基于BP神经网络优化的改进灰色模型在
扫描二维码
随时随地手机看文章
引言
随着泛在电力物联网的研究和建设的推进,中长期电量预测数据的信息化程度的提高,电力系统电量预测的研究重点不再是统计数学模型本身,而是如何综合考量多方面因素,从而有效提高电力系统电量预测结果的精度。文献基于电量各影响因素的统计分析来构建电量预测算法模型:文献则通过考虑经济因素对负荷的影响对月度负荷进行了预测:文献表明随着近几年我国在人工智能技术领域的深入研究与发展,基于神经网络算法的混合预测模型优势突出。
本文以中西部某区域电网公司的大数据平台为基础,利用相关经济指标数据包括规模以上工业增加值、固定资产投资、社会消费零售总额和出口总值四个指标以及历史用电量月数据进行分析,提出了用BP神经网络修正灰色预测值的电量预测模型,旨在结合经济指标因素与电量的相互作用,实现高精度的电量预测。
1整体框架
电量预测模型的关键在于通过收集处理大量的历史数据,建立有效的预测算法模型。采用科学的方法,以已知数据为基础,进行数据分析并不断修正模型,以达到更为优化的电量预测效果。
在电量的预测过程中,单纯地利用灰色预测外推得到的用电量数据,忽略了经济指标与电量之间的相互影响,会造成预测结果误差过大。
本文所涉及的电网电量预测的基本思想是通过数据的分析处理筛选出已知数据中的有效信息并加以利用,将其作为BP神经网络的样本数据进行训练,不断修正权值和阈值,从而使灰色预测得到的初步预测值不断逼近期望输出。
模型设计的整体框架如图1所示。
2基于BP神经网络优化的改进灰色模型
2.1数据预处理
电网的电量预测中,原始电量数据存在缺失或不一致性。为了达到高精度的电量预测,对训练样本数据的选择极为重要,故需要对已收集数据进行分析处理。
2.1.1经济指标的收集与处理
本文收集了2014—2017年中西部某区域电力公司的四项经济指标年数据包括规模以上工业增加值、固定资产投资、社会消费零售总额和出口总值,以及2014—2018年7月的用电量月数据。考虑到对应数据细化程度的不一致性,需要将经济指标数据进一步处理。
首先计算出2014—2017年各个月份占当年全年用电量的比例,再用1月—12月各个月份占这四年的比例求平均值,处理后的比例值将作为标准比例应用于经济指标的细化。将2014—2017年四个经济指标的年数据按照用电量趋势的标准比例分配至月得到月经济数据,各经济指标月数据变化情况如图2所示。
2.1.2数据分析
将收集到的用电量数据绘图分析,一方面可以看出中西部地区的月用电量整体呈上升趋势,另一方面2014—2017年每年的月用电量变化特性也基本呈现一致性。且经济指标数据的细化标准源自用电量,故经济指标月数据的变化趋势同用电量趋势一致。
2.1.3灰色关联度分析
为了能确定用电量与各经济指标之间的关联程度,便于训练样本的进一步选择,通过灰色关联度分析法将关联度低的经济指标因素剔除,把相关性强的经济指标分量作为输入。灰色关联度分析法的关键是通过对要研究对象与其各个影响因素的数据序列曲线之间的相似程度来分析影响因素的主次地位。
图3即灰色关联度分析得出的关联系数曲线。通过该图与其他分析模型相比,灰色关联度分析不需要对原始数据做归一化处理,仅用已知数据便可以得到关联度排序:社会消费品零售总额>固定资产投资>出口总值(美元)>规模以上工业增加值。
2.2灰色预测
灰色预测模型是通过累加或累减生成并逐步白化,从而建立起的微分方程形式的模型。灰色预测中的观测数据序列并不是随机产生,而是一个变化着的灰色过程。因此,灰色预测的数据是通过生成数据的GM(1,1)模型所得到的预测值的逆处理结果。灰色预测算法流程图如图4所示。
灰色预测作为一种对含有不确定因素系统进行预测的方法,适用于小样本数据的预测,仅依靠于自身的规律进行外推。为了将灰色预测算法的优势最大化,且通过数据分析发现每年的对应月数据按规律增长,于是在符合灰色预测样本小、自身按指数增长的特点的情况下,依据往年对应月份的月用电量来推测2018年对应月份的月用电量。利用灰色预测得到的预测结果及误差检验如表1所示。
