人工蜂群算法十BP神经网络模型在短期电力负荷预测中的应用研究

引言

虽然电网数据量在不断增加,为短期电力负荷预测提供了足够的数据支持,但也提高了预测难度[4_5-。同时,电力负荷数据均源自于用电信息采集系统数据库,数据异常问题不可避免,若不进行剔除,势必会对电力负荷预测精度造成干扰[+-。因此,本文将从异常数据的预处理出发进行研究,以提高电力负荷数据质量,为后续的人工蜂群算法＋BP神经网络模型的预测实验开展扫清路障。

1异常数据的预处理方法

1.1异常数据常见的表现形式

异常数据常见的表现形式有5种:(4）存在缺失值和零值,导致这种现象发生的主要原因有两个,一是大负荷突然投切,二是停电检修:(2）负荷毛刺,导致这种现象发生的主要原因是负荷受到了突然事件冲击,使得相邻时刻负荷值突然增大或减小:(3）连续突变值,这种情况出现一般是线路局部故障负荷转移所致:(5）连续恒定非零值,该情况的出现势必为负荷在某时刻其值为零且处于恒定状态所致。

1.2数据横向比对法

为了对这类异常数据进行有效处理,此处首先使用的是数据横向比对法。具体判别思路如下:以相邻时刻的负荷数据为判断基准,观察负荷数据是否在预设区间内,从而实现负荷数据判断。假如负荷数据为异常数据,则需要利用式(4）进行修正。

式中:p(d,4）表示第d天4时刻的负荷数据:p(d,4＋4）表示第d天4＋4时刻的负荷数据:p(d,4_4）表示第d天4_4时刻的负荷数据:a(4）与1(4）均为阈值。

但这种异常数据处理方法不能对连续性缺失数据和突变数据进行处理。为解决这一难题,确保异常数据处理的有效进行,在该方法的基础上进行了相应的改进(结合纵向比较法）,具体如下文所述。

1.3改进后的数据双向比较法

改进后的数据比较法除了具备横向比对法应有的能力外,还具备纵向比较法的性能。数据双向比较法原理如下:

(1）对异常数据进行评判时,可对相邻时刻负荷数据进行比较,以获取负荷变化量。

(2）将每天相同时刻的负荷数据与前一时刻的负荷数据进行纵向比较,以获取平均负荷变化值,即其阈值a(t）。

(3）利用阈值完成异常数据的筛选工作,而后在相邻负荷最大化范围的基础上对异常数据进行约束。

(4）依照时间顺序,对异常数据进行识别与修正,在得到最终修正结果后,便可替换掉下一时刻数据的基准值。

(5）对几天内的数据进行同时处理,在得到这几天内的异常负荷数据后,修正值可由正常数据的平均值替代。

该方法具体计算公式如下:

联立式(3）与式(4）,可得到式(5）:

式中:阈值a(t）表示t时刻N天的平均负荷变化量:p(d,t）表示第d天l时刻的负荷数据:p(ζ,t）表示第d天l时刻的正常负荷数据:K表示正常负荷数据的数据个数:9表示可调参数,利用可调参数可实现修正程度的调整。

通过多次测试得知,可调参数与修正程度成反比关系,随着可调参数的不断增大,修正程度会逐渐缩小,并在实验中确定了9的取值为1.2。

2人工蜂群算法＋BP神经网络的短期电力负荷预测模型实现流程

人工蜂群算法＋+B神经网络算法的训练网络结构与传统的+B神经网络算法相同,此处不进行分析。在网络结构的选择上,选取了三层3P-24-24网络结构,并选择Log-sigmoid作为此次的激活函数。

2.1人工蜂群算法＋BP神经网络的参数选择

为弥补+B神经网络在电力负荷预测中的不足,引入了人工蜂群算法。为了不加大后续的计算难度,需要选择合适的参数,具体设定如下:令蜂群规模为200:令跟随蜂、初始蜜源以及雇佣蜂的数量均为100:令limit为120次,算法最大迭代次数为1000。

2.2人工蜂群算法＋BP神经网络模型的实现流程

人工蜂群算法＋+B神经网络模型的具体实现流程如图1所示。

由图1可以看出,人工蜂群算法＋+B神经网络模型的实现主要经过3个步骤:(1）在确定神经网络拓扑结构后,对蜂群参数(如蜂群大小、初始蜜源、最大迭代次数等）进行初始化处理。(2）利用雇佣蜂在领域内搜寻新蜜源,并计算其适应度情况,当适应度大于蜜源时,则进行标记与取代:反之则舍弃新蜜源。(3）对迭代过程进行检查,以确定是否达到终止条件,当达到终止条件时,获取最优权值和阈值,并进行相应的测试工作,获取最终结果:反之则重复迭代过程,直至达到最大迭代次数为止。

