張武軍，程遠(yuǎn)林，周捷，潘軒

(1.中國(guó)能源建設(shè)集團(tuán)湖南省電力設(shè)計(jì)院有限公司，湖南長(zhǎng)沙410007；2.湖南省清潔能源與智能電網(wǎng)協(xié)同創(chuàng)新中心，湖南長(zhǎng)沙410004；3.長(zhǎng)沙理工大學(xué)，湖南長(zhǎng)沙410004)

0 引言

電力的安全供應(yīng)對(duì)人民的生產(chǎn)生活乃至國(guó)民經(jīng)濟(jì)穩(wěn)定運(yùn)行都十分關(guān)鍵[1-2],安全供應(yīng)與日最大負(fù)荷 (簡(jiǎn)稱:負(fù)荷)和用電量相關(guān)。因此,開展“迎峰度冬”等用能高峰期的短期電力預(yù)測(cè)工作,對(duì)于預(yù)判電力供需形勢(shì)、加強(qiáng)電力系統(tǒng)運(yùn)行管理、確保電力供應(yīng)平穩(wěn)有序具有重要意義。

電力負(fù)荷的影響因素十分復(fù)雜,且多為非線性因素,這給短期電力負(fù)荷的預(yù)測(cè)帶來了挑戰(zhàn)[3]。為了提高短期預(yù)測(cè)模型的性能,文獻(xiàn) [4]采用綜合氣象因子作為輸入,并應(yīng)用Elman神經(jīng)網(wǎng)絡(luò)建立短期負(fù)荷預(yù)測(cè)模型,一定程度上改善了預(yù)測(cè)精度；文獻(xiàn) [5]利用貓群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),建立了短期負(fù)荷預(yù)測(cè)模型,并驗(yàn)證了模型精度有效性；文獻(xiàn) [6]基于主成分分析與遺傳算法集合,提高了收斂速度。然而,目前短期預(yù)測(cè)多是單一提高預(yù)測(cè)精度或收斂速度,較少同時(shí)把握兩者,因此同時(shí)考慮短期預(yù)測(cè)的精度與收斂速度具有研究?jī)r(jià)值。

目前用于短期電力負(fù)荷預(yù)測(cè)的方法很多,常見的有時(shí)間序列法、指數(shù)平滑法、灰色預(yù)測(cè)法和人工神經(jīng)網(wǎng)絡(luò)法等[7-8]。其中 BP(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的非線性映射能力、高度自學(xué)習(xí)自適應(yīng)能力、容錯(cuò)能力和靈活性等優(yōu)點(diǎn),吻合短期負(fù)荷預(yù)測(cè)的特點(diǎn),但存在易陷入局部極小[9]和學(xué)習(xí)收斂慢[10-11]等現(xiàn)象。

因此,文章分析電力負(fù)荷預(yù)測(cè)的影響因素和歷史電力負(fù)荷、用電量之間的特性關(guān)系,將影響因素分為長(zhǎng)期、短期性影響因素,將歷史電力負(fù)荷、用電量均分為基準(zhǔn)量和敏感量,并用決定系數(shù)確定所需短期影響因素,提高了方法收斂速度；應(yīng)用遺傳算法 (Genetic Algorithm,GA)對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化,并將BP神經(jīng)預(yù)測(cè)誤差作為遺傳算法的適應(yīng)度函數(shù),提高了方法預(yù)測(cè)精度。選取某省2015—2019五年 “迎峰度冬”期間數(shù)據(jù)進(jìn)行驗(yàn)證,結(jié)果表明,基于特性分析的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)短期電力方法精度和收斂速度都得到了提高。

