基于遗传BP网络的短期电力负荷预测

BP网络基本介绍遗传算法介绍实例分析——基于遗传BP神经网络的短期电力负荷预测第1页/共22页

BP神经网络是一个多层网络，它的拓扑结构如下图所示。输入层i隐含层k输出层jwkiwjk第2页/共22页

在这一神经网络模型中，引入了中间隐含神经元层。标准的BP神经网络的拓扑结构由三层组成，最左层称为输入层，中间层称为隐含层，最右层称为输出层。输入层、输出层的个数可以由所求的问题决定，而中间层的神经元个数的确定需要探讨。各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接。三层神经网络已经足以模拟输入与输出之间的复杂的非线性映射关系。更多的网络层虽然能提高神经网络学习复杂映射关系的能力，但因为随着网络层的增加，神经元及其连接权将大规模增加，所占用的计算机资源过多，网络学习收敛反而慢了。第3页/共22页

各个神经元之间的连接并不只是一个单纯的传输信号的通道，而是在每对神经元之间的连接上有一个加权系数，这个加权系数就是权值，它起着生物神经系统中神经元的突触强度的作用，它可以加强或减弱上一个神经元的输出对下一个神经元的刺激。修改权值的规则称为学习算法，它可以根据经验或学习来改变。第4页/共22页2、算法步骤1）构造学习训练模式。给出输入、输出样本对{P}和{T}。{P}和{T}可以是向量，也可以是矩阵，它们不一定为同列。2）网络状态初始化。用随机化方法将两个权重矩阵Wki（行k=1，2，…，m，列i=1，2，…，n）、Wjk（行j=1，2，…，o）和两个偏差矩阵bi、bj置初始值。3）将P的值送到输入层神经元，通过连接权重矩阵Wki

送到隐含层神经元，产生隐含层神经元输出值4）计算输出层神经元的输出值第5页/共22页tj为理想输出5）计算输出层神经元的一般化误差

6）计算隐含层神经元对于每个ej的误差8）调整输入层到隐含层的连接权重此式相当于将输出层神经元的误差反向传播到隐含层。

7）调整隐含层到输出层的连接权重第6页/共22页9）调整输出层神经元的偏差10）调整隐含层神经元的偏差11）重复第3）步至第10）步的内容，直到对于k=1，2，…，m的误差ej（j=1，2，…，q）变得足够小为止。

第7页/共22页

从上面的过程可以看出，BP网络的学习和训练分成两个阶段，在第一阶段里对于给定的网络输入，通过现有连接权重将其正向传播，获得各个神经元的实际输出；在第二阶段里，首先计算出输出层各神经元的一般化误差，这些误差逐层向输入层方向逆向传播，以获得调整各连接权重所需的各神经元参考误差。学习完成后的网络在预报时使用第3）、4）步中的正向传播公式。第8页/共22页2基本遗传算法

