t o m a t i o nC o,L t d,N a n j i n g ,C h i n a)A b s t r a c t:A i m i n ga t t h eu n c e r t a i n t yo f l o a dp o w e ro fm i c r og r i d,t h i sp a p e rp r o p o s e saB Pn e u r a l n e t w o r km o d e lG A B Pb a s e do ng e n e t i ca l g o r i t h mo p t i m i z a t i o n,w h i c hc a nq u i c k l ya n de f f e c t i v e l ye s t a b l i s ht h e r e l a t i o n s h i pb e t w e e nn o n l i n e a r i n p u t a n do u t p u t,a n dp r e d i c t t h es h o r t t e r ml o a do fm i c r og r i d T h r o u g ht h ee s t a b l i s h m e n to fm i c r og r i dl o a df o r e c a s t i n gm o d e l sb a s e do nB Pn e u r a ln e t w o r ko p t i m i z e db yg e n e t i ca l g o r i t h ma n dt r a d i t i o n a lB Pn e u r a ln e t w o r kr e s p e c t i v e l y,t h es h o r t t e r ml o a do fm i c r og r i d i na c e r t a i na r e a i s s i m u l a t e da n d c a l c u l a t e db yMA T L A B T h e s h o r t t e r ml o a d f o r e c a s t i n go ft h en e x t h o u r so f t h et w om o d e l s i sc o m p a r e d,w h i c hv e r i f i e st h ee f f e c t i v e n e s sa n df e a s i b i l i t yo ft h et w of o r e c a s t i n gm e t h o d s T h es i m u l a t i o nr e s u l t s s h o wt h a t t h e a v e r a g e r e l a t i v e e r r o r o fB Pn e u r a l n e t w o r ko p t i m i z e db yg e n e t i c a l g o r i t h mi s ,w h i c hh a sb e t t e rp r e d i c t i o na c c u r a c yt h a nt h e t r a d i t i o n a lB Pn e u r a l n e t w o r k K e yw o r d s:m i c r o g r i d;s h o r t t e r ml o a df o r e c a s t i n g;n e u r a l n e t w o r k;g e n e t i ca l g o r i t h m收稿日期:作者简介:苏磊(),硕士,研究方向为神经网络与深度学习在电力系统中的应用.引言微电网是由分布式电源、储能装置、能量转换装置、相关负荷、监控和保护装置等相关关键设备组成的小型发配电系统.它既可以与大电网并网运行,亦可脱离大电网孤网运行.作为一种新型的发配电系统,微电网在与大电网间灵活并列运行方式中起到“削峰填谷”的作用,可以实现分布式电源的便捷接入和高效利用,提高分布式电源为电网和用户带来的价值和效益.随着微电网技术的广泛应用,微电网短期负荷预测作为微电网能量管理系统的重要组成部分,其作用也日益重要,不仅是对微电网电力系统进行规划设计的基础,也是微电网运行经济性和可靠性的保障.反向传播(B P)神经网络因为结构和操作简单,同时能够充分逼近任意复杂的非线性关系,在短期负荷预测中的应用较多,但其在训练中易收敛于局部最优解,很难得到全局最优解,而采用遗传算法(G A)优化后的B P神经网络,可以降低陷入局部最优解的概率,从而达到预测微电网短期负荷的目的.本文采用遗传算法对B P神经网络结构的权值和阈值进行寻优,通过对某地区微电网的负荷预测进行建模分析以验证所提模型的有效性.遗传算法优化的B P神经网络B P神经网络是一种包含信号前向传播和误差反向传播的多层神经网络结构,具有良好的非线性拟合能力和自适应学习能力.遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的过程计算模型,是一种随机自适应全局搜索的方法,具有可拓展性,可与神经网络与深度学习、自动控制和图像处理等多领域的技术结合应用.本文选择将遗传算法与B P神经网络相结合的方式,对B P神经网络的权值和阈值进行优化,算法步骤如下.()根据样本的输入/输出参数个数设计B P神经网络模型结构,在此基础上可以确定遗传算法优化参数的个数和算法种群个体的编码长度.电工技术电力自动化()使用遗传算法优化,遗传算法的每个个体对应B P神经网络的权值和阈值,利用遗传算法对网络模型进行寻优寻参.