![zoޛ)j馐O]gngngngngngngngngngngngngngngngn@R斆~q-x(~0z2צm vȚMzڔK! ˿Wzȝ+bvtI^rqDyԞ+ޮȭʇr'q饩M!h%jx-j~5m5rki--J+Zu+yƬ)h^+)ZbKhz{.-i^jب+-zful⚚+m](http://tp.67gu.com/showimg.php?url=http://img.qikan.com.cn/qkimages/dqcd/dqcd201903/dqcd20190303-1-l.jpg)
wgz(Kazf)Z*'mpyb슉쥧 Za{l'r&jY
++ ֛+!y(yy뢺 jY
++-jGjayZدyrبjbrW梛b,ڶ*'azƦzئzzjX(+a+"v v(ئ7z鮇 p bq`hǝ))az+^bzkǬ8^Zj[ j!qZn)b+ j!zaym鮙rV'zay,Zv&{Wz{hu騞kj}-z(~^)ǝa餧ݲh^ihiاzږw䥪^mhjب`h bq`oY۲_ivO Dng$
W:iPOuoii_駔n}zZҞwiOi_駆"http://www.gzzcxlzx.com/t/pingjia/" target="_blank" class="keylink">评价个体的适应函数，训练的目的是使均方误差指标达到最小，即：
其中n，c分别表示样本的个数与神经网络的输出个数，tk，p为p个样本的k个理想输出，Yk，p为第p个样本的第k个实际输出。当均方误差的适应度函数达到最小时，神经网络的权值与阈值就确定了。
具体过程如下：（1）首先确定网络规模、最大速度、搜索范围、最大迭代步数以及精度要求等。（2）其次根据粒子群的规模和权值个数确定种群。（3）计算各粒子的适应值。（4）将当前每个粒子的适应度与全局适应度值进行比较，确定每个粒子最优适应度。（5）检验迭代次数和误差要求，判断是否符合预定条件。（6）更新每个粒子的速度和位置。（7）返回步骤（3）继续迭代至结束。
4 遗传算法
遗传算法是模拟达尔文进化论的自然选择和遗传机理的生物进化计算模型，是一种具有适者生存、自然淘汰的一种优化算法，它能够把求解问题表示成染色体，通过编码的形式表示成字符串。在利用遗传算法求解问题时，首先要确定问题的目标函数和变量，然后对变量进行编码，这样做主要是因为在遗传算法中，问题的解是用数字串来表示的，而且遗传算子也是直接对串进行操作，编码方式可以分为二进制编码和实数编码[5]。随着遗传算法的迭代，品质优良的特征值会被逐渐被保留，并且重新组合产生新的个体。遗传操作包括三个基本的遗传算子，即选择、交叉、變异，选择和交叉能够完成大部分搜索功能，而变异则可以最大限度逼近最优解。
遗传算法的特点是：适应度函数采用目标函数;很强的全局优化能力和搜索能力;采用启发式搜索，而不是完全的随机测试。
4.1 遗传算法优化步骤
将粒子群算法与遗传算法结合，对BP神经网络做优化，不仅具有粒子群算法收敛速度快的优点，而且也有遗传算法的全局收敛的优点。优化的具体过程为：
（1）初始化种群以及设定粒子群相关参数，如最大迭代次数以及误差精度等，其中，每个粒子都对应着BP神经网络的权值。
vi （t+1）=θ1 × vi （t）+（1-θ1）vj （t）vj （t+1）=（1-θ1）× vi （t）+θ1× vj （t）
对粒子之间的位置交叉公式操作实现如下：
xi （t+1）=θ2 × xi （t）+（1-θ2）xj （t）xj （t+1）=（1-θ2）× xi （t）+θ2× xj （t）
式中的θ为一个范围在[0，1]之间的随机数，比较交叉后粒子的适应度值，保留适应度值较大的粒子进入下一次迭代，剩下的部分则进行变异操作。
（4）更新个体和群体的全局极值，经过遗传算法的处理后，再对粒子的当前适应度值与个体极值做比较，判断是否需要更新个体极值pbest与全局极值gbest。
（5）重复以上步骤，直到迭代数达到上限或者达到目标函数的收敛精度。
（6）将得到的全局最优解赋值于BP神经网络的权值和阈值，通过BP神经网络再进行学习训练，得到负荷预测的网络模型。
5 实例分析
本文基于某县供电站的历史负荷数据，训练样本采集了2012年1月1日至2012年6月28日共180天的负荷数据。对于该负荷预测的步骤数据处理如下：
（1）对负荷数据进行预处理，修补异常数据及缺失数据。然后对样本数据的归一化处理，将数据压缩到[0，1]或者[-1，1]区间内。
（2）确定BP神经网络的隐藏层节点数、学习率、训练目标、迭代次数等。对于BP神经网络其学习率为0.01，误差训练的目标值为0.0001，迭代次数上限为300次。
（3）确定PSO-BP神经网络中初始化粒子的位置及速度，粒子群设定的Vmax为0.5，最小误差为0.001，迭代次数的最大值设置为300次，初始的加速度值c1，c2都设置为2。
（4）在PSO-BP的初始化参数的基础上添加遗传算法，设置遗传算法的交叉规律pc为0.4，变异概率pm为0.05，最大的迭代次数同样设置为300。
（5）编程平台为Matlab2014b，利用该平台分别搭建了BP、PSO-BP、GA-BP三个预测模型，使用处理完成后的数据对模型进行训练。得到的实例负荷预测结果如图1～图5所示：
从上图中可以看出，BP神经网络预测结果与实际值的负荷曲线相差较大，随着预测天数的增加，预测结果误差越来越多，平均准确率为88.57%;PSO-BP预测结果的相对误差优于BP预测，但随着预测天数的增加，其预测结果准确率有所下降，5天的平均准确率为95.77%，基本符合国家电网公司制定的日负荷预测精度要求;PSO-BP预测结果的相对误差从总体上看优于PSO-BP，随着预测时间的推移，预测效果越来越好，且较为平稳，预测的平均准确性能够达到97.04%。表1中给出了三种预测方法对实际负荷数据的预测结果的相对误差和准确率。
因此我们可以得出结论：采用遗传算法改进的粒子群神经网络训练的模型预测效果最接近实际负荷值，且平均准确率达到97.04%，明显高于粒子群神经网络和BP神经网络的预测结果。
5 结束语
本文基于神经网络的发展对电力短期负荷预测进行研究，提出一种基于粒子群算法、遗传算法共同优化BP神经网络的负荷预测，并通过实验结果验证了该方法的有效性。
参考文献：
[1]周士林. 浅谈我国电力企业管理的现状及创新措施[J]. 科学技术创新， 2016（19）：292-292.
[2]曹 进. 微波非线性散射函数理论分析和基于小波神经网络大信号建模技术的研究[D]. 西安电子科技大学，2008.
[3]彭双飞. 基于基于量子粒子群优化的BP神经网络的汽轮机振动故障诊断研究[J]. 电子质量，2010（08）：21-23.
[4]周 蕾. 粒子群算法的改进及其在人工神经网络中的应用[D]. 西安电子科技大学，2010.
[5]刘永芳. 遗传算法和BP网络及其在城市系统评价中的应用[D]. 合肥工業大学，2004.
收稿日期：2019-04-12
推荐访问： 神经网络 负荷 电力系统 改进 预测
