引言

雖然電網數據量在不斷增加,為短期電力負荷預測提供了足夠的數據支持,但也提高了預測難度[4_5-。同時,電力負荷數據均源自于用電信息采集系統(tǒng)數據庫,數據異常問題不可避免,若不進行剔除,勢必會對電力負荷預測精度造成干擾[+-。因此,本文將從異常數據的預處理出發(fā)進行研究,以提高電力負荷數據質量,為后續(xù)的人工蜂群算法＋BP神經網絡模型的預測實驗開展掃清路障。

1異常數據的預處理方法

1.1異常數據常見的表現(xiàn)形式

異常數據常見的表現(xiàn)形式有5種:(4）存在缺失值和零值,導致這種現(xiàn)象發(fā)生的主要原因有兩個,一是大負荷突然投切,二是停電檢修:(2）負荷毛刺,導致這種現(xiàn)象發(fā)生的主要原因是負荷受到了突然事件沖擊,使得相鄰時刻負荷值突然增大或減小:(3）連續(xù)突變值,這種情況出現(xiàn)一般是線路局部故障負荷轉移所致:(5）連續(xù)恒定非零值,該情況的出現(xiàn)勢必為負荷在某時刻其值為零且處于恒定狀態(tài)所致。

1.2數據橫向比對法

為了對這類異常數據進行有效處理,此處首先使用的是數據橫向比對法。具體判別思路如下:以相鄰時刻的負荷數據為判斷基準,觀察負荷數據是否在預設區(qū)間內,從而實現(xiàn)負荷數據判斷。假如負荷數據為異常數據,則需要利用式(4）進行修正。

式中:p(d,4）表示第d天4時刻的負荷數據:p(d,4＋4）表示第d天4＋4時刻的負荷數據:p(d,4_4）表示第d天4_4時刻的負荷數據:a(4）與1(4）均為閾值。

但這種異常數據處理方法不能對連續(xù)性缺失數據和突變數據進行處理。為解決這一難題,確保異常數據處理的有效進行,在該方法的基礎上進行了相應的改進(結合縱向比較法）,具體如下文所述。

1.3改進后的數據雙向比較法

改進后的數據比較法除了具備橫向比對法應有的能力外,還具備縱向比較法的性能。數據雙向比較法原理如下:

(1）對異常數據進行評判時,可對相鄰時刻負荷數據進行比較,以獲取負荷變化量。

(2）將每天相同時刻的負荷數據與前一時刻的負荷數據進行縱向比較,以獲取平均負荷變化值,即其閾值a(t）。

(3）利用閾值完成異常數據的篩選工作,而后在相鄰負荷最大化范圍的基礎上對異常數據進行約束。

(4）依照時間順序,對異常數據進行識別與修正,在得到最終修正結果后,便可替換掉下一時刻數據的基準值。

(5）對幾天內的數據進行同時處理,在得到這幾天內的異常負荷數據后,修正值可由正常數據的平均值替代。

該方法具體計算公式如下:

聯(lián)立式(3）與式(4）,可得到式(5）:

式中:閾值a(t）表示t時刻N天的平均負荷變化量:p(d,t）表示第d天l時刻的負荷數據:p(ζ,t）表示第d天l時刻的正常負荷數據:K表示正常負荷數據的數據個數:9表示可調參數,利用可調參數可實現(xiàn)修正程度的調整。

通過多次測試得知,可調參數與修正程度成反比關系,隨著可調參數的不斷增大,修正程度會逐漸縮小,并在實驗中確定了9的取值為1.2。

2人工蜂群算法＋BP神經網絡的短期電力負荷預測模型實現(xiàn)流程

人工蜂群算法＋+B神經網絡算法的訓練網絡結構與傳統(tǒng)的+B神經網絡算法相同,此處不進行分析。在網絡結構的選擇上,選取了三層3P-24-24網絡結構,并選擇Log-sigmoid作為此次的激活函數。

2.1人工蜂群算法＋BP神經網絡的參數選擇

為彌補+B神經網絡在電力負荷預測中的不足,引入了人工蜂群算法。為了不加大后續(xù)的計算難度,需要選擇合適的參數,具體設定如下:令蜂群規(guī)模為200:令跟隨蜂、初始蜜源以及雇傭蜂的數量均為100:令limit為120次,算法最大迭代次數為1000。

2.2人工蜂群算法＋BP神經網絡模型的實現(xiàn)流程

人工蜂群算法＋+B神經網絡模型的具體實現(xiàn)流程如圖1所示。

由圖1可以看出,人工蜂群算法＋+B神經網絡模型的實現(xiàn)主要經過3個步驟:(1）在確定神經網絡拓撲結構后,對蜂群參數(如蜂群大小、初始蜜源、最大迭代次數等）進行初始化處理。(2）利用雇傭蜂在領域內搜尋新蜜源,并計算其適應度情況,當適應度大于蜜源時,則進行標記與取代:反之則舍棄新蜜源。(3）對迭代過程進行檢查,以確定是否達到終止條件,當達到終止條件時,獲取最優(yōu)權值和閾值,并進行相應的測試工作,獲取最終結果:反之則重復迭代過程,直至達到最大迭代次數為止。