()将满足迭代条件后的遗传算法输出的参数代入B P神经网络模型,利用样本数据训练模型后,将测试数据代入模型得到预测值.微电网短期负荷预测模型 网络模型搭建构建微电网短期负荷预测模型,同时由于各个时段的用电特性差异较大,加入时间属性,提高了预测的准确度,如图所示.图微电网短期负荷预测模型 残缺数据修复微电网负荷的历史数据可能存在以下问题.()某一时刻的历史样本数据中负荷采样值丢失.()负荷历史数据中某段时间发生停电事件,其特征是大于h的负荷采样值均为,需要剔除.()历史数据中某些特殊的节假日的采样数据,比如国庆节是周一,而一般情况下周一的负荷和国庆节的周一的负荷必然存在差异,而预测模型不针对这些特殊的节假日,因此需对这些特殊日的数据进行处理.对于负荷样本中存在的问题,利用同时期一周内的负荷的平均值进行校正,其计算方法为:xixixi()()式中,xi为残缺的负荷功率采样均值.负荷输入属性模型中有个输入,分别是采样时间ti、周期数据i、日前平均负荷d ai、日前负荷d li、周前负荷 li.其中,采样时间间隔ti取值为 的整数;周期数据i取值为的整数;日前平均负荷d ai的计算方法为:d ai kxiki,G()式中,G为负荷采样样本总数.对于日前负荷d li、周前负荷 li,其计算方法为:d lixi i,G lixi i ,G()为了便于表述,使用Ai表示第i个样本的所有输入属性,即:Aiti,i,d ai,d li,li()B P神经网络的建立输入数据Ai由个属性组成,输出数据为预测负荷,故构建的神经网络输入层单元数为,输出层单元数为,根据经验公式确定隐含层数为.其计算公式为:nnma(a,)()式中,n为输入单元数;m为输出单元数;a为常数.权值、阈值的优化确定B P神经网络的结构后,通过遗传算法进行网络模型参数的迭代寻优,步骤如下.()种群初始化,采用实数编码的方式将B P神经网络模型的权值和阈值进行编码.()适应度函数,采用平均相对误差作为遗传算法的适应度函数,其计算公式为:F SSi(xiy xixi)()式中,S为预测时间的总长度;xi为训练时的预测期望值;y xi为预测值.()选择操作,本文选择轮盘赌法,即使用度比例的选择策略,个体i被选中的概率为:Pi(Fi)Si(Fi)()式中,Fi为个体i的适应度值.()交叉操作,通过个染色体的交换组合,把父串优秀的特征传给子串,从而产生新的优秀的个体.交叉操作采用实数交叉法,选择染色体ak和染色体ai在j位的交叉操作,公式为:ak jak j(c)al jcai jal j(c)ak jc()式中,c,本文取.()变异操作,变异操作的目的是选择个体中的一点变异产生更优秀的个体,选择染色体ai在j处进行变异操作,其公式为:ai jai j(ai jam a x)k(h/Hm a x)k ai j(am i nai j)k(h/Hm a x)k()式中,am i nai jam a x;h为当前迭代次数;Hm a x为最大迭代次数,这里取;k为,之间的随机数.实验与结果分析 微电网负荷样本本文选择某地区微电网的某年月的历史负荷数据作为原始采样数据,其中月日到月 日数据为训练样本,月 日数据作为预测样本.样本的采样时间间隔为h,可根据式()中Ai的方法来构建原始数据.为了使结果更易于分析,采用归一化方法对所有数据进行归电力自动化电工技术 一化处理,以日前平均负荷为例子,其计算方法为:Yid aim i n(d a)m a x(d a)m i n(d a)()评价标准选择平均相对误差MA P E和均方误差M S E作为预测准确度的评价标准,其计算方法为:MA P ESSi|xiy xi|xi()M S ESSi(xiy xi)()式中,xi为预测期望值;y xi为神经网络的预测值.负荷结果分析月 日的微电网负荷预测误差见表.表微电网负荷预测误差预测模型平均相对误差均方误差传统B P神经网络 遗传算法优化B P神经网络 图、图分别为传统B P神经网络和遗传算法优化B P神经网络的迭代误差对比、预测结果对比,可以看出遗传算法优化后的B P神经网络平均相对误差和均方误差均要小于传统B P神经网络,且迭代收敛速度更快,负荷预测结果更贴近实际负荷,具有更高的预测精度.图B P和G A B P迭代误差对比图B P和G A B P预测结果对比结语本文采用遗传算法优化后的B P神经网络和传统的B P神经网络分别建立了微电网负荷预测模型,通过对某地区的微电网短期负荷进行MA T L A B仿真和计算,验证了种预测方法的有效性和可行性.由仿真结果可知,采用遗传算法 优 化 后 的B P神 经 网 络 预 测 的 相 对 平 均 误 差 为 ,其拥有更好的预测精度,在微电网短期负荷预测上更有优势.参考文献 年兰雨基于随机生产模拟的多微网储能容量优化配置与运行控制D北京:北京交通大学,高伟,殷小曼基于熵值 B P神经网络的机场旅客吞吐量预测J计算机仿真,():于瑛,陈笑,贾晓宇,等基于GA B P神经网络的逐时总辐射分组模型研究J太阳能报,():尹春杰,肖发达,李鹏飞,等基于L S TM神经网络的区域微网短期负荷预测J计算机与现代化,():牛鑫强,田晶京,赵峰,等不同环境温度下的锂离子电池S O C估计J电池,():(上接第 页)胡炎,谢小荣,韩英铎,等电力信息系统安全体系设计方法综述J电网技术,():罗军舟,杨明,凌振,等网络空间安全体系及关键技J中国科学:信息科学,():许勇刚,冯扬,汪爽智能变电站信息安全防护体系研究J电子测量技术,():,骆钊,严童,谢吉华,等 S M 加密体系在智能变电站远动通信中的应用J电力系统自动化,():骆钊,谢吉华,顾伟,等基于S M 密码体系的电网信息安全支撑平台开发J电力系统自动化,():佘冉君 S S L安全研究及实现D西安:西安电子科技大学,胡洋,任振兴,滕国山,等一种基于I E C 的变电站远动通信混 合 加密 算法 J电力 信 息与 通信 技 术,():电工技术电力自动化