还剩5页未读,继续阅读
文本内容:
基于改进BP神经网络的短期电力负荷预测方法研究王克杰,张瑞国网安徽省电力有限公司淮北供电公司,安徽淮北235000摘要针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立短期预测模型并通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度本研究为我国电力系统短期负荷预测的发展提供了参考和借鉴关键词短期负荷预测;猫群算法BP神经网络;预测模型中图分类号TM933文献标识码B文章编号1001-1390201924-0000-00Researchonshort-termpowerloadforecastingmethodbasedonimprovedBPneuralnetworkWangKejie——Kcji^ZhangRui-^^HuaibeiPowerSupplyCompanyStateGridAnhuiElectricPowerCo.Ltd』Huaibei-235000’AnhuLChinaA—Abstrac^-^Aiiningattheproblemsoflowaccuracyandpooraccuracyofshort-termloadforecastingashort-termloadforecastingmethodbasedoncatswamiqphmizationCSQ砸eMmCSOcrndglgorithmapdBPneuralnetworkisproposedinthisper.TheinputfactorsofthemodelareloaddataandmeteorologicalinformationcatswarmoptimizationalgorithmisusedtooptimizetheweightandthresholdofBPneuralnetworksothatth^solutionofBPneuralnetworkforecastingmodelcanbeoptimizedashort-termloadforecastingmodelef-BP-ftewal-HeiweFkbasedOptimizationofeatswaFm出g巾hmistablished.TheaccuracyandvalidityofthepredictionmodelareverifiedbysimulatioiLtheresultsshowthattheimprovedmodelcaneffectivelyreducethepredictionerrorofBPneuralnetworkmodelandimproveitspredictionccuracyThisstudyprovidesareferenceforthedevelopmentofshort-termloadforecastingofpowersysteminChina.Keywords^^SheFkhort-ternTHIoadforecastingswarmoptimizatieaalgorithmBPneuralnetworkPfedieHeR还为用户提供了持续的电力供应因此,对短期负荷预测方法的研究至关重要由于电力负荷预测的重要性,电力负荷预测的研究一直是许多研究人员关注的焦点问题随着研究的深入,越来越多的研究朝着传统预测方法和优化方法组合或者不同预测模型或方法的组合在文献[3]中,负荷预测模型采用综合气象因子作为输入采用Elman建立短期负荷预测模型结果表明,该方法提高了预测精度,是一种实用有效的方法在文献[4]中,提出了一种基于BP-RBF的级联神经网络来预测电力负荷采用无负荷因子用作BP网络的输入,输出是预测日的峰谷负荷,取得了良好的预测效果在文献[5]中,对中长期电力负荷进行预测采用遗传算法对灰色预测模型进行优化结果表明,改进后的模型具有较高的精度在文献[6]中,采用遗传算法对BP神经网终进行优化,建立GA-BP神经网络的预测模型结果表明,改进后预测精度得到明显提高这些研究为解决电力系统负荷预测提供了理论依据在此基础上,本文提出了一种结合猫群优化算法CSO(CatSwarmOptimization)和BP(BackPropagation)神经网络的短期负荷预测方法猫群优化算法优化模型参数,输入的数据包括负荷和天气等并通过实例对改进预测模型的准确性和有效性进行验证1预测模型BP神经网络的权值和阀值非常敏感如果这些参数设置不正确,网络收敛速度将会变慢,网络将陷入局部最优猫群算法原理较为简单,在局部和全局优化方面能力很强,控制参数少,编程简单,是寻找最优解的新方法冏因此,本文采用CSO算法对BP神经网络进行优化,使BP神经网络的权值和阈值保持在最优水平
1.1算法研究BP神经网络由信息的前向传播和误差的后向传播两部分组成四在信息的前向传播中,输入数据来自输入层,经过隐藏层到达输出层每一层神经元的状态都会影响下一层神经元的状态如果输出层的实际输出与预期输出差异明显,则启动误差反向传播,对网络权重和阈值进行调整,使预测接近实际值叫猫群优化CSO是一种基于猫行为的新的群体智能算法和全局优化算法它由Shu-ChuanChu等人于2006年提出猫的行为包括搜索模式和跟踪模式搜索模式对应于猫的静止状态代表对优化问题的局部探索L每只猫环顾四周,探索它的运动方向指定了四个重要参数搜索记忆池、维度搜索范围、维度改变量和自身位置评价搜索模式的主要步骤如下
