基于BP神经网络的芜湖市社会用电量预测研究.pdf

第44卷第2期2023年6月淮北师范大学学报（自然科学版）Journal of Huaibei Normal University(Natural Sciences)Vol.44 No.2Jun 2023基于BP神经网络的芜湖市社会用电量预测研究王超，王银花（铜陵学院 电气工程学院，安徽 铜陵 244061）摘要：为通过社会用电量分析来反应经济状况，文章采用BP神经网络算法，首先对芜湖市近几年的社会用电量进行分析，再通过Matlab神经网络工具箱构建预测时间序列模型，最后根据需求获得相应的预测数据。仿真试验表明，该模型找到一条函数曲线很好地拟合已知数据，同时顺利地预测未知数据，所提算法达到预期的效果。关键词：社会用电量；BP神经网络；时间序列；数据预测中图分类号：TP 242；TP 273；TP 274文献标识码：A文章编号：2095-0691（2023）02-0036-060引言全社会用电量是一个电力行业的专业词汇，用于经济统计，指第一、二、三产业等所有用电领域的电能消耗总量，包括工业用电、农业用电、商业用电、居民用电、公共设施用电以及其它用电等1-2。近年来中国全社会用电量逐年攀升，2020年中国全社会用电量达75 110亿千瓦时，较2019年增加2 258亿千瓦时，同比增长3.10%，2021年上半年中国全社会用电量已达39 339亿千瓦时。随着我国供给侧改革的持续推进，我国经济结构得到进一步优化，全社会用电量的增长动力正从第二产业向第一、第三产业转移。芜湖，安徽第二大城市，位于安徽省东南部，处在长江南岸，青弋江与长江汇合处。近几年来，芜湖地区经济快速发展，同时带动芜湖全社会用电量迅猛增长。据统计，2021年16月，芜湖电网全社会用电量达到110.05亿千瓦时，相比2020年上半年增长16.86%，其中：第一产业0.93亿千瓦时，同比增长10.71%；第二产业79.08亿千瓦时，同比增长18.26%，第三产业16.40亿千瓦时，同比增长24.83%。全社会用电量是经济状况的晴雨表，是宏观经济分析的重要指标之一，因此，对社会用电量的分析预测意义重大3-5。对电量分析方法及用电量的预测早已成为国内外专家和学者关注的热点，包括回归预测方法、组合预测模型、BP神经网络预测模型等。其中BP神经网络是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等，在用电量分析与预测方面具有显著效果，能够很好地解决全社会用电量与影响因素之间的非线性关系。针对芜湖市全社会用电量的特点，结合疫情常态化经济发展的趋势，如何获得准确的全社会用电量数据，再运用Matlab神经网络工具箱建立预测时间序列模型6-7，成为研究问题的关键。1BP神经网络算法首先对BP神经网络算法8-10进行介绍，然后针对社会用电量数据的特殊性，以部分数据为例，分析其中的相关性。再对大量的数据进行预处理，运用神经网络工具箱构建预测时间序列模型，验证算法的可行性。收稿日期：2022-09-21基金项目：安徽省高校质量工程项目（2020zyrc156）作者简介：王超（1989），男，安徽芜湖人，硕士，讲师，研究方向为移动通信与无线接入技术。第2期王超等：基于BP神经网络的芜湖市社会用电量预测研究1.1基本思想BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一。它的基本思想是梯度下降法，利用梯度搜索技术，使网络的实际输出值和期望输出值的误差均方差为最小。BP神经网络分为2个过程：（1）工作信号正向传递过程；（2）误差信号反向传递过程。收集用电量数据处理原始数据根据数据类型建立网络输入节点与输出节点设置用每组数据训练神经网络分析网络的期望误差结束合格NY激活函数选取隐藏层数与节点设置利用模型进行预测图1BP神经网络模型结构图图2程序流程图具体神经网络模型图如图1所示，由输入层、隐藏层、输出层组成。X1,X2，,XN1 代表输入的训练数据；Wih代表的是输入层到隐含层对应的映射关系；Y1,Y2,YN2 代表隐含层的输出；Whj代表的是隐含层到输出层对应的映射关系；Z1,Z2,ZN3代表输出层的训练结果。1.2神经网络设计由于全社会用电量是一组基于时间顺序排列的数据集，故采用BP神经网络预测时间序列模型，具体模型结构如式（1）所示，其中前n个时刻的所有历史数据值，作为该模型的输入量带入到神经网络的训练模型，得到t时刻的具体数据。y(t)=f(y(t-n),y(t-n+1),.,y(t-1)（1）网络输入层的神经元与前面样本的n取值有关，作为输入层神经元的个数，其取值直接影响网络的训练结果，根据实际训练结果比对，当n=3时，能够很好满足要求。输出层神经元数目为1。其隐含层结构的层数与各层的节点数直接影响网络性能的优劣，因此，隐含层是网络结构设计的重要问题11-14。