1 特性分析與數(shù)據(jù)提取

1.1 影響因素特性分析

影響短期負(fù)荷的因素是復(fù)雜的,主要包括經(jīng)濟(jì)因素、政治因素、電價(jià)因素、氣象因素等,因?yàn)榍叭叨唐趦?nèi)具有穩(wěn)定性,且對(duì)短期電力負(fù)荷預(yù)測(cè)影響較小,可歸類為長(zhǎng)期性影響因素,在短期預(yù)測(cè)時(shí)可以忽略。短期影響因素是指短期內(nèi)變化大的因素,其影響最大的為氣象因素[12-13],氣象因素包括氣溫、氣候類型和濕度等。

1.2 負(fù)荷與電量特性分析

一般情況下氣象因素中氣溫因素的變化對(duì)用電負(fù)荷影響較大,例如夏季炎熱空調(diào)降溫、冬季氣溫降低取暖所用負(fù)荷稱之為氣象敏感負(fù)荷量 (簡(jiǎn)稱為:敏感量),但也存在部分負(fù)荷是不隨氣溫變化的,例如照明、工業(yè)運(yùn)行負(fù)荷稱之為基準(zhǔn)負(fù)荷量(簡(jiǎn)稱為:基準(zhǔn)量)。一般情況下,敏感量主要受短期影響因素影響,基準(zhǔn)量主要受長(zhǎng)期影響因素影響。

如圖1、2所示,以2016—2018年負(fù)荷、用電量說明,由于4、5月和10月氣溫比較適宜,負(fù)荷與用電量在此期間內(nèi)相對(duì)比較穩(wěn)定,考慮選擇這些月份的平均量作為年度基準(zhǔn)量,以此原則確定2015—2019年 “迎峰度冬”期間基準(zhǔn)量,見表1。

圖1 2016—2018年負(fù)荷曲線

圖2 2016—2018年用電量曲線

表1 2015—2019年負(fù)荷與用電量提取結(jié)果

1.3 數(shù)據(jù)提取與處理

考慮氣象因素越多,對(duì)提高預(yù)測(cè)精度越有利,但是選擇因素變量過多,將導(dǎo)致預(yù)測(cè)方法過于復(fù)雜,影響計(jì)算效率[14]。此外,同一因素的細(xì)致描述,可提高預(yù)測(cè)的精度,例如氣溫就包含最低氣溫、最高氣溫和平均氣溫。因此,選取決定系數(shù)法確定敏感量影響因素。

1.3.1 數(shù)據(jù)提取與處理

在氣溫信息中,最低氣溫、最高氣溫和平均氣溫對(duì)負(fù)荷都存在影響,因?yàn)槭〖?jí)行政區(qū)地域較廣,省內(nèi)各地市氣溫存在較大區(qū)別,所以,將各地市氣溫進(jìn)行加權(quán)處理來表征全省氣溫狀態(tài)。以平均氣溫為例,設(shè)n個(gè)地市的平均氣溫,分別記為T1、T2…Tn,以上一年度負(fù)荷占比K1、K2…Kn作為權(quán)重,則全省加權(quán)平均氣溫為:

應(yīng)用決定系數(shù)法[15]判定加權(quán)最低氣溫、最高氣溫和平均氣溫與負(fù)荷、電量之間的關(guān)系,見表2。

表2 2015—2018年用電量、負(fù)荷與加權(quán)氣溫決定系數(shù)

決定系數(shù)絕對(duì)值均大于0.5,表明氣溫與負(fù)荷、用電量有著顯著的相關(guān)性。此外,隨著時(shí)間推移決定系數(shù)絕對(duì)值普遍有增大趨勢(shì),表明電力負(fù)荷、日用電量與氣溫的耦合關(guān)聯(lián)關(guān)系在逐步增強(qiáng),也更加說明氣溫對(duì)短期負(fù)荷、用電量預(yù)測(cè)的重要性。

1.3.2 天氣類型與節(jié)假日數(shù)據(jù)