(1)复制位置判断“自身位置评估的值是否为1如果是1则复制每只猫的当前位置(维度搜索范围-1)并将其保留为搜索记忆池的候选位置;否则,每一只猫将复制搜索记忆池的当前位置作为候选位置(⑵;
(2)进行变异根据设定的维度改变量值,随机增加或减小搜索记忆池中每个副本,随机增加或减少维度搜索区域的百分比(通常为
0.2)变异前的个人信息被变异后个人信息取代mi;
(3)根据适应度函数完成搜索记忆池中所有候选点适应度值进行计算引;
(4)确定候选点的移动概率如果每只猫都适应度相同,则将猫的候选点概率设置为1如果所有猫的适应度非常接近,每只猫设置相同大小的概率如果每只猫适应值不同,那么候选点选择的概率将根据式(I)确定问FSg在式中,为第i只猫的适应值;FSb为最优适应值如果求取极小值的解FSb=FSmax,如求取极大值的解卢耳=FSmm
(5)执行选择操作根据所选概率随机选择候选点并移动到候选位置31跟踪模式对应于猫的狩猎状态,它是基于猫的跟踪目标行为的模型,表示优化问题中的全局优化问题假设解是M维空间,种群数N在第,次迭代中,第k只猫在第〃维中的位置分量除如,速度分量阪山跟踪模式的基本步骤如下:
(1)更新每只猫的速度当在第/次迭代的第d维数中找到最优解.[顷山,更新每只猫的速度信息,如式
(2)所示的2在式中,d=
12...A/C]是一个常数,其值取决于优化问题*为从0到1的随机数
(2)更新每只猫的位置如式
(3)所示泌L3
(3)确保每只猫的位置不超过维度搜索范围如果超过最大值和最小值,则强制为边界值【网
1.2改进BP神经网络短期预测模型在本文中,用猫群算法优化BP神经网络权值和阈值,使之保持在最优水平,具体步骤如下
(1)对猫群算法参数进行设置种群随机初始化,使用二进制编码作为个体编码,每个个体是一个二进制字符串,将权值和阀值设置为较小随机数[20)
(2)输入包含输入向量和预期输出值把预测日期历史数据作为训练样本,包括温度、星期类型、负荷每天24小时,24个点,进行24次训练训练样本包括某一天温度序列、周型序列、前一天或过去两天的负荷序列输出向量是某一时刻负荷序列
(3)确定适应度函数将BP神经网络权重和阈值采用猫群算法进行优化,输入训练样本用BP神经网络训练网络适应度函数是全局误差的倒数,如式
(4)所示⑵I图1猫群优化的BP神经网络流程图Fig.IBPNeuralNetworknetworkFlew-flowGtol-chartforGal-catswannClusterOoptimization2仿真分析本文将利用负荷数据和天气数据等作为负荷预测数据,以验证猫群算法优化的BP神经网络方法在负荷预测中的有效性和合理性选择2018年随机三天进行短期负荷预测,5月21日(星期一),8月16日(星期四)和12月22日(星期六)进行,并将结果与当地控制中心进行比较取搜索记忆池=3维数改变量=1维度的搜索范围=
0.2设置种群数30训练代数100代,在数据处理和规范化之后,我们需要确定学习网络的结构在BP神经网络中,选择日平均气温、H期类型、预测前一天的负荷和预测前两天的负荷作为输入变量每小时预测并记录输出因此,BP神经网络有四个输入节点并且输出节点的数量是1个结果如表1~表3所示,对比如如图2~图4所示,以便比较BP神经网络和用猫群算法优化的BP神经网络,并将改进算法应用于负荷预测表I5月21日预测模型预测值与实际值(星期一)JTab.1FeFe€astF()recastingMedel-nk)delandqptuM皿2]May(Monday)预测BP神经网络CSO-BP神经网络模型时刻/h时刻/h图25月21日预测值与实际值对比图Fi£.2j~^ContrastchartbetweenforccasUngvalueandactualvalueonMay21表28月16日预测模型预测值与实际值星期四JTab.2ForecastinganduesofthePerecwt加recastingMedd-n妙delon^-Aug-ust16£6~Thursdaycso-bp神经网系图38月16日预测值与实际值对比图Fig.3Contrastchartbetweenforecastingvalueand”actualvalueonAugust16表312月22日预测模型预测值与实际值星期六JTab.3PredictedForecastin^andAetual-a^tualValuesvaluesofthePiedicti❷n-predictionModel-modelonDecember22Saturday预测bp神经网络预测BP神经网络CSO-BP神经网络Jab.4Statisticsofmorethan3%ofthepopulation从表4可以看出,在短期负荷预测中,改进前的日不合格绝对误差基本上小于5个经过改进,CSO-BP神经网络预测满足电力行业的要求表5统计最大值和最小值J^ab.5Statisticalmaximumandminimum算法BP神经网络CSO-BP神经网络从表5可以看出,从绝对平均的最小值来看,改进前后的模型预测都得到了非常满意的结果,小于
