基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的改進(jìn)灰色模型在

引言

隨著泛在電力物聯(lián)網(wǎng)的研究和建設(shè)的推進(jìn),中長期電量預(yù)測數(shù)據(jù)的信息化程度的提高,電力系統(tǒng)電量預(yù)測的研究重點(diǎn)不再是統(tǒng)計數(shù)學(xué)模型本身,而是如何綜合考量多方面因素,從而有效提高電力系統(tǒng)電量預(yù)測結(jié)果的精度。文獻(xiàn)基于電量各影響因素的統(tǒng)計分析來構(gòu)建電量預(yù)測算法模型:文獻(xiàn)則通過考慮經(jīng)濟(jì)因素對負(fù)荷的影響對月度負(fù)荷進(jìn)行了預(yù)測:文獻(xiàn)表明隨著近幾年我國在人工智能技術(shù)領(lǐng)域的深入研究與發(fā)展,基于神經(jīng)網(wǎng)絡(luò)算法的混合預(yù)測模型優(yōu)勢突出。

本文以中西部某區(qū)域電網(wǎng)公司的大數(shù)據(jù)平臺為基礎(chǔ),利用相關(guān)經(jīng)濟(jì)指標(biāo)數(shù)據(jù)包括規(guī)模以上工業(yè)增加值、固定資產(chǎn)投資、社會消費(fèi)零售總額和出口總值四個指標(biāo)以及歷史用電量月數(shù)據(jù)進(jìn)行分析,提出了用BP神經(jīng)網(wǎng)絡(luò)修正灰色預(yù)測值的電量預(yù)測模型,旨在結(jié)合經(jīng)濟(jì)指標(biāo)因素與電量的相互作用,實(shí)現(xiàn)高精度的電量預(yù)測。

1整體框架

電量預(yù)測模型的關(guān)鍵在于通過收集處理大量的歷史數(shù)據(jù),建立有效的預(yù)測算法模型。采用科學(xué)的方法,以已知數(shù)據(jù)為基礎(chǔ),進(jìn)行數(shù)據(jù)分析并不斷修正模型,以達(dá)到更為優(yōu)化的電量預(yù)測效果。

在電量的預(yù)測過程中,單純地利用灰色預(yù)測外推得到的用電量數(shù)據(jù),忽略了經(jīng)濟(jì)指標(biāo)與電量之間的相互影響,會造成預(yù)測結(jié)果誤差過大。

本文所涉及的電網(wǎng)電量預(yù)測的基本思想是通過數(shù)據(jù)的分析處理篩選出已知數(shù)據(jù)中的有效信息并加以利用,將其作為BP神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)進(jìn)行訓(xùn)練,不斷修正權(quán)值和閾值,從而使灰色預(yù)測得到的初步預(yù)測值不斷逼近期望輸出。

模型設(shè)計的整體框架如圖1所示。

2基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的改進(jìn)灰色模型

2.1數(shù)據(jù)預(yù)處理

電網(wǎng)的電量預(yù)測中,原始電量數(shù)據(jù)存在缺失或不一致性。為了達(dá)到高精度的電量預(yù)測,對訓(xùn)練樣本數(shù)據(jù)的選擇極為重要,故需要對已收集數(shù)據(jù)進(jìn)行分析處理。

2.1.1經(jīng)濟(jì)指標(biāo)的收集與處理

本文收集了2014—2017年中西部某區(qū)域電力公司的四項(xiàng)經(jīng)濟(jì)指標(biāo)年數(shù)據(jù)包括規(guī)模以上工業(yè)增加值、固定資產(chǎn)投資、社會消費(fèi)零售總額和出口總值,以及2014—2018年7月的用電量月數(shù)據(jù)。考慮到對應(yīng)數(shù)據(jù)細(xì)化程度的不一致性,需要將經(jīng)濟(jì)指標(biāo)數(shù)據(jù)進(jìn)一步處理。

首先計算出2014—2017年各個月份占當(dāng)年全年用電量的比例,再用1月—12月各個月份占這四年的比例求平均值,處理后的比例值將作為標(biāo)準(zhǔn)比例應(yīng)用于經(jīng)濟(jì)指標(biāo)的細(xì)化。將2014—2017年四個經(jīng)濟(jì)指標(biāo)的年數(shù)據(jù)按照用電量趨勢的標(biāo)準(zhǔn)比例分配至月得到月經(jīng)濟(jì)數(shù)據(jù),各經(jīng)濟(jì)指標(biāo)月數(shù)據(jù)變化情況如圖2所示。

