基于遗传神经网络的短期负荷预测研究.docVIP

基于遗传神经网络的短期负荷预测研究 　　摘要：电力短期负荷预测在实时控制和保证电力系统经济、安全与可靠运行方面起着重要作用，对于系统运行具有重大影响。根据电力短期负荷的变化特点，综合考虑温度、天气、风力等因素，提出了基于遗传算法优化人工神经网络方法的短期负荷预测模型。在试验中采用单一的人工神经网络和优化的神经网络建模分别对广东省某城市电网的短期负荷进行预测。实际预测结果表明，基于遗传算法优化神经网络方法预测模型的预测准确度明显高于单一神经网络方法的预测准确度。 　　关键词：短期负荷预测；神经网络；遗传算法 　　作者简介：黄国栋（1976-），男，广东阳江人，广东电网湛江供电局，工程师。（广东 湛江 524005） 　　中图分类号：TM714 文献标识码：A 文章编号：1007-0079（2014）06-0261-02 　　电力短期负荷预测是对未来一周以内（通常为一周或一天）的负荷进行预测。短期负荷预测在电网运行实时控制和发电规划中具有重要地位，短期负荷的预测结果是调度中心制定发电计划、电力系统运行安全评估、电力企业日常经营管理的重要依据。[1]在当前电力系统市场化形势下，提高负荷预测精度对于电力系统的经济运行、合理制定机组检修计划和进行电力需求管理等具有重要意义。 　　一、电力系统负荷变化的特点及预测方法 　　电力系统负荷变化受到很多因素的影响。一方面，负荷变化存在由未知不确定因素引起的随机波动；另一方面，具有周期变化的规律性，这也使得负荷曲线具有相似性；同时，由于受天气、节假日等特殊情况的影响，负荷变化又会体现出差异性。[2]整体上讲，负荷曲线是与很多因素相关而且难以用数学公式表达的非线性函数。 　　相对于早期的统计技术法和专家系统法，神经网络的优点在于它不依靠专家经验，只利用观察到的数据，可以在训练过程中通过学习来逼近任意的非线性输入/输出关系，因此，将神经网络方法应用于电力负荷预测有着明显的优势。但是，神经网络存在两个主要问题：收敛速度慢和容易陷入局部极小点。因此，本文采用遗传算法优化人工神经网络，建立电力短期负荷预测模型，并将结合广东省某城市的电力负荷的实际情况对预测方法进行探讨和研究。 　　二、人工神经网络模型 　　BP（Back Propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，神经网络模型中的所有神经元按照功能一般分成三层（输入层、隐含层和输出层），各层顺次连接。[3]其三层模型拓扑结构如图1所示。 　　BP算法的学习过程分为正向传播过程和反向传播过程两个阶段。 　　1.正向传播过程 　　输入信息从输入层经隐含层逐层计算各单元的实际输出值，各神经元的状态只对下一层神经元的状态产生影响。设BP网络的输入层有n1个节点，隐含层有n2个节点，输出层有n3个节点，输入为xi，输入层与隐含层之间的权值为wki，隐含层与输出层之间的权值为wjk；隐含层的阈值为bk，输出层的阈值为bj；隐含层的传递函数为f1（·），输出层的传递函数为f2（·）。则隐含层节点输出zk和输出层节点输出yj分别为： 　　k=1，2，……n2 　　（1） 　　j=1，2，……n3 　　（2） 　　2.反相传播过程 　　若网络实际输出值与期望值之差，即误差超出允许值，则逆向逐层修正连接权值。设BP网络有P个输入样本，采用平方型误差函数，于是得到全局误差为： 　　（3） 　　式中：为第p个样本的实际输出，为期望输出。 　　采用累计误差BP算法依次调整输出层权值wjk和隐含层权值wki误差使全局误差变小，即： 　　（4） 　　（5） 　　式中：η为学习率。 　　如此往复不断调整权值，直到使网络的误差满足要求。 　　三、遗传算法 　　1.遗传算法的基本原理 　　遗传算法（Genetic Algorithms，简称GA）是一种高度并行、自适应全局优化有哪些信誉好的足球投注网站方法。[4]它借鉴自然界遗传和选择机理，首先初始化一个种群，然后按照某种指标在每一代选取较优个体，利用遗传算子（选择、交叉和变异）对这些个体进行组合，产生新一代个体，重复此过程，直到满足优化准则为止。遗传算法是基于对生物遗传和进化过程的计算机模拟，它能使各种人工系统具有良好的自适应能力和优化能力。目前，遗传算法已经广泛应用于规划设计、组合优化、自适应控制、经济运行、模式识别、人工智能、分子生物学、故障诊断以及计算机技术等领域，并取得了很好的效果。 　　2.遗传算法的实现过程 　　（1）将问题的解以编码形式表示出来，并随机生成若干个体，即初始群体。 　　（2）译码，计算目标函数得出个体适应度值，判断是否满足停止条件。 　　（3）根据个体适应度值的高低，应用选择、交叉和突变算子进行遗传操作，产生下一代群体。 　　（4）返回步