0.25%对绝对平均最大值的分析表明,CSO-BP神经网络基本上在
2.5%到
2.7%之间,但BP神经网络在
3.9%到
4.4%之间这也表明改进后模型的精度和稳定性得到了提高从表6的数据可以看出,BP神经网络模型的平均绝对误差为
1.78%最大绝对误差为
1.98%最小绝对误差为
1.45%CSO-BP神经网络模型的平均绝对误差为
1.02%最大绝对误差为
1.19%最小误差为
0.93%850表6平均绝对误差比较一箕际值—8P神狡网路一一SBP袖经网诂97538000050587766SS错苔壬象29•1175Jab.6Averageabsoluteerrorcomparison:带格式的字体五号图412月22日预测值与实际值对比图尸ig.4-Comparisonchartofpredied~foreccstinvalueandactualvalueonDecember22统计表1~表3预测时绝对误差超过3%的数量见表4日绝对误差最小和最大值见表5日预测平均绝对误差见表6表4统计超过3%的个数从预测结果看,改进BP神经网络模型优于未改进前,整体误差明显降低对于单点误差,BP神经映项化后的扉神经网络在理想范围内,所有点均没有超过3%因此,本文提出的改进BP神经网络负荷预测模型是合理有效的3结束语短期负荷预测是电网可靠、安全和经济运行的关键技术本文提出了i种基于猫群算法CSO和BP神经网络相结合的短期负荷预测方法,采用猫群优化算法对BP神经网络的权值和阈值进行优化,建立了短期负荷预测模型并通过实例验证了改进模型的正确性和有效性,结果表明,改进后的预删模型具有较高的准确度和较好的效果鉴于目前实验室设备和数据的规模,本文仍处于早期阶段,在此基础上,逐步改进和完善将成为下一步研究的重点参考文献1]姜冬,刘慌吸主动配电网双层实时优化博弈研究[JL电测勺仪表,20185518:50-
56.JiangDongLiuYupeng.Researchondouble-layerreal-timeoptimizationgameofactivedistributionnework|J|.ElectricalMeasurementInstrumentation.
2018.5518:50-
56.|2]卫瑞东.喻鹏.高褓,等.基于多蚁群算法的电力通信网路山配置机制[J].北京邮电大学学报.
2017.4CXSI:89-
92.WeiRuidongYuPengGaoWeictal.Muhi-antcolonyalgorithmbasedroutingconfigurationmechanismforpowercommunicationnetworks[J].JournalofBeijingUniversityofPostsandTelecommunications.
2017.4OS1:89-
92.
[3]石玉怛,赵娜,王凌,等.北京地区日最大电力负荷预测模型初探[J].中国电力.
2019.411:112-
118.ShiYuheng.ZhacNa.WangLing.eal.PreliminarystudyondailymaximumloadforecastingmodelforBeijingareaJ|.ChinaElectricPower.2019411:112-
118.|4]苏运,卜凡喝郭乃网,等.基于低秩表示的多任务短期电力负荷预测的研究[J].现代电力
2019.363:58-
65.SuYunBuFanpcngGuoNaiwang.ccal.StudyonMulti-taskshort-tennloadforecastingbasedonlowrankrepresenation[J].ModernPower2019363:58-
65.|5]李国勇.闫芳.郭晓峰.基于遗传算法的灰色神经网络优化算法[J].控制工程2013205:934-
937.LiGuoyong.YanFang.GuoXiaofeng.GreyNeuralNetworkOptimizingAlgorithmsBasedonGeneticAlgorithms[J].ControlEngineering.2013205:934-
937.|6]李廷顺,王伟,刘泽三.考虐不确定区间的电力负荷GELM-WNN预测J].计算机工程2019361:231-
238.LiTingshun.WangWeiLiuZesan.GELM-WNNForecastingofElectricLoadConsideringUncertainlntcr\ral[J.ComputerEngineering.2019361:231-
238.|7]罗育辉,蔡延光,成远航,等.基于岐大偏差相似性准则的BP神经网络短期电力负荷预洌算法[J].计算机应用研充
2018.3611:
1.