理论上，层数越多，整个网络的误差也就越小，但是会使整个网络复杂化，增加网络的训练时间，也有可能出现“过拟合”的情况。一般来说，12层的隐藏层已经能够解决很多问题，针对本文的样本个数，本例取1层隐含层。隐含层节点个数设计相对于隐含层数的设计比较复杂，本文采用Matlab神经网络工具箱默认的M=10。隐含层作用函数取正切S型传递函数，即：f(x)=1-e-2x1+e-2x(-x)。（2）输出层作用函数取对数S型传递函数，即：f(x)=11+e-2x(-x)。（3）最后根据设计好的神经网络对社会用电量数据构建预测时间序列模型，再根据训练好的模型对未来数据做相应的预测，完成的程序流程图如图2所示。1.3芜湖市社会用电量数据文章所研究的社会用电量数据，通过芜湖市统计局所属的芜湖数据网站获得，数据集采用月份排列，为提高模型的训练效果，获取的数据从2017年1月份到2021年12月份，共84个样本数据。以2019年237淮北师范大学学报（自然科学版）2023年月至9月的8组数据为例，分析其中的相关性与数据特点，具体数据如表1所示。表1全社会用电量数据日期社会用电量/亿千瓦时增速/%2019-0232.705.22019-0349.006.92019-0464.306.92019-0579.605.12019-0695.905.02019-07115.063.72019-08135.303.82019-09151.703.6数据集采用按年度排列的方式，在每一年内，用累加的方式显示用电量数据。考虑到时间序列模型的特殊性，需要将84个样本数据，按照从2017年1月份开始，持续累加的方式排列，形成连贯的按照时间排列的连续样本，能够大大提高模型的预测精准度，减小非线性误差。2模型建立与仿真本文的仿真环境采用Matlab2018b版本，利用其中的Neural Net Fitting工具箱构建预测时间训练模型15-16，从芜湖市统计局获得2017年1月份到2021年12月份的84个样本数据。由于样本数据量大，这里取部分原始数据加以说明，如表2所示，可以看出，原始数据是在每年内部，按每月递增的方式周期性变化。将原始数据按时间顺序导入训练模型，为避免过度拟合，将划分训练、测试和验证数据的比例设置为75:15:15。表2全社会用电量原始数据日期社会用电量/亿千瓦时日期社会用电量/亿千瓦时日期社会用电量/亿千瓦时2015-0114.072015-09115.892016-0565.102015-0224.462015-10128.102016-0678.502015-0337.102015-11140.702016-0794.702015-0449.252015-12155.302016-08111.902015-0562.232016-0114.42016-09125.402015-0675.152016-0225.902016-10139.202015-0788.402016-0339.102016-11153.302015-08102.752016-0451.722016-12168.80经过网络训练过后的训练集、验证集、测试集和总体结果的数据相关性关系如图3所示。横坐标表示目标输出，纵坐标表示预测输出和目标输出之间的拟合函数。回归值R代表预测输出和目标输出之间的相关性，可以看出，4个数据集的相关系数R在0.76到0.98之间（R的取值在01区间，越接近1越好），虽然验证集到达0.98以上，但不能代表总体的结果，表明网络对该样本的训练不佳，不能作为用电量的预测模型。50100150200250Target50100150200250Output=0.76*Target+31Training:R=0.87099DataFitY=T50100150200250Target50100150200250Output=0.96*Target+2.3Validation:R=0.98796DataFitY=T50100150200250Target50100150200250Output=0.62*Target+54Test:R=0.76497DataFitY=T50100150200250Target50100150200250Output=0.75*Target+32All:R=0.85997DataFitY=T图3网络训练回归图38第2期王超等：基于BP神经网络的芜湖市社会用电量预测研究下面先对原始数据做预处理，再将处理过的数据导入训练模型，并对训练后的结果进行分析和预测。2.1数据处理为更好地适应神经网络训练模型，本文将2017年1月份到2021年12月份的84个月份从1到84排列，每个数字对应相应的月份。先计算出每个月的具体用电量，然后从2017年1月开始，持续累加的方式对数据进行处理，部分数据处理结果如表3所示。