2.1.2數(shù)據(jù)分析

將收集到的用電量數(shù)據(jù)繪圖分析,一方面可以看出中西部地區(qū)的月用電量整體呈上升趨勢,另一方面2014—2017年每年的月用電量變化特性也基本呈現(xiàn)一致性。且經(jīng)濟(jì)指標(biāo)數(shù)據(jù)的細(xì)化標(biāo)準(zhǔn)源自用電量,故經(jīng)濟(jì)指標(biāo)月數(shù)據(jù)的變化趨勢同用電量趨勢一致。

2.1.3灰色關(guān)聯(lián)度分析

為了能確定用電量與各經(jīng)濟(jì)指標(biāo)之間的關(guān)聯(lián)程度,便于訓(xùn)練樣本的進(jìn)一步選擇,通過灰色關(guān)聯(lián)度分析法將關(guān)聯(lián)度低的經(jīng)濟(jì)指標(biāo)因素剔除,把相關(guān)性強(qiáng)的經(jīng)濟(jì)指標(biāo)分量作為輸入?；疑P(guān)聯(lián)度分析法的關(guān)鍵是通過對要研究對象與其各個影響因素的數(shù)據(jù)序列曲線之間的相似程度來分析影響因素的主次地位。

圖3即灰色關(guān)聯(lián)度分析得出的關(guān)聯(lián)系數(shù)曲線。通過該圖與其他分析模型相比,灰色關(guān)聯(lián)度分析不需要對原始數(shù)據(jù)做歸一化處理,僅用已知數(shù)據(jù)便可以得到關(guān)聯(lián)度排序:社會消費(fèi)品零售總額>固定資產(chǎn)投資>出口總值（美元）>規(guī)模以上工業(yè)增加值。

2.2灰色預(yù)測

灰色預(yù)測模型是通過累加或累減生成并逐步白化,從而建立起的微分方程形式的模型?；疑A(yù)測中的觀測數(shù)據(jù)序列并不是隨機(jī)產(chǎn)生,而是一個變化著的灰色過程。因此,灰色預(yù)測的數(shù)據(jù)是通過生成數(shù)據(jù)的GM（1,1）模型所得到的預(yù)測值的逆處理結(jié)果?；疑A(yù)測算法流程圖如圖4所示。

灰色預(yù)測作為一種對含有不確定因素系統(tǒng)進(jìn)行預(yù)測的方法,適用于小樣本數(shù)據(jù)的預(yù)測,僅依靠于自身的規(guī)律進(jìn)行外推。為了將灰色預(yù)測算法的優(yōu)勢最大化,且通過數(shù)據(jù)分析發(fā)現(xiàn)每年的對應(yīng)月數(shù)據(jù)按規(guī)律增長,于是在符合灰色預(yù)測樣本小、自身按指數(shù)增長的特點(diǎn)的情況下,依據(jù)往年對應(yīng)月份的月用電量來推測2018年對應(yīng)月份的月用電量。利用灰色預(yù)測得到的預(yù)測結(jié)果及誤差檢驗(yàn)如表1所示。

將表1的預(yù)測結(jié)果與灰色模型精度檢驗(yàn)對照表比較可知,初步預(yù)測得到的月用電量較為準(zhǔn)確,且加入預(yù)測值后的2014一2018年月用電量變化曲線符合整體變化趨勢。

2.3BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)作為一種多層前饋神經(jīng)網(wǎng)絡(luò),是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。該算法中包括前向傳播的信號以及反向傳播的誤差兩個部分。圖5所示為神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)圖,該模型一般有三層,從左往右依次為輸入層、隱藏層和輸出層。

BP神經(jīng)網(wǎng)絡(luò)算法的核心是隨著訓(xùn)練次數(shù)的不斷增加,最終誤差越來越小,當(dāng)達(dá)到設(shè)定目標(biāo)誤差或最大迭代次數(shù)時終止訓(xùn)練,從而得到最優(yōu)權(quán)值和閾值的預(yù)測輸出。使用神經(jīng)網(wǎng)絡(luò)模型處理問題可以適用于各種任務(wù)且簡單易用,其算法具體流程圖如圖6所示。

灰色預(yù)測使2018年的月用電量完整化,成為已知條件。故首先利用用電量與各經(jīng)濟(jì)指標(biāo)之間的對應(yīng)關(guān)系預(yù)測2018年1月一12月的經(jīng)濟(jì)指標(biāo)數(shù)據(jù)。其次在用電量的預(yù)測過程中,一方面僅利用已知用電量數(shù)據(jù)進(jìn)行訓(xùn)練具有一定的盲目性,很大程度上會導(dǎo)致預(yù)測結(jié)果的不可信度,從而加入了2018年的外推預(yù)測數(shù)據(jù)訓(xùn)練:另一方面考慮到2018年用電量與經(jīng)濟(jì)指標(biāo)間的相關(guān)性與較遠(yuǎn)年份的關(guān)聯(lián)度不高,故采用科學(xué)性更強(qiáng)的2017一2018年的月數(shù)據(jù)進(jìn)行訓(xùn)練。經(jīng)濟(jì)指標(biāo)不同處理方式下的預(yù)測誤差變化圖如圖7～9所示。