考慮到天氣類型對(duì)負(fù)荷的影響,將天氣類型劃分為晴天、多云/陰天、小雨、中雨、大雨、雪/凍雨六個(gè)等級(jí)?？紤]節(jié)假日相關(guān)因素對(duì)負(fù)荷、用電量的影響,對(duì)工作日以及節(jié)假日類型可以細(xì)分為四類:春節(jié)、其他法定節(jié)假日、周末、工作日。

如圖3所示,說明天氣類型對(duì)冬季負(fù)荷的影響,黑色區(qū)域是其他因素相近情況下,所對(duì)應(yīng)天氣類型負(fù)荷的波動(dòng)范圍。顯然,天氣越惡劣,負(fù)荷越大。

圖3 天氣因素說明圖

2 基于遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

2.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)方法,屬于全局逼近的方法,能很好地實(shí)現(xiàn)復(fù)雜變量的非線性映射和數(shù)據(jù)聯(lián)想記憶功能,其主要思路是輸入信號(hào)的正向流動(dòng)以及誤差的逆向流動(dòng)。常見BP結(jié)構(gòu)如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)示意圖

其中,輸入向量為X,隱層輸出向量Y,輸出向量為O,輸入層到隱層的權(quán)重為V,隱層到輸出層的權(quán)重向量為W,X0、Y0分別為輸入層和隱層的閾值,均取值-1。當(dāng)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型時(shí),如果輸出向量O為與期望向量P不滿足收斂要求,則通過計(jì)算誤差調(diào)整向量為V與向量W,直至輸出與期望滿足要求。

BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值非常重要,當(dāng)其參數(shù)設(shè)置不正確,網(wǎng)絡(luò)收斂速度將會(huì)變慢,網(wǎng)絡(luò)將陷入局部最優(yōu),無(wú)法滿足要求。

2.2 遺傳算法

遺傳 (GA)算法是一種模擬自然界遺傳機(jī)制及生物進(jìn)化論的一種并行隨機(jī)搜索最優(yōu)化方法,其具有的全局搜索能力較強(qiáng),正好可以彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)的缺點(diǎn)。因此,通過遺傳算法得到更好的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值,其基本思想是用個(gè)體代表網(wǎng)絡(luò)的初始權(quán)值和閾值,個(gè)體值初始化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差作為GA的適應(yīng)度值,通過選擇、交叉和變異操作尋找最優(yōu)個(gè)體,即最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值。

GA算法主要包括種群初始化、選擇操作、交叉操作、變異操作、適應(yīng)度函數(shù)五個(gè)部分[16-17]。文章定義適應(yīng)度函數(shù)和選擇操作如下:

其中,Fi為第i個(gè)群體的適應(yīng)度值,Pi為第i個(gè)群體被選擇的概率,k為群體規(guī)模。

2.3 遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)

遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的流程結(jié)構(gòu)如圖5所示。

圖5 遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)流程

2.4 基于特性分析的改進(jìn)BP短期電力預(yù)測(cè)方法

基于影響因素特性分析、負(fù)荷特性分析,短期影響因素主要考慮氣象因素和節(jié)假日類型作為輸入量,其中氣象因素中重點(diǎn)刻畫了加權(quán)最低溫度、加權(quán)最高溫度、加權(quán)平均溫度和天氣類型,整體預(yù)測(cè)方法如圖6所示。

圖6 預(yù)測(cè)方法流程

3 仿真分析及結(jié)果展示

3.1 參數(shù)與設(shè)置說明

選取某省2015—2019五年 “迎峰度冬”期間歷史數(shù)據(jù)進(jìn)行分析,共計(jì)550組數(shù)據(jù),采樣周期為1天。基于Matlab搭建,進(jìn)行BP訓(xùn)練前先應(yīng)用遺傳算法進(jìn)行權(quán)值優(yōu)化,遺傳算法群體規(guī)模50,終止迭代次數(shù)500,交叉概率0.2,變異概率取0.01；BP神經(jīng)網(wǎng)絡(luò)隱層設(shè)置為2層,隱層激活函數(shù)tansig,輸出激活函數(shù)purelin,520組數(shù)據(jù)訓(xùn)練,15組測(cè)試,權(quán)值與閾值由遺傳算法優(yōu)化得到。

