基于改进粒子群-模糊神经网络的短期电力负荷预测(3)

４）更新睫性权重．根据公式（５）、（１１）、（１２）更新；

５）更新位置和速度．根据公式（３）、（４）、（１５）更新；

６）检验．迭代达到最大次数或最小误差要求时，停止迭代，全局极值对应的神经网络的参数组合，即为训练问题的最优解．否则转到２）．

在ＭＰＳＯ全局寻优的基础上，再进行局部细致搜索，直至搜索到最优网络参数，解码即可得到精确的最优参数组合．

４改进粒子群一模糊神经网络模型在短期电力负荷预测中的应用

要准确预测出日负荷，就须全面考虑影响日负荷预测的各种因素．选取负荷预测特征量，其处理原则是按公式（６）、（７）、（８）和（９）或（１０），在全面考虑各种重要影响因素的基础上，尽可能减少特征量数目．因此，本文负荷预测考虑的相关因素包括：日分类（工作日（周一一周五），一般休息日（周六、周日），节假日（法定节假日和民间节日））；日温度（日最高温度，日最低温度，日平均温度）；日降雨量；湿度等．探索用改进的粒子群模糊神经网络算法进行短期负荷预测，以历史负荷数据和历史温度、日照、季节和天气数据为训练样本，以期寻找一个有良好泛化能力、能进行从各种影响因素到负荷的非线性映射网络，并用ＶＣ＋＋结合ＭＡＴＬＡＢ［１１ｊ混合编程进行仿真．

４．１预测模型的神经网络结构

改进的粒子群模糊神经网络采用三层网络结构，它的构成为：其输入量为６５个，隐含神经元由上述优化方法得到，输出量为２４个，对应于预测日２４ｈ负荷的预测值．模糊神经网络的输入／输出定义见表１．本文采用百分误差、均方误差和准确度作为分析指标．

４．２输人变量的处理

上面提到输入信息为负荷、气象、天气、日类型等量，这些量量纲不一、数值各异，差异甚大．为避免因输入量值域范围的较大差异而导致某些负荷影响因素在总体映射效果中的歪曲甚至淹没现象的发生，必须对输入的有关变量进行量化处理．同时须对所有输入数据进行归一化处理．（１）负荷数据归一化和气象数据量化处理

１６２系统工程理论与实践第３０卷

１）负荷数据归一化处理．为了避免神经元饱和现象，在ＦＮＮ的输入层，用式（１６）将负荷值换算为［－１，１】区间的值；在输出层，用公式（１７）换算回负荷值：

＝—７———————■斧Ｌｚｍ“一ＸｍｌｎＪ／ｚ，Ｊ

（１７）ｚ＝（ｚｍ“一ｚｍｉｎ）／２＋（ｚｍａｘ＋ｚｍｉｎ）／２

式中，ｚ。。和ｚ。ｉ。代表训练样本集中负荷的最大值和最小值．

２）温度的换算．实验证明温度在一定的范围内变化时，对负荷的影响相似．所以对温度可以进行分段处理，而且当温度在某一个适宜范围时对负荷的影响较小，当温度升高或降低到一定程度时对负荷的影响较大．因此对温度进行分段和量化处理，见表２．

表１模糊神经网络输人／输出定义表

输入

ｌ

８

３

７描述预测日前１周相应日２４ｈ实际负荷值｛Ｌ（ｈ），ｈ＝１，２，…，２４｝预测日前１周相应日气象因素Ｔ。。／Ｔ。ｉ。／Ｔ。。。／Ｒａｉｎ０预测日前１天２４ｈ实际负荷值｛Ｌ１（＾），ｈ＝１，２，…，２４｝预测日前１天相应日气象因素Ｔ。。／Ｔ。ｉ。／Ｔ。。。／Ｒａｉｎｌ

预测日前１天日类型

预测日前２天雨量Ｒａｉｎ２

预测日前３天雨量Ｒａｉｎ３

预测日日类型翻乞击弓８９０

预测日当天相应日气象因素Ｔ。。／Ｔ。ｉ。／Ｔ。。。／Ｒａｉｎ４

描述

神经元个数由改进的粒子群优化算法优化确定

描述一一骢的∞吼一黼黜心彤骓■出到预测日预测负荷数据｛Ｌ２（ｈ），ｈ＝１，２，…，２４）

表２温度和降雨的量化取值

３）降雨的量化．天气预报中降雨一般分为：无雨、小雨、中雨、大雨、暴雨、大暴雨等六种情况．它们相对应的量化取值见表２．在降雨防洪季节，降雨一般引起防洪排涝负荷的增加，所以在量化时只考虑取一个方向的数值．