3預測結果分析

3.1人工蜂群算法＋BP神經網絡模型辨識精度檢驗

為了確定人工蜂群算法＋+B神經網絡模型在電力負荷預測中的可行性,以某市2020年P月21日至6月21日的歷史負荷數據作為樣本數據,進行電力負荷測試仿真實驗。實驗中,對人工蜂群算法＋+B神經網絡模型與單一的+B神經網絡模型同時迭代200次,得到迭代次數與均方根誤差間的關系,如圖2所示。

圖2迭代次數與均方根誤差間的關系

隨著均方根的不斷減小,預測值會不斷向真實值靠攏。由圖2可以看出,BP神經網絡算法迭代130次后,均方根誤差值趨于平穩(wěn),但其值大于1%:而人工蜂群＋BP神經網絡算法迭代94次后,均方根誤差值趨于平穩(wěn),且其值小于1%。相比之下可知,人工蜂群＋BP神經網絡算法不但具有較高的收斂性,而且其尋優(yōu)精度較高。3.2訓練性能對比實驗

為檢驗人工蜂群＋BP神經網絡模型的訓練性能情況,此處與單一BP神經網絡模型進行了比較研究,具體比較實驗分為兩種:(1）電力負荷預測比對實驗:(2）誤差指標比對實驗。實驗數據均為某市2020年8月3日至8月9日連續(xù)一周內的歷史數據,預測結果分別如圖3、圖4所示。

圖3人工蜂群＋BP神經網絡與單一BP神經網絡一周內電力負荷預測結果

由圖3與圖4可知,人工蜂群＋BP神經網絡算法的電力負荷預測結果更加接近真實值,絕對百分誤差結果

圖4人工蜂群＋BP神經網絡與單一BP神經網絡電力負荷

預測的絕對百分誤差結果

更小。經過多次實驗統(tǒng)計得到了人工蜂群＋BP神經網絡模型與單一BP神經網絡模型的訓練性能結果,具體如表1所示。

由表1可知,與BP神經網絡模型相比,人工蜂群＋BP神經網絡模型的預測效果較優(yōu),平均絕對百分誤差為1.639%,最大相對誤差為3.709%。為了進一步檢測人工蜂群＋BP神經網絡模型的預測結果,對8月25日當天的電力負荷情況進行了預測,得到的結果如圖5、圖6所示。

圖5人工蜂群＋BP神經網絡與BP神經網絡24h內電力負荷

預測結果

由圖5與圖6可知,人工蜂群＋BP神經網絡模型的電力負荷預測結果更加接近真實值,絕對百分誤差結果

圖6人工蜂群(＋B神經網絡與＋B神經網絡2P4內電力負荷預測絕對百分誤差結果

更小,基本趨于2P～.P。BP神經網絡預測誤差基本保持在.P～5P,但誤差波動較為明顯,容易出現(xiàn)局部最優(yōu)問題,對預測精度會造成一定的影響。為直觀披露人工蜂群+BP神經網絡模型對電力負荷預測的可行性,對其平均絕對百分誤差與均方根誤差進行了統(tǒng)計計算,并與BP神經網絡模型進行了比對,得到的結果如表2所示。

從表.可以看出,利用人工蜂群+BP神經網絡模型預測.4h內電力負荷的平均絕對百分誤差為%1.26P,BP神經網絡模型的電力負荷預測的平均絕對百分誤差為31852P,二者相差.1644P。融合了人工蜂群算法的BP神經網絡模型進行電力負荷預測的均方根誤差為%1745P,單一BP神經網絡模型進行電力負荷預測得到的均方根誤差為61657P,二者相差419%.P?？梢?人工蜂群+BP神經網絡模型在短期電力負荷預測中具有較高的穩(wěn)定性,能夠在短期電力負荷預測中發(fā)揮應有的作用。

4結語

在電力負荷預測過程中,為了降低異常數據的干擾,通常需要對檢測數據進行預處理。因此,本文首先給出了異常數據的預處理方法,以避免檢測數據中存在負荷毛刺、空值、缺失值以及連續(xù)突變值等異常數據;接著給出了人工蜂群+BP神經網絡短期負荷預測模型的實現(xiàn)流程,并選定了相關網絡參數,為后續(xù)的短期電力負荷預測實驗奠定了基礎;最后,以某市.2.2年歷史數據為例,對人工蜂群+BP神經網絡模型的可行性進行了多次檢測,并與單一BP神經網絡模型進行了比較,得到的結果均肯定了人工蜂群+BP神經網絡模型在短期電力負荷預測中應用的可行性,且能夠得到較優(yōu)的預測結果。