8.LuoYuhuiCaiYanguangQiYuanhangctal.BPneuralnetworkshon-tennloadforecastingalgorithmbasedonmaximumdeviationl«]杨羸,杨晓辉,吴越,等.基于改进猫群算法的分布式电源优化配置[J].电力系统保护与控制.
2019.471:95-
100.YangLeiYangXiaohuiWuYueelal.DislribuledgenerationoptimalconfigurationbasedonimprovedcatswamialgorithmJ].Powersystemprotectionandconirol.2019471:95-KX.|9|张平.潘学萍.薛文超.基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测【J].电力自动化设备,
2012.32II:121-125+
141.ZJiangPing.PanXueping.XueWenchao.ShorttermloadforecastingbasedonwaveletdecompositionfuzzygreyclusteringandBPneuralnetwork|J|.ElectricPowerAutomationEquipment.
202.32II:121-125+
141.谷云东.马冬芬.程红超.基于相似度改进梯度提升决策树的电力负荷预测[J].电力系统及其自动化学报.20184123:1234-
1239.GuYundongMaDongfenChengHongchao.Powerloadforecastingbasedonimprovedgradientliftingdecisiontree[J].ProceedingsoftheCSU・EPSA20184l23:1234-
1239.姚仲凯潘飞.沈玉会.等.基于GA-BP和POS-BP神经网络的光伏电站出力短期预测[J].电力系统保护与控制20154320:83-
89.YaoZhongminPanFciShenYuhuietc.Short-termOutputPredictionofPhotovoltaicPowerStationBasedonGA-BPandPOS-BPNeuralNetwork[J|.PowerSystemProtectionandControl.20154320:83-
89.|12]J.PandaSK.JagadevAK.MohaniySN.Forecastingmethodsinelectricpowersector|J|.InternationalJournalofEnergyOptimizationandEngineering.
2018.71:1-
21.VuyaniMosesRowanHathcrlcy.OzlcmTastanBishop.Bioinformaticcharacterizationofype-specificsequenceandstructuraltealuresinauxiliaryactivityfamily9protcinsJ.BiotechnologyforBiofuels
2016.91:88-
94.KaiyuanHouGuanghuiShaoHaimingWangclal.ResearchonpracticalpowersystemstabilityanalysisalgorithmbasedonmodifiedSVM|J].PnHcxlionandCnnlofModemPowerSystems201832:2-
7.GarvishkuinarK.Palul.VipulK.Dabhi.HarshadkuinarB.eringUsingaCombinationofParticleSwarmOptimizationandK-mcans|JJ.JournaloflncelligeniSystems.2017123:457-
469.JyotiV.GautamJHarshadkumarB.Prajapati.VipulK.Dabhictal.EmpiricalStudyofJobSchedulingAlgorithmsinHadoopMapRcducc|J|.CyberneticsandInformationTechnologies2017211:146-
163.C.E.F.CactanoA.B.LimaJ.O.S.Paulinoctal.Aconductorarrangementthatovercomestheeflectivelengthissueintransmissionlinegnunding|J].ElectricPowerSystemsResearch20184605:159-
162.
[18]JianjiangHuMaximilianFichmer.MarcelloBaricco.PreparationofLi-Mg-N-Hhydrogenstoragematerialsforanauxiliarypowerunit|J|.InternationalJournalofHydrogenEnergy
2017.4227:17144-
17148.similaritycriterion[J].Computerapplicationresearch.20183611:1-
8.Zhi-WeiJiaLi-JunWangJin-ChuanZhangelal..HighEfficiencyLowPowcr-ConsumpionDFBQuantumCascadeLasersWithoutLateralRegrowlh[J].NanoscaleResearchLetters
2017.
121.88-
95.CalcighM.Azumaya.EmilyL.Days.PaigeN.Vinson.cal.ScreeningforAMPAreceptorauxiliarysubunitspecificmodulators!J|.PLOSONE.
2017.123:1523-
1538.|21]FANChengli.HybridartificialbeecolonyalgorithmwithvariablencighborhwxlsearchandmemorymechanismJ].JoumalofSystemsEngineeringandElectronics.
2018.292:405-
414.作者简介|王克杰1966-男.硕上,工程师主要研究方向为电网规划和电力系统及其自动化,Email张瑞1卯4一〉,男,硕士,工程师,主要研究方向为电力系统及其自动化收稿日期2019-10-21;修回日期2019-11-05<编发时刻实际值MW预测值MW绝对误差%预测值MW绝对误差%模型时刻实际值预测值绝对误差预测值绝对误差01:X47Q
00462351.
