基于遗传算法优化和BP神经网络的中长期负荷联合预测

把明全+游志刚+焦晶+赵升学+宋镭+宋厚彬

摘 要 传统的BP神经网络负荷预测存在学习速度慢、局部极小等缺陷，已无法满足现代电力负荷预测的精度要求。基于此，本文首先在分析了BP神经网络的预测原理和不足的基础上，阐述了遗传算法的原理及优化步骤，优化后的算法避免了初始阈值和权值选择的盲目性，提高了BP算法负荷预测的精度和效率，最后实际算例验证了该联合预测方法的可靠性及可行性。

关键词 BP神经网络；遗传算法；中长期负荷；预测

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2017）199-0095-03

中长期电力负荷预测是电网规划的基础工作。电网规划、决策、经济的良好运行都需要准确的电力负荷预测。对于中长期负荷预测广泛采用传统的神经网络方法[1-2]，目前大多采用BP神经。BP神经网络[3]是一种静态神经网络，存在学习速度慢、局部极小等问题，为了更加精确方便的做出预测提出了各种优化方法（如布谷鸟算法、最小二乘法）对传统神经网络进行改进。而遗传算法[3]是借鉴生物界优胜劣汰的进化规律，模拟生物在自然界的遗传和进化过程而形成的一种全局优化随机概率搜索算法，它能解决许多困难或复杂的问题，对BP神经网络的权值阈值的优化提供了一个确实可行的方法。本文基于遗传算法优化的BP神经网络算法对中长期的负荷进行预测，通过实例预测、分析和结果的对比，验证该联合预测方法具有较高的预测精度。

1 BP神经网络

用BP神经网络进行中长期负荷预测的步骤如下：

1）权值w和阈值b初始化，即把隐含层输出层权值和阈值设置成最小的随机数；

2）提取合适的训练样本集，即训练输入向量P和训练输出向量T；

3）隐含层的输出a1和输出层的输出a2的计算公式如下[ 1 ]：

式中：w（k+1）、w（k）分别是k+1、k时刻的权向量；η是学习率，取值一般为0.709；D（k）是k时刻的负梯度，负梯度是D（k）的最快下降方向。

权值按误差反向传播方向进行，从输出节点开始返回到隐含层并按式（3）进行进化改变。阈值是一个变化值，在进化权值的同时也改变阈值，原理同权值进化。

6）循环步骤2到步骤5，直至均方误差和E满足设置的精度ε为止，即E<ε，ε一般取0.001以下。

2 遗传算法

2.1 遗传算法优化BP神经网络的实施步骤

1）染色体编码与解码将问题的解表示成“基因组”，每一“基因组”代表问题的一个可行解。随机产生一个基因组为L的初始群体，该初始群体就是问题的一个可行解的空间集合。

2）个体适应度的检测评估基于适度函数对“编码串”进行评价。

3）遗传算子（选择运算使用比例选择算子、交叉运算使用单点交叉算子、变异运算使用基本位变异算子或者均匀变异算子）。即应用一组遗传操作（复制、交叉、变异）生成一个新的可行解空间集合。

4）终止条件是否满足要求，如不满足返回步骤2，这样循环执行步骤2至步骤4，使“基因组”群体不断的进化，一代一代的进化得到的个体，这个终极个体即为问题的最优解。

2.2 遗传算法优化BP神经网络的负荷预测中的应用

1）负荷数据预处理，通过利用小波理论和平滑法剔除或修补数据。本文数据来自于开封市电力公司，经检查未发现负荷数据异于正常数据，符合实验数据要求。

2）提取训练样本，本文中BP神经网络的训练输入向量为开封地区2017年4月30天的实际负荷数据，训练样本的输出向量为开封地区2017年5月前30天的实际负荷数据。

3）经传统BP神经网络预测，预测出输出层的预测输出值。

4）将BP神经网络的训练样本嵌入遗传算法中得到相应的优化后的权值和阈值。

5）改进后的BP神经网络加入优化后的权值和阈值。

由于BP神经网络的初始权值和阈值优化是一个无约束优化条件的问题，并且采用实数编码，可以直接利用MATLAB遗传算法工具箱进行预测计算。

3 实例分析

本文原始数据为开封市某地区实际负荷。由于选取4月和5月负荷数据，对6月开封地区实际负荷进行预测，开封市第二季度温度气候以及环境因素对电力系统用电量影响较小，本文只研究历史数据无外界因素影响条件下遗传算法优化神经网络的中长期负荷预测[2]。

通过以上的设计，BP神经网络的输入和输出层各有30个神经元。设定训练步数为1 000，运用MATLAHB神经网络工具箱，在BP神经网络中间层神经元为67个时，其负荷数据预测曲线更接近实际负荷曲线。经过1 000次训练后，BP神经网络的训练误差为0.009362。同样的负荷数据经过改进型的BP神经网络，即初始权值和阈值的优化后，设置同样的训练步数和中间层的神经元个数，经训练后，BP神经网络训练误差降低为0.004232。预测速率大大提高，预测误差远低于传统的BP神经网络的预测误差。

随样本空间变的增大，BP神经网络的隐含层神经元增加，网络结构更加复杂。BP神经网络学习效率及收敛速度会变慢，而遗传算法的优化网络参数的作用就更加明显。根据相关文献[3]，在遗传算法中群体规模一般取10-160，在實际算例中，经大量实验反复验证群体规模选为50时仿真效果较好。交叉概率的经验取值为0.4-0.99，本算例中交叉概率为0.4，从仿真过程看，当样本比较大时，适当增大交叉概率，缩小群体规模的比例，新系统的检索速率会相应的提高，而且预测精度反而有所提高。

遗传算法优化后的算法和传统神经网络算法误差分析及负荷预测值对比如表1所示。

由表1可以看出基于遗传算法优化的BP神经网络的预测值最大相对误差6.93%，最小相对误差为0.142%，基本满足中长期负荷预测10%的误差要求。

4 结论

遗传算法和神经网络相结合的中长期负荷联合预测方法，该联合预测方法即很好的弥补了传统BP神经网络算法的不足，发挥了遗传算法的优化BP神经网络关键参数的问题，神经网络参数选择不好，就会出现欠学习、过学习的问题，影响神经网络预测精度，又很好的发挥神经网络的非线性空间映射的关系，其结果的准确度和精度相比于单独使用BP神经网络预测均有所提高，两者相结合解决了现代电力系统负荷预测要求精度高的问题。

参考文献

[1]肖国泉，王春，张富伟.电力负荷预测[M].北京：中国电力出版社，2001.

[2]蒋惠凤.中长期电力负荷预测技术与应用[M].南京：东南大学出版社，2016，10（l）：80-82.

[3]梁海锋，涂光渝，唐红卫.遗传神经网络在电力系统短期负荷预测中的应用[J].电网技术，2001，25（l）：49-53.endprint