人工蜂群算法+BP神經網絡模型在短期電力負荷預測中的應用研究

摘要：為確保電力系統運行的安全性與穩定性，短期電力負荷預測已成為常態化工作。而隨著電網形態的多元化、電力負荷的迅猛增長，電力供應緊張局面越發嚴峻，這就使得電力公司不但要面臨技術上的挑戰，還要面對經濟上的壓力。在進行短期電力負荷預測時，經常使用到的人工智能算法有很多，如支持向量法、人工神經網絡法以及模糊預測法等，但這些電力負荷預測方法均存在一定不足，如自適應能力較差、尋優時間長、預測精度效果不佳等。為彌補這些不足，在BP神經網絡的基礎上融合人工蜂群算法，并對這種算法模型在短期電力負荷預測中的應用可行性進行了檢驗，結果肯定了人工蜂群算法+BP神經網絡模型的可行性，該模型具有較好的穩定性和精準度。

關鍵詞：人工蜂群算法;BP神經網絡;電力負荷;預測

中圖分類號：TM715;TP183? 文獻標志碼：A? 文章編號：1671-0797（2022）03-0006-04

DOI：10.19514/j.cnki.cn32-1628/tm.2022.03.002

0? ? 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[1-4]。同時，電力負荷數據均源自于用電信息采集系統數據庫，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[5]。因此，本文將從異常數據的預處理出發進行研究，以提高電力負荷數據質量，為后續的人工蜂群算法+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形式

異常數據常見的表現形式有4種：（1）存在缺失值和零值，導致這種現象發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，導致這種現象發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）連續突變值，這種情況出現一般是線路局部故障負荷轉移所致;（4）連續恒定非零值，該情況的出現勢必為負荷在某時刻其值為零且處于恒定狀態所致。

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間內，從而實現負荷數據判斷。假如負荷數據為異常數據，則需要利用式（1）進行修正。

式中：p（d，t）表示第d天t時刻的負荷數據;p（d，t+1）表示第d天t+1時刻的負荷數據;p（d，t-1）表示第d天t-1時刻的負荷數據;α（t）與β（t）均為閾值。

但這種異常數據處理方法不能對連續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α（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：

聯立式（3）與式（4），可得到式（5）：

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

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θ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流程

人工蜂群算法+BP神經網絡算法的訓練網絡結構與傳統的BP神經網絡算法相同，此處不進行分析[6-7]。在網絡結構的選擇上，選取了三層36-24-24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BP神經網絡在電力負荷預測中的不足，引入了人工蜂群算法。為了不加大后續的計算難度，需要選擇合適的參數，具體設定如下：令蜂群規模為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1 000。

2.2? ? 人工蜂群算法+BP神經網絡模型的實現流程

人工蜂群算法+BP神經網絡模型的具體實現流程如圖1所示。

由圖1可以看出，人工蜂群算法+BP神經網絡模型的實現主要經過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+BP神經網絡模型在電力負荷預測中的可行性，以某市2020年6月21日至7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+BP神經網絡模型與單一的BP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。

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，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，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日連續一周內的歷史數據，預測結果分別如圖3、圖4所示。

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，絕對百分誤差結果更小。經過多次實驗統計得到了人工蜂群+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，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。

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，絕對百分誤差結果更小，基本趨于0%～2%。BP神經網絡預測誤差基本保持在2%～5%，但誤差波動較為明顯，容易出現局部最優問題，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2可以看出，利用人工蜂群+BP神經網絡模型預測24 h內電力負荷的平均絕對百分誤差為1.206%，BP神經網絡模型的電力負荷預測的平均絕對百分誤差為3.850%，二者相差2.644%。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1.745%，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6.657%，二者相差4.912%?？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定性，能夠在短期電力負荷預測中發揮應有的作用。

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流程，并選定了相關網絡參數，為后續的短期電力負荷預測實驗奠定了基礎;最后，以某市2020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，且能夠得到較優的預測結果。

[參考文獻]

[1] 田珂，丁博，馬文棟，等.一種電力負荷預測混合模型研究[J].計算技術與自動化，2020，39（4）：39-44.

[2] 楊婧，安江.基于自適應混合算法的短期電力負荷預測[J].計算機與數字工程，2020，48（11）：2569-2577.

[3] 許言路，武志鍇，朱赫炎，等.基于多尺度卷積神經網絡的短期電力負荷預測[J].沈陽工業大學學報，2020，42（6）：618-623.

[4] 王激華，仇鈞，方云輝，等.基于深度長短期記憶神經網絡的短期負荷預測[J].廣東電力，2020，33（8）：62-68.

[5] 苗翯.用電信息采集系統未來應用領域與發展[J].通信電源技術，2020，37（8）：258-260.

[6] 馬星河，婁晨陽，趙軍營，等.基于人工蜂群算法的空間負荷預測[J].電力系統及其自動化學報，2018，30（8）：102-107.

[7] 李彥生.基于神經網絡的配電網負荷預測方法[J].計算機與現代化，2021（6）：69-73.

收稿日期：2021-11-19

作者簡介：王天力（1995—），男，河南洛陽人，碩士研究生在讀，研究方向：電氣節能與新能源技術。