李雅楠

【摘 要】本文提出一種短期電力負荷的時間序列預(yù)測方法。該方法用混合pi-sigma模糊神經(jīng)網(wǎng)絡(luò)，結(jié)合短期電力負荷的周期性特點，建立pi-sigma模糊神經(jīng)網(wǎng)絡(luò)時序預(yù)測模型，構(gòu)建預(yù)測樣本和檢驗樣本，對未來短期電力負荷數(shù)據(jù)預(yù)測研究。該預(yù)測模型的模糊子集隸屬度可以在線動態(tài)調(diào)整。仿真實例表明，本文提出的電力負荷預(yù)測方法優(yōu)于常規(guī)的時序預(yù)測方法，具有預(yù)測精確度高以及預(yù)測結(jié)果穩(wěn)定等優(yōu)點，可以克服神經(jīng)網(wǎng)絡(luò)電力負荷預(yù)測方法的隨機性。仿真實驗結(jié)果驗證了所提出方法的有效性。

【關(guān)鍵詞】時序預(yù)測；模糊神經(jīng)網(wǎng)絡(luò)；電力負荷；預(yù)測

【Abstract】This paper proposes a short-term power load time series prediction method. The method using hybrid pi-sigma fuzzy neural network， using the periodic characteristics of the short-term power load， a Fuzzy neural network pi-sigma time-series forecast model is set up， building forecasting samples and test samples， research on short-term power load data to predict the future. The fuzzy forecast model of fuzzy subset membership can dynamically adjust online. Simulation examples show that the proposed power load forecasting method is superior to conventional temporal prediction method， has the advantages of high prediction accuracy and prediction stability， which can overcome the randomness of the neural network electricity load forecasting methods. The simulation experiment results demonstrate the effectiveness of the proposed method.

【Key words】Time-series； Fuzzy neural network； Power load； Prediction

0 引言

電力工業(yè)影響人們的生活水平和國民經(jīng)濟的發(fā)展，實時準(zhǔn)確的電力負荷預(yù)測有助于電力部門經(jīng)濟、合理地制定各項計劃，保證電網(wǎng)高效穩(wěn)定運行，達到一定精度條件，確定將來特定時刻的負荷數(shù)據(jù)。電力負荷預(yù)測是利用電力負荷的實時信息和歷史數(shù)據(jù)對未來的電力負荷進行預(yù)測，預(yù)測未來電力負荷的時空分布情況，以此來實現(xiàn)電力市場供求關(guān)系的均衡發(fā)展。其中負荷是指電力需求量（功率）或用電量。電力負荷預(yù)測是電力系統(tǒng)中一項十分重要的工作，是能量管理系統(tǒng)中的重要組成部分[1]。

電力負荷預(yù)測的核心工作是對大量歷史數(shù)據(jù)的收集、對模型的科學(xué)建立以及對算法的合理有效采用。在以歷史數(shù)據(jù)為基礎(chǔ)的前提下進行大量的實驗研究，對模型和算法加以修正，以此來反映電力負荷變化的真實規(guī)律。電力負荷一般分為城市、商業(yè)以及工業(yè)負荷等。不同負荷具有不同的特點和規(guī)律。

常用的電力負荷預(yù)測方法有：回歸分析法、彈性系數(shù)法、神經(jīng)網(wǎng)絡(luò)法、專家系統(tǒng)法和模糊邏輯方法等。通常模糊邏輯和神經(jīng)網(wǎng)絡(luò)用于預(yù)測時會出現(xiàn)預(yù)測結(jié)果不確定，多次重復(fù)預(yù)測結(jié)果不同等情況。近年來，模糊邏輯和神經(jīng)網(wǎng)絡(luò)的混合得到了比較廣泛的應(yīng)用。

本文采用一種新型混合pi-sigma神經(jīng)網(wǎng)絡(luò)模型預(yù)測短期電力負荷。該模型有如下特點：利用新組建的時間序列樣本預(yù)測電力負荷；該預(yù)測模型參數(shù)初始值是確定的；結(jié)論部分是輸入變量線性組合而成；用代數(shù)計算方法取代模糊運算；并能在線調(diào)整模糊規(guī)則的隸屬度函數(shù)，魯棒性好，預(yù)測結(jié)果穩(wěn)定等。

1 混合pi-sigma神經(jīng)網(wǎng)絡(luò)

混合pi-sigma神經(jīng)網(wǎng)絡(luò)預(yù)測模型是與高木-關(guān)野系統(tǒng)類似的一種新型模糊神經(jīng)網(wǎng)絡(luò)?？稍诰€修正前提參數(shù)和結(jié)論參數(shù)，這項工作可以靠模糊模型辨識來完成。該模糊神經(jīng)網(wǎng)絡(luò)適用于復(fù)雜系統(tǒng)的模糊預(yù)測和控制[2]。各模糊子集的隸屬函數(shù)均取高斯函數(shù)，以方便網(wǎng)絡(luò)的學(xué)習(xí)。其中，模糊模型可以自動更新，能動態(tài)修正各模糊子集的隸屬度函數(shù)，實現(xiàn)自適應(yīng)模糊模型的建模，從而能比較容易地確定網(wǎng)絡(luò)結(jié)構(gòu)和相關(guān)參數(shù)，使模糊建模過程更具合理性。