3.2 負(fù)荷與用電量預(yù)測(cè)

為驗(yàn)證分析方法有效性,把前面535組數(shù)據(jù)作為訓(xùn)練集合,把最后15組數(shù)據(jù)作為測(cè)試集合。設(shè)置三個(gè)方案,并從計(jì)算時(shí)間、收斂精度兩方面考核分析。

方案1:僅考慮改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。方案2:僅考慮特性分析的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法。

方案3:基于特性分析的改進(jìn)BP短期電力預(yù)測(cè)方法。

為了分析各方案的區(qū)別,計(jì)算時(shí)間選取迭代次數(shù),收斂精度選取均方誤差對(duì)比。

如圖7所示,預(yù)測(cè)統(tǒng)調(diào)負(fù)荷時(shí)三種方案的性能對(duì)比。對(duì)比方案1與方案2可知,方案1的精度比方案2高,這說明基于遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值后,避免了陷入局部最優(yōu)；方案2比方案1收斂速度快,說明考慮負(fù)荷與影響因素特性可以減少無(wú)效輸入,從而提高收斂速度。

圖7 預(yù)測(cè)負(fù)荷下不同方案性能對(duì)比

如圖8、9所示,結(jié)合圖7可知,預(yù)測(cè)統(tǒng)調(diào)最高負(fù)荷時(shí),方案3基于特性分析的改進(jìn)BP短期電力預(yù)測(cè)方法同時(shí)具備了收斂速度快和預(yù)測(cè)精度高的特性,統(tǒng)調(diào)最高負(fù)荷預(yù)測(cè)精度可以達(dá)到±2%以內(nèi),滿足工程應(yīng)用需求,說明了所建立方法的有效性。

圖8 不同方案下的負(fù)荷預(yù)測(cè)

圖9 不同方案下的負(fù)荷預(yù)測(cè)誤差分析

同理,分析圖10、11和圖12說明所建立方法能準(zhǔn)確預(yù)測(cè)用電量,進(jìn)一步驗(yàn)證了所提方法的有效性。

圖10 預(yù)測(cè)用電量下不同方案性能對(duì)比

圖11 不同方案下的用電量預(yù)測(cè)

圖12 不同方案下的用電量預(yù)測(cè)誤差分析

受用電結(jié)構(gòu)及電力負(fù)荷特性影響,目標(biāo)省份“迎峰度冬”期間最高電力負(fù)荷、日用電量受氣溫等因素變化非常明顯。在此預(yù)測(cè)方法基礎(chǔ)上,結(jié)合未來一段時(shí)期氣象預(yù)報(bào)數(shù)據(jù)開展短期負(fù)荷預(yù)測(cè),提前制訂電力供應(yīng)保障預(yù)案,目前已在進(jìn)行試點(diǎn)使用,對(duì)保障電力安全穩(wěn)定運(yùn)行和可靠供應(yīng)具有重要意義。

4 結(jié)語(yǔ)

1)針對(duì)單一BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)收斂慢的情況,深入分析了影響因素與統(tǒng)調(diào)量特性之間的作用關(guān)系,將負(fù)荷、用電量分解為基準(zhǔn)量與敏感量,結(jié)果表明,考慮影響因素、負(fù)荷和用電量特性能加快收斂速度。

2)針對(duì)單一BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的情況,采用全部搜索能力較強(qiáng)的GA對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),得到了改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)方法。結(jié)果表明,改進(jìn)BP神經(jīng)網(wǎng)絡(luò)方法能有效提高預(yù)測(cè)精度,目前已在試點(diǎn)使用。

3)基于特性分析的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)短期電力預(yù)測(cè)方法的分類思想、論證過程具有一定遷移作用,值得借鑒。