基于特性分析的改进BP神经网络短期电力预测方法

张武军，程远林，周捷，潘轩

(1.中国能源建设集团湖南省电力设计院有限公司，湖南长沙410007；2.湖南省清洁能源与智能电网协同创新中心，湖南长沙410004；3.长沙理工大学，湖南长沙410004)

0 引言

电力的安全供应对人民的生产生活乃至国民经济稳定运行都十分关键[1-2],安全供应与日最大负荷 (简称:负荷)和用电量相关。因此,开展“迎峰度冬”等用能高峰期的短期电力预测工作,对于预判电力供需形势、加强电力系统运行管理、确保电力供应平稳有序具有重要意义。

电力负荷的影响因素十分复杂,且多为非线性因素,这给短期电力负荷的预测带来了挑战[3]。为了提高短期预测模型的性能,文献 [4]采用综合气象因子作为输入,并应用Elman神经网络建立短期负荷预测模型,一定程度上改善了预测精度；文献 [5]利用猫群算法对BP神经网络进行改进,建立了短期负荷预测模型,并验证了模型精度有效性；文献 [6]基于主成分分析与遗传算法集合,提高了收敛速度。然而,目前短期预测多是单一提高预测精度或收敛速度,较少同时把握两者,因此同时考虑短期预测的精度与收敛速度具有研究价值。

目前用于短期电力负荷预测的方法很多,常见的有时间序列法、指数平滑法、灰色预测法和人工神经网络法等[7-8]。其中 BP(Back Propagation,BP)神经网络有较强的非线性映射能力、高度自学习自适应能力、容错能力和灵活性等优点,吻合短期负荷预测的特点,但存在易陷入局部极小[9]和学习收敛慢[10-11]等现象。

因此,文章分析电力负荷预测的影响因素和历史电力负荷、用电量之间的特性关系,将影响因素分为长期、短期性影响因素,将历史电力负荷、用电量均分为基准量和敏感量,并用决定系数确定所需短期影响因素,提高了方法收敛速度；应用遗传算法 (Genetic Algorithm,GA)对BP神经网络的初始权值和阈值进行优化,并将BP神经预测误差作为遗传算法的适应度函数,提高了方法预测精度。选取某省2015—2019五年 “迎峰度冬”期间数据进行验证,结果表明,基于特性分析的改进BP神经网络短期电力方法精度和收敛速度都得到了提高。

1 特性分析与数据提取

1.1 影响因素特性分析

影响短期负荷的因素是复杂的,主要包括经济因素、政治因素、电价因素、气象因素等,因为前三者短期内具有稳定性,且对短期电力负荷预测影响较小,可归类为长期性影响因素,在短期预测时可以忽略。短期影响因素是指短期内变化大的因素,其影响最大的为气象因素[12-13],气象因素包括气温、气候类型和湿度等。

1.2 负荷与电量特性分析

一般情况下气象因素中气温因素的变化对用电负荷影响较大,例如夏季炎热空调降温、冬季气温降低取暖所用负荷称之为气象敏感负荷量 (简称为:敏感量),但也存在部分负荷是不随气温变化的,例如照明、工业运行负荷称之为基准负荷量(简称为:基准量)。一般情况下,敏感量主要受短期影响因素影响,基准量主要受长期影响因素影响。

如图1、2所示,以2016—2018年负荷、用电量说明,由于4、5月和10月气温比较适宜,负荷与用电量在此期间内相对比较稳定,考虑选择这些月份的平均量作为年度基准量,以此原则确定2015—2019年 “迎峰度冬”期间基准量,见表1。

图1 2016—2018年负荷曲线

图2 2016—2018年用电量曲线

表1 2015—2019年负荷与用电量提取结果

1.3 数据提取与处理

考虑气象因素越多,对提高预测精度越有利,但是选择因素变量过多,将导致预测方法过于复杂,影响计算效率[14]。此外,同一因素的细致描述,可提高预测的精度,例如气温就包含最低气温、最高气温和平均气温。因此,选取决定系数法确定敏感量影响因素。

1.3.1 数据提取与处理

在气温信息中,最低气温、最高气温和平均气温对负荷都存在影响,因为省级行政区地域较广,省内各地市气温存在较大区别,所以,将各地市气温进行加权处理来表征全省气温状态。以平均气温为例,设n个地市的平均气温,分别记为T1、T2…Tn,以上一年度负荷占比K1、K2…Kn作为权重,则全省加权平均气温为:

应用决定系数法[15]判定加权最低气温、最高气温和平均气温与负荷、电量之间的关系,见表2。

表2 2015—2018年用电量、负荷与加权气温决定系数

决定系数绝对值均大于0.5,表明气温与负荷、用电量有着显著的相关性。此外,随着时间推移决定系数绝对值普遍有增大趋势,表明电力负荷、日用电量与气温的耦合关联关系在逐步增强,也更加说明气温对短期负荷、用电量预测的重要性。

1.3.2 天气类型与节假日数据

考虑到天气类型对负荷的影响,将天气类型划分为晴天、多云/阴天、小雨、中雨、大雨、雪/冻雨六个等级。考虑节假日相关因素对负荷、用电量的影响,对工作日以及节假日类型可以细分为四类:春节、其他法定节假日、周末、工作日。

