基于粒子群算法的BP神经网络电价预测研究

鲁娅楠 王金梅 孙帆

摘 要：电力负荷预测是电力系统规划和运行的主要内容，而实时电价是影响负荷预测精度的一个重要因素，文章通过分析某电网电价历史数据，结合PSO算法和BP网络优点，提出一种PSO-BP神经网络预测模型，用PSO算法优化BP神经网络的初始权值和阈值，将电力系统电价的不确定性变为可预测性。Matlab仿真结果表明，PSO-BP神经网络预测模型收敛速度快和预测精度高，可运用到未来实际电价预测当中。

关键词：BP神经网络；粒子群算法；优化算法；电力负荷预测

中图分类号：TM71 文献标志码：A 文章编号：2095-2945（2018）28-0015-03

Abstract： Power load forecasting is the main content of power system planning and operation， and the spot price is an important factor that affects the precision of load forecasting. This paper analyzes the historical data of electricity price in a power network and combines the advantages of PSO algorithm and BP network. A forecasting model of PSO-BP neural network is proposed. The PSO algorithm is used to optimize the initial weights and thresholds of the BP neural network， and the uncertainty of the electricity price in the power system can be changed into predictability. The Matlab simulation results show that the PSO-BP neural network prediction model has fast convergence speed and high forecasting accuracy， which can be applied to the actual electricity price forecasting in the future.

Keywords： BP neural network； particle swarm optimization； optimization algorithm； power load forecasting

引言

随着智能电网的快速发展，短期电力负荷预测受到经济、环境和实时电价等多种不确定因素的影响，而实时电价是影响负荷预测精度的一个重要因素。因此，本文提出PSO-BP预测模型，通过分析某电网的实时电价和负荷数据，结合BP神经网络局部寻优和粒子群算法全局寻优的特点，用粒子群算法优化BP神经网络的最初权值和阈值，然后不断更新粒子位置、速度，直至搜索到最优适应度值，以此来提高网络训练速度和预测精度，将电力系统电价的不确定性变为可预测性。

1 某电网负荷特性分析

如圖1所示，该电网8月1-5日负荷的周期性比较明显，它们总的变化趋势和出现峰值、谷值的时间也基本相同，其它天的负荷变化曲线也有相似规律。

如图2所示，8月1-5日电价变化曲线有明显的周期性且电价出现峰段、谷段的时段基本相同，且电价的变化曲线与负荷变化曲线有相似变化特点。负荷出现峰值时，电价也相应较高；谷值时，电价也比较低。这样便可以发挥电价的调节机制，峰值时电价较高使用户减少用电，谷荷时电价较低鼓励用户用电，有削峰填谷的作用。

2 BP神经网络

BP神经网络是一种包括隐含层的多层前馈网络，能较好解决隐含单元连接权在多层网络中的学习问题，其学习算法分为：信号向上传递和误差向下传递。向上传递时，输入样本从输入层经过隐含层单元逐层处理后传到输出层。输出层将实际输出和期望输出进行比较，如果误差值大于设定值，则进入误差向下传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断靠近期望输出[4]。BP神经网络的拓扑结构如图3所示。

4.2 参数优化

BP神经网络结构为5-3-1，隐含层、输出层的传递函数分别为S函数‘tansig和线性函数‘purelin，训练目标为1e-5，学习速率为0.02，权值为18，阈值为4。PSO算法参数：迭代次数为100，最大速度为0.5，加速因子c1=2，c2=1.8，？棕max=0.9，？棕min=0.3，设定最小误差为0.001，粒子数为40。PSO-BP电力负荷预测模型的精确度用绝对误差（MAE）和相对误差（MRE）检验。

4.3 PSO-BP预测模型分析

将训练好的样本数据输PSO-BP网络预测模型，Matlab工具进行仿真后PSO-BP神经网络的适应度曲线如图5所示，群体最佳适应度和当时的位置分别为1.1655，100，从图中可以看出该模型有较好的收敛效果。

PSO-BP电力负荷电价预测结果如图6所示，其中黑线代表的是8月6日电价实际值，蓝线代表的是8月6日电价预测值，从图中可以看出预测值和实际值的变化趋势基本相同。

网络训练结束后，PSO-BP神经网络的相对误差曲线如图6所示，可以看出PSO-BP神经网络预测误差在0左右变化，相对误差较小。网络运行结束后，相对误差为0.0163，MAE=1.58%，即本文运用的基于PSO-BP神经网络电价的预测模型具有较好的预测精度和准确度。

5 结束语

电力系统的复杂性间接造成了电力负荷预测的困难，文章通过分析某电网电价和负荷历史数据，用PSO-BP神经网络预测模型对未来几天的电力市场电价进行预测，将电价的不确定性变为可预测性，并对该预测模型进行验证。结果表明，本文提出的PSO-BP预测模型训练速度快，预测精度高，可为未来电力市场中的电能交易价格提供技术参考。

参考文献：

[1]宋超，黄民翔，叶剑斌，等.小波分析在电力系统负荷预测中的应用[J].电力系统及其自动化学报，2002，14（3）：8-12.

[2]马修元，段钮锋，刘猛，等.基于PSO-BP神经网络的水焦浆管道压降预测[J].中国电机工程学报，2012（05）：54-60.

[3]李东洁，李君祥，张越，等.基于PSO改进的BP神经网络数据手套手势识别[J].电机与控制学报，2014，18（8）：87-93.

[4]李松，刘力军，刘颖鹏.改进PSO优化BP神经网络的混沌时间序列预测[J].计算机工程与应用，2013，49（6）：245-249.

[5]潘昊，韩小雷.粒子群优化的BP网络学习算法研究及应用[J].计算机工程与应用，2008，44（9）：67-69.

[6]仲明月.基于改进粒子群算法的电力系统无功优化[J].科技创新与应用，2017（01）：230.

[7]张蕾，王蔚，孙凌涛.基于优化粒子群算法的风电场无功补偿研究[J].科技创新与应用，2017（14）：22-23.