基于遺傳BP網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)

1、BPBP網(wǎng)絡(luò)基本介紹網(wǎng)絡(luò)基本介紹遺傳算法介紹遺傳算法介紹實(shí)例分析實(shí)例分析基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)第1頁/共22頁 BP神經(jīng)網(wǎng)絡(luò)是一個(gè)多層網(wǎng)絡(luò)，它的拓?fù)浣Y(jié)構(gòu)如下圖所示。輸入層i隱含層k輸出層jwkiwjk第2頁/共22頁 在這一神經(jīng)網(wǎng)絡(luò)模型中，引入了中間隱含神經(jīng)元層。標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由三層組成，最左層稱為輸入層，中間層稱為隱含層，最右層稱為輸出層。輸入層、輸出層的個(gè)數(shù)可以由所求的問題決定，而中間層的神經(jīng)元個(gè)數(shù)的確定需要探討。各層次的神經(jīng)元之間形成全互連連接，各層次內(nèi)的神經(jīng)元之間沒有連接。三層神經(jīng)網(wǎng)絡(luò)已經(jīng)足以模擬輸入與輸出之間的復(fù)雜的非線性映射關(guān)系。更多的網(wǎng)絡(luò)層雖然能提高

2、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)復(fù)雜映射關(guān)系的能力，但因?yàn)殡S著網(wǎng)絡(luò)層的增加，神經(jīng)元及其連接權(quán)將大規(guī)模增加，所占用的計(jì)算機(jī)資源過多，網(wǎng)絡(luò)學(xué)習(xí)收斂反而慢了。第3頁/共22頁 各個(gè)神經(jīng)元之間的連接并不只是一個(gè)單純的傳輸信號(hào)的通道，而是在每對(duì)神經(jīng)元之間的連接上有一個(gè)加權(quán)系數(shù)，這個(gè)加權(quán)系數(shù)就是權(quán)值，它起著生物神經(jīng)系統(tǒng)中神經(jīng)元的突觸強(qiáng)度的作用，它可以加強(qiáng)或減弱上一個(gè)神經(jīng)元的輸出對(duì)下一個(gè)神經(jīng)元的刺激。修改權(quán)值的規(guī)則稱為學(xué)習(xí)算法，它可以根據(jù)經(jīng)驗(yàn)或?qū)W習(xí)來改變。第4頁/共22頁2、算法步驟1）構(gòu)造學(xué)習(xí)訓(xùn)練模式。給出輸入、輸出樣本對(duì)P和T。P和T可以是向量，也可以是矩陣，它們不一定為同列。2）網(wǎng)絡(luò)狀態(tài)初始化。用隨機(jī)化方法將兩個(gè)權(quán)重矩陣

3、Wki（行k=1，2，m，列i=1，2，n）、Wjk（行j=1，2，o）和兩個(gè)偏差矩陣bi、bj置初始值。3）將P的值送到輸入層神經(jīng)元，通過連接權(quán)重矩陣Wki 送到隱含層神經(jīng)元，產(chǎn)生隱含層神經(jīng)元輸出值inhkipkbpwfO14）計(jì)算輸出層神經(jīng)元的輸出值jpipkjkpjbowfO1第5頁/共22頁tj為理想輸出pjjjoteqjjjkikewbe121pkjjkoewpikkioew 5）計(jì)算輸出層神經(jīng)元的一般化誤差 6）計(jì)算隱含層神經(jīng)元對(duì)于每個(gè)ej的誤差8）調(diào)整輸入層到隱含層的連接權(quán)重此式相當(dāng)于將輸出層神經(jīng)元的誤差反向傳播到隱含層。 7）調(diào)整隱含層到輸出層的連接權(quán)重第6頁/共22頁jjeb

