基于GA—BP算法的呼和浩特地区短期电力负荷预测

陈英慧+商淼+李婷+高红艳

摘 要：电力负荷预测要求有较高的精度，负荷预测的参数和预测结果之间呈现出非线性的关系，如何能更好的解决参数和结果之间的非线性关系才能更好的提高预测结果的精度。本文通过实例表明基于GA-BP模型的电力负荷预测能够很好的适应这种非线性关系，计算结果有着较高的精度。

关键词：电力系统；负荷预测；神经网络；遗传算法（GA）

DOI：10.16640/j.cnki.37-1222/t.2018.05.146

1 绪论

电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测[1]。电力负荷预测是电力系统中极其重要的工作，对电力系统的生产运行及电力系统自动化有着极其重要的意义，同时也是电力系统经济运行的基础。随着计算机相关领域的不断发展，尤其是基于深度学习的人工智能的领域的不断深入的研究，更加准确的预测电力系统的负荷成为可能。并且，电力系统对于负荷预测的精度要求也是不断地提高，所以，如何能够更加准确的预测电力负荷有着极其现实的意义。

电力负荷预测受气象，国家能源政策，人民收入水平，经济发展的程度和经济的结构的等多方面的因素的影响，影响因素中各个方面都具有一定的随机性和非线性，如何很好的适应其中的非线性和随机性对于预测算法具有很高的要求[2-4]。本文得到结果与实际生产运行的结果进行比较表明本文所使用的方法对于非线性具有较好的适应性，预测的结果有较高的精度，预测的结果可以做为实际的电力生产的依据。

2 GA-BP模型电力负荷预测的原理

BP神经网络使用三层感知器，分别为输入层，隐藏层和输出层。输出层的误差通过反向传播至输入层，在传播过程中，将误差分摊给各层的所有单元，从而获得各层所有单元的误差信号，并通过此误差信号作为修正各单元的权重的依据[5]。

遗传算法（Genetic Alogrithm，GA）起源于对生物系统所进行的计算机的模拟。它是模仿自然界生物的进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说，其本质是一种高效、并行、全局的搜索方法，能在搜索的过程中自动获取和积累有关搜索的空间知识，并自适应地控制搜索过程以求得最佳解。遗传算法使用适者生存的原则，在潜在的解决方案中逐次产生近似的最优的方案。在遗传算法的每一代中，根据个体在问题域中的适应度，通过选择，交叉，和变异对个体进行再造，产生一个新的近似解，得到的新的个体比原个体更能适应环境。

近些年，BP神经网络结合遗传算法可以更好的提高BP神经网络的预测精度，遗传算法可以克服BP神经网络的不足，通过遗传算法可以使得BP神经网络获得的更好的参数。对于BP神经网络结合遗传算法的方法应该给予更多的重视。

BP神经网络神经元j的输出为：，为之前神经元的输出，为神经元k和神经元j之间的权重。激活函数的表达形式为：。BP神经网络预测具有较好的精度，但是同时BP神经网络也具有收敛慢，同时容易局部收敛的缺点，通过GA算法调整BP神经网络的各神经元的权重和BP算法的初始权重可以很容易的克服BP神经网络的缺点。可以加入GA算法对其BP神经网络的初始权重进行优化，其步骤如下：

（1）生成初代权重。

（2）通过选择、交叉、变异，生成子代权重。

（3）验证是否符合适应函数，其中。

（4）不断的迭代直至最终生成函数符合（3）的条件，迭代结束。

3 基于GA-BP算法的短期电力负荷预测的研究

利用呼和浩特某地区电网的从2017-2-1到2017-3-1日每天0时到24时的负荷数据做为训练样本，2017-3-2到2017-3-15日每天0时到24时的负荷做测试样本，并对2017-3-16到2017-3-26日的负荷进行预测，结果见表1。预测数据和实际数据的对比图见图1。

如图1所示预测曲线和实际的负荷曲线基本接近，从表一中可以看出其相对误差的最大值不超过4%，可以看出GA-BP模型的精度较高，可以应用到实际生产中的电力负荷预测当中。

4 结论

将遗传算法应用于电力系统负荷预测，通过上述讨论，可以得出以下结论：

（1）该模型对电力负荷预测结果符合期望，对电力负荷预测有较高的精度。

（2）参数和结果之间具有非线性，用遗传算法进行电力负荷预测，对于非线性有较好的适应性。

（3）本文使用自适应算法对遗传算法进行了改进，避免了遗传算法中的收敛缓慢和局部极小的问题，提高了运算速度和预测的精度。为电力负荷预测提供了一种改进的方法，该方法预测的结果可以为电力生产和规划提供参考。

参考文献：

[1]牛东晓.电力负荷预测技术及其应用[M].中国电力出版社，2009.[2]曾德明.电力负荷的预测方法的建模与仿真[J].计算机仿真，2011.

[3]原媛.电力负荷特性分析及中长期负荷预测方法研究[M].上海交通大學，2008.

[4]师兵兵.神经网络预测中长期电力负荷对比研究[J].继电器，2007.

[5]刘政生.基于BP神经网络的电力负荷预测算法[J].自动化应用，

2012（06）.

作者简介：陈英慧（1983-），男，河北涞源人，硕士，助教，研究方向：电力系统稳定、电机设备。