6346450.33MWMW%MW%02:00462X
449.
972.6046A
240.2701:
00501.
00494.
351.
33499.
750.2503:
00441.
00432881.8444Q
010.2202:
0048500465.
753.
97484.
410.1204:0043LX42Q
762.
38422791.9103:004860048QI
31.
21479.
281.3805:
003900399.
530.
38401.
760.9404:0045Q
00452910.
65451.
860.4106:
0042600416612.2042Q
011.4105:004460045Q
751.
07454391.8807:
0044300431.
243.
09435.
952.0306:0045Q
00451.
58035452720.6008:0049K004KKOO
2.
01505.
701.5507:
0049300477.
803.
08485.
661.4909:
00497.X5IQ
722.
76509.
422.5008:
00574.
00585742.
04576860.5010:
00525.
00527.
870.
55522320.5109:
005860591.
810.9958Q4O
0.9511:0053OO55Q
462.
32539.
930.3610:
00597.0058Q
082.
83582552.4212:
00534.
00529.
670.
81531.
180.5311:
00599.0057X
583.
41607.
051.3413:
005360556723.
87542981.3012:
0056600555852.
15561.
580.7814:
00537.
00526162.
02527.
071.8513:
00557.
00564.
44134557.
750.1315:
0053600546621.6955Q
391.0114:
00557.
0576563.
51547.
551.7016:0052QOO
504.
532.
98516290.7115:
00537.
00536550.
08541.
350.8117:
00499.0050G
261.
45491.
411.5216:
00555.
00564.
051.
63551.
660.6018:
00501.
00504050.
61492901.6217:0053OO
522442.
89541.
800.7119:
00501.
00487.
022.
7950771.5518:
005260052150.
4852380.4520:
00507.
0506420.
11505.
550.2919:
00525.
0521790.
23521.
780.6121:
00521.
00509.
922.
13516070.9520:
00529.
00534.
511.
04528320.1322:
00544.
0531.
532.
29529.
712.6321:
00534.0051Q
53439545.
152.0923:
00511.
00516821.
14517.
371.2522:
0059600582922.
19591.
700.7224:
00503.005X
1933.
91497.
011.1923:
00541.
0524033.
32531.
831.7024:
00535.
00525781.
72537.
420.45:带格式的字体五号,字体颜色自动设置带格式的字体颜色自动设置:带格式的字体五号,字体颜色自动设置带格式的缩进首行缩进2字符i带格式的字体颜色自动设置[带格式的字体五号,字体颜色自动设置〔带格式的字体五号;带格式的缩进首行缩进2字符,带格式的字体五号:带格式的字体五号;带格式的字体五号带格式的字体五号[带格式的字体五号:带格式的字体五号:带格式的字体五号;带格式的字体五号带格式的字体五号带格式的字体五号;带格式的字体五号[带格式的字体五号带格式的字体五号.带格式的字体五号:带格式的字体五号:带格式的字体五号模型时刻实际值MW预测佰MW绝对误差%预测值MW绝对误差%01:
00694.
00697.
360.
4869240.6102:
0070600701.
170.
68695.
171.5303:0068S
00679.
170.
85684.
820.0304:0066A
00657.
340.
85663.
890.1305:
006410656772.
62639.
600.0606:
0065200667.
992.
45662741.6507:
006900696850.
16686621.6308:
0074600749.
520.
47744.
360.2209:0073X
742220.
57749.
431.5510:
0075300757.
230.
56759.
920.9211:007860076G
352.
50785.
760.0312:
0077500755.
142.
56771.
830.4113:0076Q0076Q
380.
05762440.3214:
0078100784.
210.
54786850.8815:0077Q0076Q
051.
29775.
000.6516:
0075600772182.
14771.
662.0717:0078Q
00813074.
24787.
430.9518:
00777.
00769.
031.
03761.
651.9719:
0071300725.
041.
69702801.4320:
007830077070.
63785.
370.3021:
00767.
00747.
222.
58747.
112.5922:
0071500711.
430.
50721.
200.8723:0067Q
00679.
301.
39677.
021.0524:
00654.
00679.
463.
8965480.69日期BP神经阿格CSO-BP神经网络5月21308月164012月2220日期最小值最大值最小值最大值5月
210.
113.
910.
222.638月
160.
084390.
222.6312月
220.
054.
240.
032.59日期BP神经网%CSO-BP神经网绪5月
211.98%
1.19%8月
161.91%
0.93%12月
221.45%
0.94%平均绝对误差
1.78%
1.02%。