基于粒子群算法与循环神经网络的短期电力负荷预测

李辉+王军

摘要：针对循环神经网络算法在电力负荷预测中存在易陷入局部最小值和全局搜索能力较弱的缺陷，提出了基于粒子群算法和循环神经网络的预测方法；针对标准粒子群算法易因粒子早熟收敛现象而陷于局部最优的缺陷，提出了合理粒距的概念，生成一种改良后的学习方法。采用改良后的粒子群算法对结点权值参数进行寻优，以测量值与预测值的误差作为评价依据，从而实现模型参数的优化选择。最后采用改良后的粒子群算法和循环神经网络预测模型对短期电力负荷进行预测，并与标准粒子群算法循环神经网络预测模型和循环神经网络预测模型对比。实际算例比较表明，这种预测方法具有良好的收敛特性和较高的预测准确度。

关键词关键词：粒子群算法；循环神经网络；电力负荷预测

DOIDOI：10.11907/rjdk.171805

中图分类号：TP319

文献标识码：A文章编号文章编号：16727800（2017）011012504

0引言

电力系统高效运行的基本要求是发电随时跟随电力体系负荷而改变，从而达到动态平衡，而短期负荷的准确预测能够帮助电力企业快速制定供电计划。因此，对电力系统负荷进行有效预测成为关键课题[1]。

目前，较多使用的预测方法有时间序列法[2]、遗传算法[3]、人工神经网络方法[4]、支持向量机[5]等。时序法仅仅把时间当作影响负荷的因素而忽略了气温、人类活动等重要因素，预测效果自然不理想[2]。遗传算法是为克服BP算法的收敛性能不足和易陷入局部最小的缺陷而提出的，采用随机迭代和进化方法搜索目标[3]。人工神经网络在经济领域应用较为广泛，在经济问题预测中，BP模型受到推崇，但BP模型对具有时间序列体系的操作局限性较大[6]，而循环神经网络在这方面做得更好。但神经网络对初始权值参数选择具有随机性，使算法的泛化能力降低[3]。

为了进一步提高电力负荷预测精度，针对循环神经网络节点初始权值优化难题，本文提出了一种改良后的粒子群算法——循环神经网络预测模型，并采用仿真实验验证了其优越性。

从图6可明显看到，改良后的PSORNN预测模型较未改良的PSORNN模型和RNN模型，测量值和预测值的拟合效果明显要好些。其中RNN模型预测效果最差，原因是初始化权值随机选取盲目，结果自然不够好[13]。使用PSO算法对接点权值进行优化，预测的准确度更高。从表1可以看出，经过粒子群算法优化的平均相对误差分别为1.82%和1.30%，远远低于通过RNN预测方法算出的误差3.10%，这充分说明了基于改良PSORNN的有效性。因为经过改良后的PSORNN模型实现了粒子间排斥和吸引的平衡，对初始权值进行合理设置，使结果达到了理想状况。因此，采用改良后的方法对电力负荷进行预测，达到了预测值更精确、模型精度更高的要求[12]。

5结语

针对电力负荷具有多变性、繁杂性、受大量因子共同作用的特点，本文提出了基于改良粒子群算法和循环神经网络相结合的负荷预测模型。这种模型克服了循环神经网络节点初始权值的随机性和标准粒子群算法易限于局部最优的缺陷。与标准PSORNN预测方法和RNN预测方法对比，证明了改良后的PSORNN模型预测精度更优。仿真实验结果表明，改良后的PSORNN模型在电力负荷预测精度上得到了较为明显的提升，并具有好的收敛性。

参考文献参考文献：

[1]马小津，朱博，戴琳，等.基于改进PSOLSSVM的短期电力负荷预测[J].控制理论与应用，2016：35（3）：59.

[2]HAGON，SUZNNE M.The times series approach to short term load forecasting[J].IEEE Trans，on Power Systems，1997，2（3）：785791.

[3]邱俊，张瑞林.基于遗传算法的循环神经网络在销售预测中的应用[J].浙江理工大学学报，2007，24（3）：267270.

[4]TOPALLI A K， ERKMEN I. A hybrid learning for neural networks applied to load forecasting[J].Neural Computing，2003，51（2）：495500.

[5]康操.基于最小二乘支持向量机的短期电力负荷预测模型的研究[D].成都：西南交通大学，2010：1015.

[6]刘征宇，杨俊斌，张庆，等.基于QPSOBP神经网络的锂电池SOC预测[J].电子测量与仪器学报，2013，27（3）：131139.

[7]余健明，马小津，倪峰.基于改进PSOLSSVM的风电场短期功率预测[J].西安理工大学学报，2013，29（2）：176180.

[8]何鹏.生料浆配料过程返料成分的时间序列混沌分析和SVM預测研究[D].长沙：中南大学，2011：2829.

[9]马静波，杨洪耕.自适应卡尔曼滤波在电力系统短期负荷预测中的应用[J].电子测量技术，2005，29（1）：7579.

[10]PARK D C，SHARK M.Electric load forecasting using an artificial neural network[J].IEEE Transaction on Power Systems，1991，6（2）：442449.

[11]EBERHART R，SHI Y.Particle swarm optimization：developments applications and resource[J].Proceedings Congress Computation，2001，7（3）：8186.

[12]霍明.短期负荷预测的支持向量机模型参数优化研究方法[D].长沙：湖南大学，2009：1015.

[13]潘磊，李丽娟，丁婷婷，等.基于改进PSO算法和LSSVM的短期电力负荷预测[J].工矿自动化，2012（9）：5559.

责任编辑（责任编辑：杜能钢）endprint