基于组合模型短期电力负荷预测研究.docVIP

基于组合模型短期电力负荷预测研究 　　摘要：为了提高短期电力负荷的预测精度，提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度，灰色理论削弱了数据自身的随机性。结合两者优点，根据电力负荷的数据特征和两种子模型的预测误差，得出其在组合模型中所占权重，然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测，结果表明该方法比单个模型预测精度更高，能有效预测短期电力负荷。 　　关键词：电力负荷预测；蚁群算法；BP神经网络；灰色理论 　　DOIDOI：10.11907/rjdk.172650 　　中图分类号：TP319文献标识码：A文章编号2017）010015004 　　0引言 　　社会对电力能源的需求日益增长，但当生产的电能和使用的电能不平衡时，会造成电能浪费或电能紧缺现象，有效预测电力负荷能解决不平衡问题。 　　BP神经网络有着能逼近任意非线性映射关系的优点[1]，用蚁群算法原理确定神经网络中的初始参数，能加快BP神经网络的收敛速度，提高BP神经网络预测的精度[23]。文献[3]证实了用蚁群优化BP神经网络比单纯BP神经网络有更快的收敛速度及更高的预测精度。利用影响电力负荷的因素及对应时间段的历史负荷数据作为预测学习样本，发挥BP神经网络能逼近任意非线性映射关系的优点，建立预测网络模型。 　　灰色理论负荷预测[4]是利用预测日前的历史日时间段对应的负荷大小作为预测样本。将全天分为24个时间段，针对每一时间段的预测，需要24个灰色理论预测模型，分别是： 　　GM1（1，1），GM2（1，1），…GM24（1，1） 　　灰色理论具有建模所用数据少、计算速度快，能够降低样本中的随机成分影响等特点。 　　1蚁群优化BP神经网络模型 　　1.1BP神经网络模型 　　BP神经网络采取三层结构，即输入层、隐含层、输出层，见图1。综合考量下，对电力负荷影响最大的因素为 ：预测日的日期类型；预测日前一天前两天同一时段的电力负荷量；预测日前一天前两天及预测日当天的最高气温和最低气温；预测日预测时段气温、湿度、阴晴，一共有13个因素。输入层有13个神经元作为输入节点，输出层有1个神经元作为预测值输出节点，用k=m+n+p确定隐含层神经元个数，m为输入层神经元个数，n为输出层神经元个数，1≤p≤10，k为隐含层神经元个数[5]，检验确定隐含层为13个神经元。Wih表示输入层与隐含层的连接权值，bh表示隐含层各神经元的阈值，b表示输出层单个神经元权值，who表示隐含层与输出层的连接权值，CO表示给定输出值，yo表示预测输出值。 　　图1BP神经网络 　　将预测日前两个月每日每时段的13个影响因素数据作为预测学习样本，对预测日各时段用电负荷进行预测。对样本进行预处理[6]，剔除异常数据，剩余n个数据样本。对样本归一化处理[7]，使同类原始数据归一到（0，1）的区间内，形式为： 　　t＼+*a=ta-tmintmax-tmin（1） 　　t＼+*a表示ta归一化后的数据样本，tmin、tmax表示各类参数变化的最小值与最大值，得到预测结果后再还原为原来的量纲。 　　对神经网络中的权值和阈值设为（-1，1）区间的任意值。 　　隐含层激励函数[8]设为： 　　s（neth）=11+e-neth（2） 　　neth=∑13i=1wihti+bh 　　输出层输出为： 　　yo（k）=∑13h=1whos（neth）+b（3） 　　第k个样本误差函数为： 　　e（k）=12（yo（k）-co（k））2（4） 　　总体样本误差函数为： 　　e=12∑nk=1（yo（k）-co（k））2（5） 　　对权值和阈值反馈修正： 　　Δwho=-vewho（6） 　　Δb=-veb（7） 　　Δwih=-vewih（8） 　　Δbh=-vebh（9） 　　其中，v代表学习速率。 　　1.2蚁群优化BP神经网络模型 　　将BP神经网络中的权值与阈值可变参数位置H排序，BP神经网络可变参数位置数量共有p个，记为H1，H2…Hp，对于参数位Hi（1≤i≤p），其包含q个可能值，设为集合GHi。设有F只蚂蚁，每只蚂蚁先置于初始位置，并把所有的元素信息赋予初值，在初始位置的蚂蚁开始行动踏向第一个集合H1，每只蚂蚁在每一集合内只能选取其中一个元素作为这一可变位置的参数，当蚂蚁走过所有的集合到达最后一个集合Hp时，就到达食物源，再原路返回至始发位置，每只蚂蚁寻优的时间为1个单位时间[910]。 　　（1）初始化：将每一元素信息素量设为φj（GHi）=θ，蚂蚁数量为F，全处于初始位置