４）日期类型的量化．日期类型分三类，分别是工作日（星期一一星期五）、公休日（星期六一星期日）和节假日＜春节等）或重大事件日．日期类型量化时工作日取值为０．０，一般公休日取值为ｏ．８，节假日取值为１，同时，对节假日预测后进行修正．节假日负荷调整因子公式为

１只１＝Ｌｏ（ｉ）／Ｌｏ（ｉ—ｔ），１Ｑ、

、７Ｉ如＝Ｌｏ（ｉ＋ｔ）／Ｌｏ（ｉ）

式中：ｉ＝ｌ，２，３，４，分别表示元旦、春节、“五一’’和“十一’’等重大节假日；Ｒ１为预测日是节假日ｉ、天气最相似的基准日在前ｔ天的日负荷调减因子；只２为天气相似的基准日为节假日ｉ、预测日在基准日后ｔ天的日负荷调增因子；Ｌｏ（ ）为日平均负荷．

（２）样本数据预处理

第１期师彪，等：基于改进粒子群一模糊神经网络的短期电力负荷预测１６３

处理方法和步骤如下：１）对大事故日负荷或负荷曲线明显异常的日负荷进行剔除或用正常曲线置换；２）采用数据横向对比方法消除由于ＳＣＡＤＡ采样错误带来的负荷毛刺；３）对于某一时段内的异常负荷数据，对比正常负荷曲线进行修正．

４．３负荷预测仿真

采用贵州省电网２００７年７月１日到２００８年７月３１日的负荷数据、天气数据和气象数据形成样本集，且训练样本和测试样本按８：２比例划分．对贵州电网一天２４ｈ进行负荷预测．

在网络训练过程中，采用ＭＰＳＯ和ＦＮＮ相结合的训练方法，其训练步骤见３．４节．ＭＰＳＯ—ＦＮＮ的初始参数分别为：０＝０．６，惯性因子ｗ＝Ｏ．５５，０）０＝ｏ．９，Ｃ１＝２和Ｃ２：－２．４，ｒｌ、ｒ２的范围为［ｏ，１】，反向传播算法的参数采用小步长叩＝ｏ．０３５，动量算子Ｑ取ｏ．５５．Ｗｆ的范围为［一１，＋ｌ】，粒子群Ｍ＝８０，最大进化代数为１０００，粒子速度范围［ｏ，＋１５】．隐层神经元数目由改进的粒子群优化确定．

采用改进的粒子群一模糊神经网络混合算法模型（ＭＰＳＯ—ＦＮＮ）程序、粒子非模糊神经网络混合算法（ＰＳＯ—ＦＮＮ）、粒子群．ＢＰ神经网络混合算法、ＢＰ神经网络算法和模糊神经网络算法（ＦＮＮ）程序，分别应用贵州省电网２００７年７月１日到２００８年７月２４日的负荷数据、天气数据和气象数据作为训练样本和测试样本集，以２００８年７月２５日到３１日的负荷数据、天气数据和气象数据为训练好的各预测模型的网络结构输入量对贵州电网２００８年８月１日和２日的各小时负荷进行预测．表３、图２和图３给出了预测结果．

表ａ（ａ）２００８年８月１日各小时负荷预测结果表ａ（ｂ）２００８年８月１日各小时负荷预测结果的误差

１６４系统工程理论与实践第３０卷

有

功

功

毫

／Ｍ

Ｗ相对误差％

７４＾＾１ｎｌ，１４＇６ｌＲ，ｎ９９，●＇‘＾Ｒ１ｎＩ’●４＇６ｔＲ’ｎ’＇９４

时间，小时时问／小时

圈２２００８年８月２日２４ｈ实际和预测的电力负荷图３２００８年８月２日２４ｈ电力负荷预测的百分误差从表３、图２和图３中可以看出，ＭＰＳＯ—ＦＮＮ网络混合算法预测的负荷与实际负荷相当接近，比其他方法预测精度要高得多．

４．４仿真效果分析

１）验证ＰＳＯ—ＦＮＮ算法和ＭＰＳＯ—ＦＮＮ算法的辨识精度

以贵州省电网２００８年６月１日到２００８年７月３１日的负荷数据、天气数 …… 此处隐藏：1842字，全部文档内容请下载后查看。喜欢就下载吧 ……