4、kieb 9）調(diào)整輸出層神經(jīng)元的偏差10）調(diào)整隱含層神經(jīng)元的偏差11）重復(fù)第3）步至第10）步的內(nèi)容，直到對(duì)于k=1，2，m的誤差ej（j=1，2，q）變得足夠小為止。 第7頁/共22頁 從上面的過程可以看出，BP網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練分成兩個(gè)階段，在第一階段里對(duì)于給定的網(wǎng)絡(luò)輸入，通過現(xiàn)有連接權(quán)重將其正向傳播，獲得各個(gè)神經(jīng)元的實(shí)際輸出；在第二階段里，首先計(jì)算出輸出層各神經(jīng)元的一般化誤差，這些誤差逐層向輸入層方向逆向傳播，以獲得調(diào)整各連接權(quán)重所需的各神經(jīng)元參考誤差。學(xué)習(xí)完成后的網(wǎng)絡(luò)在預(yù)報(bào)時(shí)使用第3）、4）步中的正向傳播公式。第8頁/共22頁2基本遺傳算法步1 在搜索空間U上定義一個(gè)適應(yīng)度函數(shù)f(x)，

5、給定種群規(guī)模N，交叉率Pc和變異率Pm，代數(shù)T； 步2 隨機(jī)產(chǎn)生U中的N個(gè)個(gè)體s1, s2, , sN，組成初始種群S=s1, s2, , sN，置代數(shù)計(jì)數(shù)器t=1； 步3 計(jì)算S中每個(gè)個(gè)體的適應(yīng)度f() ；步4 若終止條件滿足，則取S中適應(yīng)度最大的個(gè)體作為所求結(jié)果，算法結(jié)束。第9頁/共22頁 步5 按選擇概率P(xi)所決定的選中機(jī)會(huì)，每次從S中隨機(jī)選定1個(gè)個(gè)體并將其染色體復(fù)制，共做N次，然后將復(fù)制所得的N個(gè)染色體組成群體S1； 步6 按交叉率Pc所決定的參加交叉的染色體數(shù)c，從S1中隨機(jī)確定c個(gè)染色體，配對(duì)進(jìn)行交叉操作，并用產(chǎn)生的新染色體代替原染色體，得群體S2；第10頁/共22頁 步7

6、按變異率Pm所決定的變異次數(shù)m，從S2中隨機(jī)確定m個(gè)染色體，分別進(jìn)行變異操作，并用產(chǎn)生的新染色體代替原染色體，得群體S3；步8 將群體S3作為新一代種群，即用S3代替S，t = t+1，轉(zhuǎn)步3； 第11頁/共22頁實(shí)例分析基于基于遺傳遺傳BPBP網(wǎng)絡(luò)的短期電網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)力負(fù)荷預(yù)測(cè)1.負(fù)荷預(yù)測(cè)重要性 電力系統(tǒng)的作用是對(duì)各類用戶盡可能經(jīng)濟(jì)地提供可靠持續(xù)并且具有良好質(zhì)量的電能。 負(fù)荷預(yù)測(cè)是電力系統(tǒng)的一項(xiàng)基本工作，是調(diào)度安排開停機(jī)計(jì)劃的基礎(chǔ)，其結(jié)果是電力市場(chǎng)交易的主要依據(jù)。 為電網(wǎng)的安全監(jiān)視 、運(yùn)行方式和緊急狀態(tài)處理提供了重要的決策依據(jù) 電力市場(chǎng)深入改革，電力公司需要贏得經(jīng)濟(jì)效益。 電力系統(tǒng)

7、負(fù)荷預(yù)測(cè)在系統(tǒng)規(guī)劃、新發(fā)電廠和配電系統(tǒng)的建設(shè)上有著重要的地位。 電力負(fù)荷預(yù)測(cè)工作的水平己成為衡量一個(gè)電力企業(yè)的管理是否走向現(xiàn)代化的標(biāo)志之一。第12頁/共22頁2. 2.短期負(fù)荷預(yù)測(cè)短期負(fù)荷預(yù)測(cè) - 指一個(gè)小時(shí)到未來1天甚至到一周的負(fù)荷預(yù)測(cè) 。意義在于經(jīng)濟(jì)合理的安排電網(wǎng)內(nèi)各發(fā)電機(jī)組的啟停，使系統(tǒng)在要求的安全范圍內(nèi)降低旋轉(zhuǎn)儲(chǔ)備容量。 短期電力負(fù)荷預(yù)測(cè)既是電力系統(tǒng)優(yōu)化調(diào)度的基礎(chǔ)工具，又是電力企業(yè)日常經(jīng)營管理工作的重要組成部分。 準(zhǔn)確的短期負(fù)荷預(yù)測(cè)是調(diào)度機(jī)構(gòu)制定供電計(jì)劃和做好電網(wǎng)供需平衡的關(guān)鍵，有助于系統(tǒng)運(yùn)行人員高效地預(yù)估電能的生產(chǎn)、輸送、分配以及消費(fèi)情況，制定出經(jīng)濟(jì)、合理的發(fā)電方案。 短期電力負(fù)荷預(yù)