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)通常有三種結(jié)構(gòu)，一種是只含有求和節(jié)點的前向型網(wǎng)絡(luò)，另一種是可以實現(xiàn)聯(lián)想記憶的反饋型網(wǎng)絡(luò)，還有自組織網(wǎng)絡(luò)。它們都很難處理一些復(fù)雜的問題。然而在混合pi-sigma神經(jīng)網(wǎng)絡(luò)中，在模糊推理過程中利用代數(shù)乘法取代取小運算，以一個多入/單出的混合型pi-sigma神經(jīng)網(wǎng)絡(luò)預(yù)測模型為例，結(jié)構(gòu)如圖1所示，其中，S、P和（·）分別表示相加、相乘和相乘的運算。

在圖1中，每個輸入變量的模糊子集均取為[PL、0、NL]，即正大、零、負大，這樣可簡化過程，又能加快計算速度。該預(yù)測模型的輸入經(jīng)模糊化、模糊推理、反模糊，其輸出過程物理意義清楚，即知識處理過程是透明的。

1.2 模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

設(shè)預(yù)測模型期望輸出為yd，定義函數(shù)：

2 短期電力負荷的預(yù)測模型

數(shù)據(jù)來源：采用歐洲人工智能組織、國際電力負荷預(yù)測的競賽數(shù)據(jù)進行預(yù)測研究[4]。對1998年1月1日開始的500個時序數(shù)據(jù)進行試驗。即按照每天24小時每隔30min采集一個數(shù)據(jù)，產(chǎn)生48個數(shù)據(jù)，樣本時序數(shù)據(jù)結(jié)如圖2所示，該數(shù)據(jù)有一定的規(guī)律性。

混合pi-sigma模糊神經(jīng)網(wǎng)絡(luò)時序預(yù)測模型的建立：時序樣本組成方法：在500個數(shù)據(jù)中，取其中第1～7個數(shù)據(jù)為該預(yù)測模型的輸入，第8個數(shù)據(jù)為網(wǎng)絡(luò)輸出，使其產(chǎn)生133個樣本，訓(xùn)練混合pi-sigma神經(jīng)網(wǎng)絡(luò)。因此，網(wǎng)絡(luò)輸入神經(jīng)元個數(shù)為7個，即圖1中的n=7，輸出為一個變量。表1為數(shù)據(jù)集生成方法。

模糊神經(jīng)網(wǎng)絡(luò)隱層選取依據(jù)：每個變量有3個模糊子集，每兩個變量之間的模糊取小運算有9個結(jié)果，因此，網(wǎng)絡(luò)隱層神經(jīng)元個數(shù)取9個，共計有37=2187個模糊規(guī)則。

隸屬度中心c0=[c01 c02 c03]=[-15 0 15]，靈敏度參數(shù)：b0=[b01 b02 b03]=[5 5 5]，結(jié)論參數(shù)p（i）的初始值為p（i）=0.1*ones（9，1），i=0，1，2，…，7。

3 仿真實驗及結(jié)果分析

在MATLAB環(huán)境中，利用上述網(wǎng)絡(luò)預(yù)測模型進行仿真實驗。參數(shù)設(shè)置：學(xué)習(xí)速率=0.005、動量因子=0.05，實驗表明，學(xué)習(xí)速率對預(yù)測結(jié)果影響比動量因子大。訓(xùn)練誤差精度0.001。用第1個～第133個樣本訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)，預(yù)測第141個～第188個共48個數(shù)據(jù)。圖3為混合pi-sigma模糊神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果。

圖3（c）中，用平均絕對百分比誤差指標(biāo)評價網(wǎng)絡(luò)性能，48個數(shù)據(jù)的平均預(yù)測精度為2.0571%，最大預(yù)測精度為7.1459%。表2給出了前12個數(shù)據(jù)預(yù)測的詳細記錄。

采用BP神經(jīng)網(wǎng)絡(luò)工具箱預(yù)測結(jié)果：設(shè)置精度為0.001，隱層神經(jīng)元數(shù)為15，即網(wǎng)絡(luò)結(jié)構(gòu)為7-15-1。平均預(yù)測精度為2. 5714%，最大預(yù)測精度為7.6062%；利用RBF神經(jīng)網(wǎng)絡(luò)工具箱預(yù)測結(jié)果：擴展因子經(jīng)過調(diào)節(jié)取為26，平均預(yù)測精度為2.5193%，最大預(yù)測精度為7.2087%。比較發(fā)現(xiàn)，本文提出的方法均優(yōu)于BP網(wǎng)絡(luò)工具箱和RBF網(wǎng)絡(luò)預(yù)測結(jié)果，而且本文方法的最大優(yōu)勢是預(yù)測結(jié)果是唯一的，即具有結(jié)果可重復(fù)性。

4 結(jié)論

本文對短期電力負荷時間序列采用混合pi-sigma神經(jīng)網(wǎng)絡(luò)進行預(yù)測，得到確定性的預(yù)測結(jié)果。該模型優(yōu)點是可以在線調(diào)節(jié)模糊隸屬度函數(shù)和結(jié)論參數(shù)，提高預(yù)測精度。與BP網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比分析的仿真結(jié)果驗證了所提出方法的有效性。

【參考文獻】

[1]牛東曉，曹樹華，盧建昌，趙磊.電力負荷預(yù)測技術(shù)及其應(yīng)用[M].北京：中國電力出版社，2009：1-6.

[2]邢松寅，王士同.基于Pi-sgma神經(jīng)網(wǎng)絡(luò)的高木-關(guān)野模糊系統(tǒng)用于數(shù)據(jù)關(guān)聯(lián)計算的建模.電子科學(xué)學(xué)刊.1999，21（1）：72-77.

[3]劉金錕.智能控制.電子工業(yè)出版社.2015，5.Prof. Peter Sin？ák. World-wide competition within the EUNITE network.http：//neuron.tuke.sk/competition/index.php.2012.6.

[責(zé)任編輯：朱麗娜]