引言

隨著泛在電力物聯(lián)網的研究和建設的推進,中長期電量預測數(shù)據(jù)的信息化程度的提高,電力系統(tǒng)電量預測的研究重點不再是統(tǒng)計數(shù)學模型本身,而是如何綜合考量多方面因素,從而有效提高電力系統(tǒng)電量預測結果的精度。文獻基于電量各影響因素的統(tǒng)計分析來構建電量預測算法模型:文獻則通過考慮經濟因素對負荷的影響對月度負荷進行了預測:文獻表明隨著近幾年我國在人工智能技術領域的深入研究與發(fā)展,基于神經網絡算法的混合預測模型優(yōu)勢突出。

本文以中西部某區(qū)域電網公司的大數(shù)據(jù)平臺為基礎,利用相關經濟指標數(shù)據(jù)包括規(guī)模以上工業(yè)增加值、固定資產投資、社會消費零售總額和出口總值四個指標以及歷史用電量月數(shù)據(jù)進行分析,提出了用BP神經網絡修正灰色預測值的電量預測模型,旨在結合經濟指標因素與電量的相互作用,實現(xiàn)高精度的電量預測。

1整體框架

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

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

本文所涉及的電網電量預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神經網絡的樣本數(shù)據(jù)進行訓練,不斷修正權值和閾值,從而使灰色預測得到的初步預測值不斷逼近期望輸出。

模型設計的整體框架如圖1所示。

2基于BP神經網絡優(yōu)化的改進灰色模型

2.1數(shù)據(jù)預處理

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

2.1.1經濟指標的收集與處理

本文收集了2014—2017年中西部某區(qū)域電力公司的四項經濟指標年數(shù)據(jù)包括規(guī)模以上工業(yè)增加值、固定資產投資、社會消費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)。考慮到對應數(shù)據(jù)細化程度的不一致性,需要將經濟指標數(shù)據(jù)進一步處理。

首先計算出2014—2017年各個月份占當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準比例應用于經濟指標的細化。將2014—2017年四個經濟指標的年數(shù)據(jù)按照用電量趨勢的標準比例分配至月得到月經濟數(shù)據(jù),各經濟指標月數(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。且經濟指標數(shù)據(jù)的細化標準源自用電量,故經濟指標月數(shù)據(jù)的變化趨勢同用電量趨勢一致。

2.1.3灰色關聯(lián)度分析

為了能確定用電量與各經濟指標之間的關聯(lián)程度,便于訓練樣本的進一步選擇,通過灰色關聯(lián)度分析法將關聯(lián)度低的經濟指標因素剔除,把相關性強的經濟指標分量作為輸入?；疑P聯(lián)度分析法的關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即灰色關聯(lián)度分析得出的關聯(lián)系數(shù)曲線。通過該圖與其他分析模型相比,灰色關聯(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)便可以得到關聯(lián)度排序:社會消費品零售總額>固定資產投資>出口總值（美元）>規(guī)模以上工業(yè)增加值。

2.2灰色預測

灰色預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測中的觀測數(shù)據(jù)序列并不是隨機產生,而是一個變化著的灰色過程。因此,灰色預測的數(shù)據(jù)是通過生成數(shù)據(jù)的GM（1,1）模型所得到的預測值的逆處理結果?；疑A測算法流程圖如圖4所示。

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

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

2.3BP神經網絡

BP神經網絡作為一種多層前饋神經網絡,是目前應用最為廣泛的神經網絡模型之一。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所示為神經網絡的基本結構圖,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神經網絡算法的核心是隨著訓練次數(shù)的不斷增加,最終誤差越來越小,當達到設定目標誤差或最大迭代次數(shù)時終止訓練,從而得到最優(yōu)權值和閾值的預測輸出。使用神經網絡模型處理問題可以適用于各種任務且簡單易用,其算法具體流程圖如圖6所示。

灰色預測使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濟指標之間的對應關系預測2018年1月一12月的經濟指標數(shù)據(jù)。其次在用電量的預測過程中,一方面僅利用已知用電量數(shù)據(jù)進行訓練具有一定的盲目性,很大程度上會導致預測結果的不可信度,從而加入了2018年的外推預測數(shù)據(jù)訓練:另一方面考慮到2018年用電量與經濟指標間的相關性與較遠年份的關聯(lián)度不高,故采用科學性更強的2017一2018年的月數(shù)據(jù)進行訓練。經濟指標不同處理方式下的預測誤差變化圖如圖7～9所示。

如圖7所示,在未剔除經濟指標的情況下預測誤差控制在3.5%以內:如圖8所示,在剔除相關性較差的一個經濟指標后,預測誤差控制在4%以內:圖9所示為剔除兩個經濟指標后的誤差變化圖,相比前兩種處理方式預測精度更高。本模型通過反向傳播神經網絡提升了電量預測效果,保證了各項預測數(shù)據(jù)準確性。

最終用電量預測結果整理如表2所示。

3模型優(yōu)勢分析

3.1數(shù)據(jù)處理

傳統(tǒng)方法中只利用經濟指標本身的特性對數(shù)據(jù)進行處理,如在平均分配的基礎上對個別月份即1、2、7、8月統(tǒng)一處理添加較大的隨機誤差,其他月份添加符合正態(tài)分布的隨機誤差[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濟指標之間的密切關系,數(shù)據(jù)處理方法更貼近實際,具有科學性。

3.2灰色預測樣本量的選取

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

(1）直接外推的處理方法由于灰色預測的特性,預測值會呈增長趨勢,從而不符合實際情況。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)揮灰色預測算法自身的優(yōu)勢,達到了更好的預測效果。

3.3BPNN預測用電量訓練樣本的選取

預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經濟指標月數(shù)據(jù)進行訓練,本模型得到的預測結果曲線如圖11所示。

如果利用2014一2017年的月用電量及四項經濟指標月數(shù)據(jù)進行訓練,在該方法下得到的預測曲線如圖12所示。

由以上兩圖分析可知,該模型的訓練樣本選取有以下優(yōu)勢:

（1)2018年用電量與經濟指標間的相關性與較遠年份的關聯(lián)度不高,只采用2017一2018年的數(shù)據(jù)進行訓練更具有科學性:

(2）本模型的預測結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結語

本文針對電量預測問題所提的基于BP神經網絡優(yōu)化的改進灰色模型,建?？茖W,預測流程清晰,可操作性強。模型預測結果數(shù)據(jù)表明,基于BP神經網絡優(yōu)化的改進灰色模型的電量預測結果誤差均小于4%。即模型在充分考慮經濟指標與電量的相互作用的情況下,利用BP神經網絡算法對電量的灰色預測值進一步修正,從而得到了實用性更好的中長期電量預測結果。