8、測(cè)關(guān)系電力系統(tǒng)調(diào)度和管理工作，影響電網(wǎng)安全穩(wěn)定運(yùn)行和電網(wǎng)公司的經(jīng)濟(jì)利益。 第13頁/共22頁基于遺傳算法優(yōu)化的BP網(wǎng)絡(luò) BP 算法雖具有精確尋優(yōu)的能力, 但其網(wǎng)絡(luò)模型初始權(quán)值的隨機(jī)性容易產(chǎn)生兩方面問題: 首先,每次訓(xùn)練的次數(shù)和最終權(quán)值會(huì)不相同, 網(wǎng)絡(luò)的尋優(yōu)不具有惟一性, 會(huì)出現(xiàn)局部極小; 其次, 初始權(quán)值給定的隨機(jī)性還導(dǎo)致了訓(xùn)練次數(shù)較多, 收斂速度慢. 這兩方面問題限制了它在負(fù)荷預(yù)測(cè)中的應(yīng)用. 遺傳算法(GA ) 是基于自然選擇和遺傳規(guī)律的并行全局搜索算法, 具有較強(qiáng)的宏觀搜索能力,算法具有尋優(yōu)的全局性, 克服了BP 算法中容易出現(xiàn)的局部極小問題. 本文將BP 算法與遺傳算法結(jié)合起來, 先應(yīng)用

9、遺傳算法來進(jìn)行網(wǎng)絡(luò)訓(xùn)練, 再用BP 算法進(jìn)行精確求解. 這樣, 先得到權(quán)值的一個(gè)范圍, 以此為基礎(chǔ)訓(xùn)練網(wǎng)絡(luò)以避免局部極小, 得到全局最優(yōu).。第14頁/共22頁 具體步驟如下: 初始化網(wǎng)絡(luò)及群體, 給出訓(xùn)練參數(shù); 對(duì)每一個(gè)輸入向量, 先規(guī)格化之, 網(wǎng)絡(luò)的初始權(quán)值為 0, 1 的一組隨機(jī)數(shù)。 計(jì)算個(gè)體適應(yīng)度, 若達(dá)到預(yù)定值EGA 則轉(zhuǎn); 這里個(gè)體適應(yīng)度就是誤差平方和.。 遺傳操作(選擇、交叉、變異) , 產(chǎn)生新一代個(gè)體, 淘汰父代個(gè)體轉(zhuǎn); 這一步就是用遺傳學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)。 利用權(quán)重調(diào)整BP算法迭代計(jì)算(次數(shù)限定) ,若未達(dá)到指定精度EBP 則轉(zhuǎn), EBP EGA 。 輸出此時(shí)的權(quán)值、閥值, 結(jié)束

10、訓(xùn)練.。 以此時(shí)的權(quán)值、閥值計(jì)算實(shí)例, 并將計(jì)算結(jié)果參照規(guī)格化公式還原, 進(jìn)行預(yù)測(cè).。 由于樣本經(jīng)過規(guī)格化, 網(wǎng)絡(luò)的初始權(quán)值區(qū)間取 0, 1 較為恰當(dāng). 如果EGA取得較小的話, 導(dǎo)致訓(xùn)練次數(shù)增加, 但對(duì)最終結(jié)果影響不大; 如果EGA取得較大的話, 將導(dǎo)致最終權(quán)值的范圍較大, 影響網(wǎng)絡(luò)的泛化(generaliza tion) 能力。第15頁/共22頁 在預(yù)測(cè)日的前一天中，每2個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行一次測(cè)量，這樣一來，一天共測(cè)得12組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變，因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)