如圖7所示,在未剔除經(jīng)濟(jì)指標(biāo)的情況下預(yù)測誤差控制在3.5%以內(nèi):如圖8所示,在剔除相關(guān)性較差的一個經(jīng)濟(jì)指標(biāo)后,預(yù)測誤差控制在4%以內(nèi):圖9所示為剔除兩個經(jīng)濟(jì)指標(biāo)后的誤差變化圖,相比前兩種處理方式預(yù)測精度更高。本模型通過反向傳播神經(jīng)網(wǎng)絡(luò)提升了電量預(yù)測效果,保證了各項(xiàng)預(yù)測數(shù)據(jù)準(zhǔn)確性。

最終用電量預(yù)測結(jié)果整理如表2所示。

3模型優(yōu)勢分析

3.1數(shù)據(jù)處理

傳統(tǒng)方法中只利用經(jīng)濟(jì)指標(biāo)本身的特性對數(shù)據(jù)進(jìn)行處理,如在平均分配的基礎(chǔ)上對個別月份即1、2、7、8月統(tǒng)一處理添加較大的隨機(jī)誤差,其他月份添加符合正態(tài)分布的隨機(jī)誤差[7]。最終得到如圖10所示的月數(shù)據(jù)變化趨勢。

通過圖2與圖10的分析,本模型的數(shù)據(jù)處理具有以下優(yōu)勢:

(1)變化趨勢呈波動上升趨勢,且較之前的以平均分配為基礎(chǔ)的數(shù)據(jù)處理曲線更為平滑,無明顯突變:

(2）充分考慮了用電量與經(jīng)濟(jì)指標(biāo)之間的密切關(guān)系,數(shù)據(jù)處理方法更貼近實(shí)際,具有科學(xué)性。

3.2灰色預(yù)測樣本量的選取

本模型是通過往年對應(yīng)月份的月用電量來依次推測2018年對應(yīng)月份的月用電量,相比直接采用所有的已知月用電量進(jìn)行外推,具備以下優(yōu)點(diǎn):

(1）直接外推的處理方法由于灰色預(yù)測的特性,預(yù)測值會呈增長趨勢,從而不符合實(shí)際情況。本模型充分考慮了用電量的月變化特性,使2018年的用電量變化趨勢更貼近于往年的變化趨勢:

(2）樣本量少,更能發(fā)揮灰色預(yù)測算法自身的優(yōu)勢,達(dá)到了更好的預(yù)測效果。

3.3BPNN預(yù)測用電量訓(xùn)練樣本的選取

預(yù)測用電量時是多輸入單輸出,利用2017一2018年的月用電量及四項(xiàng)經(jīng)濟(jì)指標(biāo)月數(shù)據(jù)進(jìn)行訓(xùn)練,本模型得到的預(yù)測結(jié)果曲線如圖11所示。

如果利用2014一2017年的月用電量及四項(xiàng)經(jīng)濟(jì)指標(biāo)月數(shù)據(jù)進(jìn)行訓(xùn)練,在該方法下得到的預(yù)測曲線如圖12所示。

由以上兩圖分析可知,該模型的訓(xùn)練樣本選取有以下優(yōu)勢:

（1)2018年用電量與經(jīng)濟(jì)指標(biāo)間的相關(guān)性與較遠(yuǎn)年份的關(guān)聯(lián)度不高,只采用2017一2018年的數(shù)據(jù)進(jìn)行訓(xùn)練更具有科學(xué)性:

(2）本模型的預(yù)測結(jié)果更符合往年用電量趨勢的變化情況,且年用電量總額較2017年有小幅增長,年用電量變化曲線更為平滑。

4結(jié)語

本文針對電量預(yù)測問題所提的基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的改進(jìn)灰色模型,建?？茖W(xué),預(yù)測流程清晰,可操作性強(qiáng)。模型預(yù)測結(jié)果數(shù)據(jù)表明,基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的改進(jìn)灰色模型的電量預(yù)測結(jié)果誤差均小于4%。即模型在充分考慮經(jīng)濟(jì)指標(biāo)與電量的相互作用的情況下,利用BP神經(jīng)網(wǎng)絡(luò)算法對電量的灰色預(yù)測值進(jìn)一步修正,從而得到了實(shí)用性更好的中長期電量預(yù)測結(jié)果。