将表1的预测结果与灰色模型精度检验对照表比较可知,初步预测得到的月用电量较为准确,且加入预测值后的2014一2018年月用电量变化曲线符合整体变化趋势。
2.3BP神经网络
BP神经网络作为一种多层前馈神经网络,是目前应用最为广泛的神经网络模型之一。该算法中包括前向传播的信号以及反向传播的误差两个部分。图5所示为神经网络的基本结构图,该模型一般有三层,从左往右依次为输入层、隐藏层和输出层。
BP神经网络算法的核心是随着训练次数的不断增加,最终误差越来越小,当达到设定目标误差或最大迭代次数时终止训练,从而得到最优权值和阈值的预测输出。使用神经网络模型处理问题可以适用于各种任务且简单易用,其算法具体流程图如图6所示。
灰色预测使2018年的月用电量完整化,成为已知条件。故首先利用用电量与各经济指标之间的对应关系预测2018年1月一12月的经济指标数据。其次在用电量的预测过程中,一方面仅利用已知用电量数据进行训练具有一定的盲目性,很大程度上会导致预测结果的不可信度,从而加入了2018年的外推预测数据训练:另一方面考虑到2018年用电量与经济指标间的相关性与较远年份的关联度不高,故采用科学性更强的2017一2018年的月数据进行训练。经济指标不同处理方式下的预测误差变化图如图7~9所示。
如图7所示,在未剔除经济指标的情况下预测误差控制在3.5%以内:如图8所示,在剔除相关性较差的一个经济指标后,预测误差控制在4%以内:图9所示为剔除两个经济指标后的误差变化图,相比前两种处理方式预测精度更高。本模型通过反向传播神经网络提升了电量预测效果,保证了各项预测数据准确性。
最终用电量预测结果整理如表2所示。
3模型优势分析
3.1数据处理
传统方法中只利用经济指标本身的特性对数据进行处理,如在平均分配的基础上对个别月份即1、2、7、8月统一处理添加较大的随机误差,其他月份添加符合正态分布的随机误差[7]。最终得到如图10所示的月数据变化趋势。
通过图2与图10的分析,本模型的数据处理具有以下优势:
(1)变化趋势呈波动上升趋势,且较之前的以平均分配为基础的数据处理曲线更为平滑,无明显突变:
(2)充分考虑了用电量与经济指标之间的密切关系,数据处理方法更贴近实际,具有科学性。
3.2灰色预测样本量的选取
本模型是通过往年对应月份的月用电量来依次推测2018年对应月份的月用电量,相比直接采用所有的已知月用电量进行外推,具备以下优点:
(1)直接外推的处理方法由于灰色预测的特性,预测值会呈增长趋势,从而不符合实际情况。本模型充分考虑了用电量的月变化特性,使2018年的用电量变化趋势更贴近于往年的变化趋势:
(2)样本量少,更能发挥灰色预测算法自身的优势,达到了更好的预测效果。
3.3BPNN预测用电量训练样本的选取
预测用电量时是多输入单输出,利用2017一2018年的月用电量及四项经济指标月数据进行训练,本模型得到的预测结果曲线如图11所示。
如果利用2014一2017年的月用电量及四项经济指标月数据进行训练,在该方法下得到的预测曲线如图12所示。
由以上两图分析可知,该模型的训练样本选取有以下优势:
(1)2018年用电量与经济指标间的相关性与较远年份的关联度不高,只采用2017一2018年的数据进行训练更具有科学性:
(2)本模型的预测结果更符合往年用电量趋势的变化情况,且年用电量总额较2017年有小幅增长,年用电量变化曲线更为平滑。
4结语
本文针对电量预测问题所提的基于BP神经网络优化的改进灰色模型,建模科学,预测流程清晰,可操作性强。模型预测结果数据表明,基于BP神经网络优化的改进灰色模型的电量预测结果误差均小于4%。即模型在充分考虑经济指标与电量的相互作用的情况下,利用BP神经网络算法对电量的灰色预测值进一步修正,从而得到了实用性更好的中长期电量预测结果。