基于遗传算法优化前馈神经网络模型的配电网短期负荷预测
来源:用户上传
作者:
摘 要：对于配电网的安全运行来说，短期的负荷预测有着重要意义。文章以某地区配电网为研究对象，利用遗传算法优化前馈神经网络，对该地区的短期负荷预测方法进行研究。电力系统短期负荷预测受到气象因素、负荷类型、时间因素等多种非线性因素的影响，因此针对上述问题，首先确定输入，输出样本，建立前馈神经网络模型，然后利用遗传算法对前馈神经网络的缺陷进行优化，最后以MATLAB平台仿真计算。通过对比可知，经过遗传算法优化后的前馈神经网络预测模型预测精度进一步提高。
关键词：前馈神经网络;遗传算法;短期电力负荷预测
中图分类号：TM727 文献标志码：A 文章编号：2095-2945（2020）05-0007-03
Abstract： For the safe operation of distribution network， short-term load forecasting is of great significance. In this paper， with the distribution network of a certain area as the research object， the genetic algorithm is used to optimize the feedforward neural network， and the short-term load forecasting method of this area is studied. Short-term load forecasting of power system is affected by many nonlinear factors， such as meteorological factors， load types， time factors and so on. Therefore， in view of the above problems， firstly， the input and output samples are determined， and the feedforward neural network model is established. Then genetic algorithm is used to optimize the defects of feedforward neural network， and finally simulated on the MATLAB platform. By comparison， the prediction accuracy of the feedforward neural network prediction model optimized by genetic algorithm is further improved.
Keywords： feedforward neural network; genetic algorithm; short-term power load forecasting
引言
電力系统负荷是电力系统中重要的一部分，负荷预测的准确性对电力系统规划和经济运行非常重要[1]。随着经济的快速增长，用电量不断加大，电力系统的规模也必然扩大。但是由于当前电能无法大规模储存，为了满足社会用电量的需求，保证配电网的安全运行，负荷预测就显得尤为重要。现阶段，用于负荷预测的方法主要有灰色预测法、时间序列法、回归分析法等。由于电力负荷的影响因素较多，使得电力负荷具有时变性和非线性。因此传统的方法对于配电网的负荷预测精度不高。前馈神经网络具有典型的非线性处理能力，其收敛速度快，算法实现容易，通过对训练样本集进行学习，以获取数据间的规律性，建立起输入数据与输出数据间的映射，然后在此基础上进行推理从而得到预测结果。但是同样前馈神经网络权值和阈值具有随机性，对收敛速度有一定的影响，且不容易收敛。遗传算法是一种全局优化随机搜索算法，通过遗传算子模拟生物遗传过程中的选择、交叉和变异过程，获得最优个体[2-5]。
因此本文利用遗传算法全局搜索能力强的优势，可对前馈神经网络的权值和阈值进行优化，提高神经网络收敛速度，增强预测模型的准确性和稳定性。
1 遗传算法优化的前馈神经网络预测模型
1.1 前馈神经网络
前馈神经网络模型其主要特点是：信号是前向传播的，而误差是反向传播的，其拓扑结构一般分为三部分，分别为输入层、隐含层、输出层。通过对样本进行训练，使输出值接近真实的期望值，从而通过误差的反向传播来不断调整网络的权值和阈值，使其误差平方和最小。针对配电网电力负荷短期预测问题，针对同类型负荷，将24h内气温、光照强度、负荷原始数据作为输入层，将负荷数据作为输出层，如图1所示。
设隐含层的激活函数为f1，输出层的激活函数为f2，实际输出为A，希望输出为Y，其算法如下：
1.1.1 信息的正向传递
1.1.2 利用梯度下降法求权值变化及误差的反向传播
1.2 遗传算法优化前馈神经网络模型
前馈神经网络权值和阈值具有随机性，对收敛速度有一定的影响，且不容易收敛。利用遗传算法全局搜索能力强的优势，对其权值和阈值进行优化，提高网络收敛速度，增强预测模型的准确性和稳定性。遗传算法是一种全局优化随机搜索算法，通过遗传算子模拟生物遗传过程中的选择、交叉和变异过程，获得最优个体。主要步骤如下[6-7]：
（1）种群初始化。个体编码为实数编码，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值组成。 （2）适应度函数。根据个体得到BP神经网络的初始权值和阀值，用训练数据训练BP神经网络后预测系统输出，把预测输出和期望输出之间的误差绝对值和E作为个体适应度值F，计算公式为：
（3）选择操作。遗传算法选择操作有轮盘赌法、锦标赛法等多种方法，本文选择轮盘赌法，即基于适应度比例的选择策略，每个个体i的选择概率为：
（4）交叉操作。交叉操作选择实数交叉法，第k个染色体ak和第l个染色体al在j位的交叉操作方法如下：
（5）變异。选取第i个体的第j个基因aij进行变异，操作方法如下：
2 仿真算例
本节利用遗传算法优化的前馈神经网络模型对电力负荷进行预测，并对预测结果进行对比分析。在建立模型中，首先选取光照强度、气温、电力负荷作为输入变量，神经网络算法参数设置：学习效率取0.1，动量因子为 0.65，最大训练次数 2000，网络训练最大平方误差为10-5。遗传算法参数设置：种群规模取10，进化代数取50，交叉概率取0.4，变异概率取0.2。选取南京某区的电力负荷历史数据及天气状况、光照强度，利用遗传算法优化的前馈神经网络对2019年6月30日全天24小时负荷进行预测，预测结果如表1所示。遗传算法优化的前馈神经网络的适应度曲线如图3所示。
从表1可见，21个时间点的绝对百分误差小于3%，最小绝对百分误差为0.002%，最大绝对百分误差为4.69%，平均绝对百分误差为1.89%，表明预测取得了较满意的结果。
3 结论
本文考虑了负荷类型、光照强度、气温等非线性因素，利用前馈型神经网络模型对电力负荷进行短期预测，同时利用遗传算法全局搜索能力强的优势，可对前馈神经网络的权值和阈值进行优化，提高神经网络收敛速度，增强预测模型的准确性和稳定性。选取南京某区的电力负荷历史数据及天气状况、光照强度等非线性变量作为输入变量，利用模型进行短期负荷预测，取得了较满意的结果，表明该算法具有较高的可信度，对以后的研究有一定的实用价值。
参考文献：
[1]牛晓东，曹树华，赵磊.电力负荷预测技术及其应用[M].中国电力出版社，1998.
[2]李思琦，蒋志坚.基于神经网络的供热负荷预测模型[J].区域供热，2018（4）：42-46.
[3]刘畅，刘天琪，陈振寰，等.基于KPCA和BP神经网络的短期负荷预测[J].电测与仪表，2016，53（10）：57-61.
[4]张凌云，肖惠仁，吴俊豪，等.电力系统负荷预测综述[J].电力大数据，2018，21（1）：52-56.
[5]苏靖祥.电力系统短期负荷预测方法研究[D].天津：天津大学，2015.
[6]王锦，赵德群.基于遗传算法的神经网络权值优化方法[J].电子元器件与信息技术，2018（9）：33-36.
[7]李莉，刘建勋，刘崇新.基于改进型遗传算法的混沌神经网络在电力负荷预测的应用[J].华中电力，2010，23（2）：13-17.
转载注明来源:https://www.xzbu.com/1/view-15121055.htm