如图3所示,说明天气类型对冬季负荷的影响,黑色区域是其他因素相近情况下,所对应天气类型负荷的波动范围。显然,天气越恶劣,负荷越大。

图3 天气因素说明图

2 基于遗传算法改进的BP神经网络

2.1 BP神经网络算法

BP神经网络是目前应用最为广泛的人工神经网络方法,属于全局逼近的方法,能很好地实现复杂变量的非线性映射和数据联想记忆功能,其主要思路是输入信号的正向流动以及误差的逆向流动。常见BP结构如图4所示。

图4 BP神经网络示意图

其中,输入向量为X,隐层输出向量Y,输出向量为O,输入层到隐层的权重为V,隐层到输出层的权重向量为W,X0、Y0分别为输入层和隐层的阈值,均取值-1。当应用BP神经网络训练模型时,如果输出向量O为与期望向量P不满足收敛要求,则通过计算误差调整向量为V与向量W,直至输出与期望满足要求。

BP神经网络的权值和阈值非常重要,当其参数设置不正确,网络收敛速度将会变慢,网络将陷入局部最优,无法满足要求。

2.2 遗传算法

遗传 (GA)算法是一种模拟自然界遗传机制及生物进化论的一种并行随机搜索最优化方法,其具有的全局搜索能力较强,正好可以弥补BP神经网络容易陷入局部最优的缺点。因此,通过遗传算法得到更好的BP神经网络初始权值和阈值,其基本思想是用个体代表网络的初始权值和阈值,个体值初始化的BP神经网络预测误差作为GA的适应度值,通过选择、交叉和变异操作寻找最优个体,即最优的BP神经网络初始权值。

GA算法主要包括种群初始化、选择操作、交叉操作、变异操作、适应度函数五个部分[16-17]。文章定义适应度函数和选择操作如下:

其中,Fi为第i个群体的适应度值,Pi为第i个群体被选择的概率,k为群体规模。

2.3 遗传算法改进的BP神经网络

遗传算法优化的BP神经网络的流程结构如图5所示。

图5 遗传算法改进的BP神经网络流程

2.4 基于特性分析的改进BP短期电力预测方法

基于影响因素特性分析、负荷特性分析,短期影响因素主要考虑气象因素和节假日类型作为输入量,其中气象因素中重点刻画了加权最低温度、加权最高温度、加权平均温度和天气类型,整体预测方法如图6所示。

图6 预测方法流程

3 仿真分析及结果展示

3.1 参数与设置说明

选取某省2015—2019五年 “迎峰度冬”期间历史数据进行分析,共计550组数据,采样周期为1天。基于Matlab搭建,进行BP训练前先应用遗传算法进行权值优化,遗传算法群体规模50,终止迭代次数500,交叉概率0.2,变异概率取0.01；BP神经网络隐层设置为2层,隐层激活函数tansig,输出激活函数purelin,520组数据训练,15组测试,权值与阈值由遗传算法优化得到。

3.2 负荷与用电量预测

为验证分析方法有效性,把前面535组数据作为训练集合,把最后15组数据作为测试集合。设置三个方案,并从计算时间、收敛精度两方面考核分析。

方案1:仅考虑改进BP神经网络预测方法。方案2:仅考虑特性分析的BP神经网络预测方法。

方案3:基于特性分析的改进BP短期电力预测方法。

为了分析各方案的区别,计算时间选取迭代次数,收敛精度选取均方误差对比。

如图7所示,预测统调负荷时三种方案的性能对比。对比方案1与方案2可知,方案1的精度比方案2高,这说明基于遗传算法改进BP神经网络的权值和阈值后,避免了陷入局部最优；方案2比方案1收敛速度快,说明考虑负荷与影响因素特性可以减少无效输入,从而提高收敛速度。

图7 预测负荷下不同方案性能对比

如图8、9所示,结合图7可知,预测统调最高负荷时,方案3基于特性分析的改进BP短期电力预测方法同时具备了收敛速度快和预测精度高的特性,统调最高负荷预测精度可以达到±2%以内,满足工程应用需求,说明了所建立方法的有效性。

图8 不同方案下的负荷预测

图9 不同方案下的负荷预测误差分析

同理,分析图10、11和图12说明所建立方法能准确预测用电量,进一步验证了所提方法的有效性。

图10 预测用电量下不同方案性能对比

图11 不同方案下的用电量预测

图12 不同方案下的用电量预测误差分析

受用电结构及电力负荷特性影响,目标省份“迎峰度冬”期间最高电力负荷、日用电量受气温等因素变化非常明显。在此预测方法基础上,结合未来一段时期气象预报数据开展短期负荷预测,提前制订电力供应保障预案,目前已在进行试点使用,对保障电力安全稳定运行和可靠供应具有重要意义。

4 结语

1)针对单一BP神经网络短期预测收敛慢的情况,深入分析了影响因素与统调量特性之间的作用关系,将负荷、用电量分解为基准量与敏感量,结果表明,考虑影响因素、负荷和用电量特性能加快收敛速度。

2)针对单一BP神经网络易陷入局部最优的情况,采用全部搜索能力较强的GA对BP神经网络进行改进,得到了改进后的BP神经网络方法。结果表明,改进BP神经网络方法能有效提高预测精度,目前已在试点使用。

3)基于特性分析的改进BP神经网络短期电力预测方法的分类思想、论证过程具有一定迁移作用,值得借鉴。