11、。 此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，如最高和最低溫度等。因此，還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高和最低溫度。這里將電力負(fù)荷預(yù)測(cè)日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此，輸入變量就是一個(gè)15維的向量。 在樣本中，輸入向量為預(yù)測(cè)日前天的電力實(shí)際負(fù)荷數(shù)據(jù)，目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這都是實(shí)際的測(cè)量值，因此，這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。如果從提高網(wǎng)絡(luò)精度的角度出發(fā)，一方面可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目。本文取10天的輸入和輸出樣本。 第16頁/共22頁預(yù)報(bào)算例預(yù)報(bào)算例 在預(yù)測(cè)日的前一天中，每2個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行一次測(cè)量，這樣一來，一天共測(cè)得12組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰

12、的點(diǎn)之間不會(huì)發(fā)生突變，因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。 此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，如最高和最低溫度等。因此，還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高和最低溫度。這里將電力負(fù)荷預(yù)測(cè)日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此，輸入變量就是一個(gè)15維的向量。 在樣本中，輸入向量為預(yù)測(cè)日前天的電力實(shí)際負(fù)荷數(shù)據(jù)，目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這都是實(shí)際的測(cè)量值，因此，這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。如果從提高網(wǎng)絡(luò)精度的角度出發(fā)，可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目。本文取10天的輸入和輸出樣本。 第17頁/共

13、22頁獲得輸入和輸出變量后，要對(duì)其進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間0，1之間的數(shù)據(jù)。歸一化方法有許多種形式，在matlab中mapminmax將數(shù)據(jù)進(jìn)行歸一化。隱含層神經(jīng)元數(shù)量的確定：隱含層單元的數(shù)量和輸入輸出單元數(shù)量都有關(guān)系。隱含層節(jié)點(diǎn)有些用于提取輸入特征，有些用于完成某些特殊功能，在實(shí)際使用中，一個(gè)隱含層就夠了?？筛鶕?jù)前人的經(jīng)驗(yàn)，利用Kolmogorov定理 (其中 110, 分別為為輸入層、輸出層和隱含層神經(jīng)元數(shù))進(jìn)行計(jì)算，考慮到隱層神經(jīng)元個(gè)數(shù)的增加可以讓精度更高，本文把神經(jīng)元個(gè)數(shù)增加到25.這樣就形成了15-25-12的BP網(wǎng)絡(luò)結(jié)構(gòu)。本模型投入到了實(shí)際應(yīng)用中，取得了較好的效果.圖2為用

14、遺傳算法優(yōu)化BP網(wǎng)絡(luò)預(yù)測(cè)的某一日實(shí)際結(jié)果和預(yù)測(cè)結(jié)果的對(duì)比。圖2為僅用BP網(wǎng)絡(luò)預(yù)測(cè)的實(shí)際值與預(yù)測(cè)值的對(duì)比?？梢钥闯?，基于遺傳算法優(yōu)化BP網(wǎng)絡(luò)能夠更精確的預(yù)測(cè)電力負(fù)荷。 第18頁/共22頁預(yù)測(cè)數(shù)據(jù)圖1 基于遺傳BP網(wǎng)絡(luò)對(duì)負(fù)荷的預(yù)測(cè)結(jié)果第19頁/共22頁 圖2 僅用BP網(wǎng)絡(luò)對(duì)負(fù)荷的預(yù)測(cè)第20頁/共22頁 從上兩個(gè)圖中可以看出,用遺傳算法優(yōu)化BP網(wǎng)絡(luò)預(yù)測(cè)精度要高于僅用BP網(wǎng)絡(luò)預(yù)測(cè)。 遺傳算法良好的全局搜索能力能彌補(bǔ)神經(jīng)網(wǎng)絡(luò)在全局搜索中的缺陷。 由于每次初始化網(wǎng)絡(luò)時(shí)，BP網(wǎng)絡(luò)的權(quán)值和閾值都不相同，用遺傳算法對(duì)其權(quán)值和閾值進(jìn)行優(yōu)化，有不錯(cuò)的效果。第21頁/共22頁第22頁/共22頁 從上面的過程可以看出，