步1

在搜索空间U上定义一个适应度函数f(x)，给定种群规模N，交叉率Pc和变异率Pm，代数T；

步2

随机产生U中的N个个体s1,s2,…,sN，组成初始种群S={s1,s2,…,sN}，置代数计数器t=1；

步3

计算S中每个个体的适应度f()；

步4

若终止条件满足，则取S中适应度最大的个体作为所求结果，算法结束。第9页/共22页

步5

按选择概率P(xi)所决定的选中机会，每次从S中随机选定1个个体并将其染色体复制，共做N次，然后将复制所得的N个染色体组成群体S1；

步6

按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2；第10页/共22页

步7

按变异率Pm所决定的变异次数m，从S2中随机确定m个染色体，分别进行变异操作，并用产生的新染色体代替原染色体，得群体S3；

步8

将群体S3作为新一代种群，即用S3代替S，t=t+1，转步3；

第11页/共22页实例分析——基于遗传BP网络的短期电力负荷预测

1.负荷预测重要性电力系统的作用是对各类用户尽可能经济地提供可靠持续并且具有良好质量的电能。负荷预测是电力系统的一项基本工作，是调度安排开停机计划的基础，其结果是电力市场交易的主要依据。为电网的安全监视、运行方式和紧急状态处理提供了重要的决策依据电力市场深入改革，电力公司需要赢得经济效益。电力系统负荷预测在系统规划、新发电厂和配电系统的建设上有着重要的地位。电力负荷预测工作的水平己成为衡量一个电力企业的管理是否走向现代化的标志之一。第12页/共22页2.短期负荷预测----指一个小时到未来1天甚至到一周的负荷预测。意义在于经济合理的安排电网内各发电机组的启停，使系统在要求的安全范围内降低旋转储备容量。短期电力负荷预测既是电力系统优化调度的基础工具，又是电力企业日常经营管理工作的重要组成部分。准确的短期负荷预测是调度机构制定供电计划和做好电网供需平衡的关键，有助于系统运行人员高效地预估电能的生产、输送、分配以及消费情况，制定出经济、合理的发电方案。短期电力负荷预测关系电力系统调度和管理工作，影响电网安全稳定运行和电网公司的经济利益。第13页/共22页基于遗传算法优化的BP网络BP算法虽具有精确寻优的能力,但其网络模型初始权值的随机性容易产生两方面问题:首先,每次训练的次数和最终权值会不相同,网络的寻优不具有惟一性,会出现局部极小;其次,初始权值给定的随机性还导致了训练次数较多,收敛速度慢.这两方面问题限制了它在负荷预测中的应用.遗传算法(GA)是基于自然选择和遗传规律的并行全局搜索算法,具有较强的宏观搜索能力,算法具有寻优的全局性,克服了BP算法中容易出现的局部极小问题.本文将BP算法与遗传算法结合起来,先应用遗传算法来进行网络训练,再用BP算法进行精确求解.这样,先得到权值的一个范围,以此为基础训练网络以避免局部极小,得到全局最优.。第14页/共22页具体步骤如下:①初始化网络及群体,给出训练参数;对每一个输入向量,先规格化之,网络的初始权值为[0,1]的一组随机数。②计算个体适应度,若达到预定值EGA则转④;这里个体适应度就是误差平方和.。③遗传操作(选择、交叉、变异),产生新一代个体,淘汰父代个体转②;这一步就是用遗传学习算法训练网络。④利用权重调整BP算法迭代计算(次数限定),若未达到指定精度EBP则转③,EBP<EGA。⑤输出此时的权值、阀值,结束训练.。⑥以此时的权值、阀值计算实例,并将计算结果参照规格化公式还原,进行预测.。由于样本经过规格化,网络的初始权值区间取[0,1]较为恰当.如果EGA取得较小的话,导致训练次数增加,但对最终结果影响不大;如果EGA取得较大的话,将导致最终权值的范围较大,影响网络的泛化(generalization)能力。第15页/共22页

在预测日的前一天中，每2个小时对电力负荷进行一次测量，这样一来，一天共测得12组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。所以这里将前一天的实时负荷数据作为网络的样本数据。此外，由于电力负荷还与环境因素有关，如最高和最低温度等。因此，还需要通过天气预报等手段获得预测日的最高和最低温度。这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。因此，输入变量就是一个15维的向量。在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。如果从提高网络精度的角度出发，一方面可以增加网络训练样本的数目。本文取10天的输入和输出样本。第16页/共22页预报算例在预测日的前一天中，每2个小时对电力负荷进行一次测量，这样一来，一天共测得12组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。所以这里将前一天的实时负荷数据作为网络的样本数据。此外，由于电力负荷还与环境因素有关，如最高和最低温度等。因此，还需要通过天气预报等手段获得预测日的最高和最低温度。这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。因此，输入变量就是一个15维的向量。在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。如果从提高网络精度的角度出发，可以增加网络训练样本的数目。本文取10天的输入和输出样本。第17页/共22页获得输入和输出变量后，要对其进行归一化处理，将数据处理为区间[0，1]之间的数据。归一化方法有许多种形式，在matlab中mapminmax将数据进行归一化。隐含层神经元数量的确定：隐含层单元的数量和输入输出单元数量都有关系。隐含层节点有些用于提取输入特征，有些用于完成某些特殊功能，在实际使用中，一个隐含层就够了。可根据前人的经验，利用Kolmogorov定理(其中1～10,分别为为输入层、输出层和隐含层神经元数)进行计算，考虑到隐层神经元个数的增加可以让精度更高，本文把神经元个数增加到25.这样就形成了15-25-12的BP网络结构。本模型投入到了实际应用中，取得了较好的效果.图2为用遗传算法优化BP网络预测的某一日实际结果和预测结果的对比。图2为仅用BP网络预测的实际值与预测值的对比。可以看出，基于遗传算法优化BP网络能够更精确的预测电力负荷。

第18页/共22页预测数据图1基于遗传BP