表3全社会用电量处理后数据累计月份数社会用电量/亿千瓦时累计月份数社会用电量/亿千瓦时累计月份数社会用电量/亿千瓦时114.079115.8917220.4224.4610128.118233.8337.1011140.719250449.2512155.320267.2562.2313169.721280.7675.1514181.2022294.5788.4015194.423308.68102.7516207.0224324.12.2仿真与分析经过多次训练之后，发现将自回归阶数设置为3，形成3输入1输出的训练模型。隐藏层神经元个数设置为10，划分训练、测试和验证数据的比例仍设置为75:15:15，可以到达良好的输出结果。完整的均方误差图如图4所示。图中横坐标表示训练迭代次数，纵坐标表征均方误差值。可以看出，迭代次数在137的时候，均值平方差最小，仅为13.349 1。预测的趋势与原趋势的对比图如图4所示，可以看出，输出结果与目标值接近程度很高，总体误差很小。0200400600800100012001400Outputand TargetResponse of Output Element 1 for Time-Series 1TargetsOutputsErrorsResponse1020304050607080Time-50510ErrorTargets-Outputs图4预测趋势对比图网络训练过后的训练集、验证集、测试集和总体结果的数据相关性关系如图5所示。横坐标表示目标输出，纵坐标表示预测输出和目标输出之间的拟合函数。回归值R代表预测输出和目标输出之间的相关性，可以看出，4个数据集的相关系数R均在0.99以上，表明网络对样本的训练良好。保存训练好的网络模型，可以用来预测未来几个月的全社会用电量数据。这里往后预测4个月，即2022年1月至2022年4月，对应的数字分别为85，86，87，88。完整的芜湖市社会用电量趋势与预测结果如图6所示，弧线段表示未来4个月用电量累计预测结果。39淮北师范大学学报（自然科学版）2023年2004006008001000 1200Target20040060080010001200Output=1*Target+0.011Training:R=0.99999DataFitY=T2004006008001000 1200Target20040060080010001200Output=1*Target+-2.6Validation:R=0.99995DataFitY=T2004006008001000 1200Target20040060080010001200Output=1*Target+0.69Test:R=0.99998DataFitY=T2004006008001000 1200Target20040060080010001200Output=1*Target+-0.17All:R=0.99999DataFitY=T图5网络训练回归图最后将预测的数据与芜湖市统计局更新的4个月份数据进行比对，如图7所示，可以看出，预测结果良好，对比结果相似度较高，拟合效果好。仿真试验表明，该模型训练效果良好，能成功预测未来的用电量发展趋势，所提算法达到预期的效果17-18。图6社会用电量趋势与预测图图7预测数据与真实数据对比图3结论对于真实的芜湖市社会用电量数据，本文采用BP神经网络预测模型算法，运用Matlab提供的神经网络工具箱对历史数据构建预测时间序列模型，最后根据需求获得相应的预测数据。通过预测结果显示，可以看出网络训练结果良好，证明BP神经网络在用电量分析与预测方面具有显著效果，能够很好地解决全社会用电量与影响因素之间的非线性关系。参考文献：1刘军会，白宏坤，王卿，等.河南产能严重过剩行业用电量分析 J.能源与节能，2017（7）：66-67.2丁晓，徐金玲，梁浩.江苏省全社会用电量分析统计平台的设计和应用 J.电力需求侧管理，2013，15（3）：38-43.3范高锋，王伟胜，刘纯，等.基于人工神经网络的风电功率预测 J.中国电机工程学报，2008，28（34）：6-9.40第2期王超等：基于BP神经网络的芜湖市社会用电量预测研究4冯伟，谭美亭.基于多源异构数据融合的化工安全风险动态量化评估方法 J.化工管理，2022（27）：62-65.5孙熠.基于数据融合的数据中心智能运维平台研究 J.数字通信世界，2022（9）：9-11.6石晨晨，陈宏涛，杨波，等.基于人工神经网络的水下爆破振动预测技术 J.价值工程，2022，41（34）：133-135.7高俊涛，陈珂，刘云峰，等.基于在线模型的业务过程剩余时间预测 J.计算机集成制造系统，2022，28（10）：3090-3099.8陈淑鑫，李精宇，张宏斌，等.基于BP神经网络的个性化多功能茶几设计研究 J.包装工程，2022，43（18）：247-254.9王天明，符天.