15、BP網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練分成兩個(gè)階段，在第一階段里對(duì)于給定的網(wǎng)絡(luò)輸入，通過現(xiàn)有連接權(quán)重將其正向傳播，獲得各個(gè)神經(jīng)元的實(shí)際輸出；在第二階段里，首先計(jì)算出輸出層各神經(jīng)元的一般化誤差，這些誤差逐層向輸入層方向逆向傳播，以獲得調(diào)整各連接權(quán)重所需的各神經(jīng)元參考誤差。學(xué)習(xí)完成后的網(wǎng)絡(luò)在預(yù)報(bào)時(shí)使用第3）、4）步中的正向傳播公式。第8頁/共22頁 從上面的過程可以看出，BP網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練分成兩個(gè)階段，在第一階段里對(duì)于給定的網(wǎng)絡(luò)輸入，通過現(xiàn)有連接權(quán)重將其正向傳播，獲得各個(gè)神經(jīng)元的實(shí)際輸出；在第二階段里，首先計(jì)算出輸出層各神經(jīng)元的一般化誤差，這些誤差逐層向輸入層方向逆向傳播，以獲得調(diào)整各連接權(quán)重所需的各神經(jīng)元參考誤

16、差。學(xué)習(xí)完成后的網(wǎng)絡(luò)在預(yù)報(bào)時(shí)使用第3）、4）步中的正向傳播公式。第8頁/共22頁 在預(yù)測(cè)日的前一天中，每2個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行一次測(cè)量，這樣一來，一天共測(cè)得12組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變，因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。 此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，如最高和最低溫度等。因此，還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高和最低溫度。這里將電力負(fù)荷預(yù)測(cè)日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此，輸入變量就是一個(gè)15維的向量。 在樣本中，輸入向量為預(yù)測(cè)日前天的電力實(shí)際負(fù)荷數(shù)據(jù)，目標(biāo)向量

17、是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這都是實(shí)際的測(cè)量值，因此，這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。如果從提高網(wǎng)絡(luò)精度的角度出發(fā)，一方面可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目。本文取10天的輸入和輸出樣本。 第16頁/共22頁預(yù)報(bào)算例預(yù)報(bào)算例 在預(yù)測(cè)日的前一天中，每2個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行一次測(cè)量，這樣一來，一天共測(cè)得12組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變，因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。 此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，如最高和最低溫度等。因此，還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高和最低溫度。這里將電力負(fù)荷預(yù)

18、測(cè)日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此，輸入變量就是一個(gè)15維的向量。 在樣本中，輸入向量為預(yù)測(cè)日前天的電力實(shí)際負(fù)荷數(shù)據(jù)，目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這都是實(shí)際的測(cè)量值，因此，這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。如果從提高網(wǎng)絡(luò)精度的角度出發(fā)，可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目。本文取10天的輸入和輸出樣本。 第17頁/共22頁獲得輸入和輸出變量后，要對(duì)其進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間0，1之間的數(shù)據(jù)。歸一化方法有許多種形式，在matlab中mapminmax將數(shù)據(jù)進(jìn)行歸一化。隱含層神經(jīng)元數(shù)量的確定：隱含層單元的數(shù)量和輸入輸出單元數(shù)量都有關(guān)系。隱含層節(jié)點(diǎn)有些用于提取輸入特征，有些用于完成某些特殊功能，在實(shí)際使用中，一個(gè)隱含層就夠了?？筛鶕?jù)前人的經(jīng)驗(yàn)，利用Kolmogorov定理 (其中 110, 分別為為輸入層、輸出層和隱含層神經(jīng)元數(shù))進(jìn)行計(jì)算，考慮到隱層神經(jīng)元個(gè)數(shù)的增加可以讓