基于改进神经网络算法的电力负荷短期预测研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于改进神经网络算法的电力负荷短期预测研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

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（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.