3预测结果分析

3.1人工蜂群算法＋BP神经网络模型辨识精度检验

为了确定人工蜂群算法＋+B神经网络模型在电力负荷预测中的可行性,以某市2020年P月21日至6月21日的历史负荷数据作为样本数据,进行电力负荷测试仿真实验。实验中,对人工蜂群算法＋+B神经网络模型与单一的+B神经网络模型同时迭代200次,得到迭代次数与均方根误差间的关系,如图2所示。

图2迭代次数与均方根误差间的关系

随着均方根的不断减小,预测值会不断向真实值靠拢。由图2可以看出,BP神经网络算法迭代130次后,均方根误差值趋于平稳,但其值大于1%:而人工蜂群＋BP神经网络算法迭代94次后,均方根误差值趋于平稳,且其值小于1%。相比之下可知,人工蜂群＋BP神经网络算法不但具有较高的收敛性,而且其寻优精度较高。3.2训练性能对比实验

为检验人工蜂群＋BP神经网络模型的训练性能情况,此处与单一BP神经网络模型进行了比较研究,具体比较实验分为两种:(1）电力负荷预测比对实验:(2）误差指标比对实验。实验数据均为某市2020年8月3日至8月9日连续一周内的历史数据,预测结果分别如图3、图4所示。

图3人工蜂群＋BP神经网络与单一BP神经网络一周内电力负荷预测结果

由图3与图4可知,人工蜂群＋BP神经网络算法的电力负荷预测结果更加接近真实值,绝对百分误差结果

图4人工蜂群＋BP神经网络与单一BP神经网络电力负荷

预测的绝对百分误差结果

更小。经过多次实验统计得到了人工蜂群＋BP神经网络模型与单一BP神经网络模型的训练性能结果,具体如表1所示。

由表1可知,与BP神经网络模型相比,人工蜂群＋BP神经网络模型的预测效果较优,平均绝对百分误差为1.639%,最大相对误差为3.709%。为了进一步检测人工蜂群＋BP神经网络模型的预测结果,对8月25日当天的电力负荷情况进行了预测,得到的结果如图5、图6所示。

图5人工蜂群＋BP神经网络与BP神经网络24h内电力负荷

预测结果

由图5与图6可知,人工蜂群＋BP神经网络模型的电力负荷预测结果更加接近真实值,绝对百分误差结果

图6人工蜂群(＋B神经网络与＋B神经网络2P4内电力负荷预测绝对百分误差结果

更小,基本趋于2P～.P。BP神经网络预测误差基本保持在.P～5P,但误差波动较为明显,容易出现局部最优问题,对预测精度会造成一定的影响。为直观披露人工蜂群+BP神经网络模型对电力负荷预测的可行性,对其平均绝对百分误差与均方根误差进行了统计计算,并与BP神经网络模型进行了比对,得到的结果如表2所示。

从表.可以看出,利用人工蜂群+BP神经网络模型预测.4h内电力负荷的平均绝对百分误差为%1.26P,BP神经网络模型的电力负荷预测的平均绝对百分误差为31852P,二者相差.1644P。融合了人工蜂群算法的BP神经网络模型进行电力负荷预测的均方根误差为%1745P,单一BP神经网络模型进行电力负荷预测得到的均方根误差为61657P,二者相差419%.P。可见,人工蜂群+BP神经网络模型在短期电力负荷预测中具有较高的稳定性,能够在短期电力负荷预测中发挥应有的作用。

4结语

在电力负荷预测过程中,为了降低异常数据的干扰,通常需要对检测数据进行预处理。因此,本文首先给出了异常数据的预处理方法,以避免检测数据中存在负荷毛刺、空值、缺失值以及连续突变值等异常数据;接着给出了人工蜂群+BP神经网络短期负荷预测模型的实现流程,并选定了相关网络参数,为后续的短期电力负荷预测实验奠定了基础;最后,以某市.2.2年历史数据为例,对人工蜂群+BP神经网络模型的可行性进行了多次检测,并与单一BP神经网络模型进行了比较,得到的结果均肯定了人工蜂群+BP神经网络模型在短期电力负荷预测中应用的可行性,且能够得到较优的预测结果。