卷积深度人工神经网络在城市交通流量预测中的应用 J.电脑编程技巧与维护，2019（10）：158-159.10梁旺，秦兆博，陈亮，等.基于改进BP神经网络的智能车纵向控制方法 J.汽车工程，2022，44（8）：1162-1172.11ATALAY E，SU A H，ROBERTS J，et al.Network structure of production J.Proceedings of the National Academy ofSciences of the United States of America，2011，108（13）：5199-5202.12刘光宇，曹禹，黄懿，等.基于BP神经网络结构的图像压缩技术研究 J.牡丹江师范学院学报（自然科学版），2021（2）：23-29.13RODAN S，GALUNIC C.More than network structure：how knowledge heterogeneity influences managerial performanceand innovativeness J.Strategic Management Journal，2004，25（6）：541-562.14GUO C，WU H，TAN K，et al.DCell：A scalable and fault-tolerant network structure for data centers J.ACM SIGCOMMComputer Communication Review，2008，38（4）：75-86.15陈圣劼，田心如，姚阮，等.基于气象因子的南京市冬季和夏季用电量预测研究 J.气象与环境学报，2022，38（4）：127-135.16FRIEDMAN S M，MUNOZ B，WEST S K，et al.Falls and fear of falling：which comes first？A longitudinal predictionmodel suggests strategies for primary and secondary prevention J.Journal of the American Geriatrics Society，2010，50（8）：1329-1335.17CHEN C I，HUANG S J.The necessary and sufficient condition for GM（1，1）grey prediction model J.Applied Mathematics&Computation，2013，219（11）：6152-6162.18姚长征，张自强，李玉杰，等.基于大数据背景下时间序列的用电量预测模型构建 J.粘接，2022，49（10）：180-184.Research on Prediction of Social Electricity Consumption in Wuhu CityBased on BP Neural NetworkWANG Chao，WANG Yinhua（School of Electrical Engineering，Tongling University，244061，Tongling，Anhui，China）Abstract：In order to reflect the economic situation through the analysis of social electricity consumption，thispaper uses BP neural network algorithm，Firstly，the social electricity consumption in Wuhu in recent years isanalyzed.Then a prediction time series model is built through Matlab neural network toolbox.Finally，the corresponding forecast data is obtained according to the demand.The simulation results show that the model canfind a function curve to fit the known data well，and predict the unknown data smoothly.The proposed algorithm achieves the desired effect.Key words：social electricity consumption；BP neural network；time series；data forecasting41