大数据环境下的电力负荷预测研究

                       大数据环境下的电力负荷预测研究

许志鹏 ,韩洽 ,吴乐

南京工程学院   211167

摘 要: 针对在海量用电数据环境下，如何提高电力负荷预测精度的问题，文中提出了采用人工鱼群优化的极限学习机方法对电力负荷进行预测。对传统的极限学习机和人工鱼群算法的数学模型进行了分析，文中提出采用人工鱼群算法优化极限学习机的初始权值和阈值，将人工鱼群全局寻优之后获得最优个体作为极限学习机的输入权值和隐层阈值，从而提高极限学习机的网络性能。通过仿真实验，将改进的极限学习机与传统的极限学习机进行结果对比分析，发现改进的极限学习机误差更小，验证了文中所提方法在电力负荷预测上的有效性和可行性。

关键词: 大数据; 极限学习机;负荷; 预测

电力负荷预测是电网工作人员合理地制定规划决策的重要依据，且对电网的经济性，可靠性和稳定性具有重要影响。正因为电力负荷预测十分重要，所以国内外很多学者对电力负荷预测进行了深入的研究，以期提高负荷预测精度，为电力系统稳定性做出重要贡献。提出采用随机森林算法对历史负荷，温度，风速等数据进行并行分析，缩短大数据处理时间，通过实验仿真，验证了并行化随机森林算法具有较高的预测精度。提出了海量数据下的短期电力负荷预测研究，采用局部加权线性回归和云计算平台，建立并行局部加权线性回归模型，通过实验仿真验证了提出的方法在预测短期电力负荷预测上具有有效性，且具有较高的预测精度。提出了一种在线序列优化的极限学习机，用于预测短期电力负荷，通过实验仿真验证了该模型的预测精度高于传统的支持向量回归算法和泛化神经网络预测算法。提出了采用 AIMAX 模型对夏季短期电力负荷进行预测，通过仿真对比分析，证明了AＲIMAX 模型比传统的 AＲMA 模型需要的信息量更小，且误差更小，拟合效果更好。

 一、极限学习机和人工鱼群算法

（一） 极限学习机

极限学习机( Extreme Learning Machine，ELM)是一种新型的单隐层前馈神经网络( SLFNs) ，由H于 2006 年提出。典型的 ELM 是随机获取输入层到隐层神经元之间的权值和阈值矩阵，然后用最小二乘法计算输出权值。极限学习机的数学模型如图 1 所示。

                        图 1 ELM 数学模型

（二） 人工鱼群算法原理

人工鱼群算法( Artificial Fish Swarm Algorithm，AFSA) 是 2002 年提出的一种群智能算法，模拟鱼群觅食行为，寻找水域当中营养最丰富的地方，若某地地方鱼的数量越多则营养越丰富。以人工鱼来模拟鱼群的觅食，聚群，追尾和随机行为，实现寻优。

                                 图 2 人工鱼视觉示意图

二、基于 AFSA-ELM 的负荷预测研究

为了提升 ELM 算法的收敛速度及预测精度，采用 AFSA 算法对 ELM 的权值阈值进行优化，以期获得更优的输出结果。AFSA-ELM 的流程如下所述。

①数据初始化。训练集［xi，yi］，( xi ∈ Ｒn，i =1，2，…，N) n 为神经元数目，N 为训练样本数目。隐层神经元数目为 k，激励函数 g( x) ，迭代次数 g，数据维度 D，设定数据的取值范围。设定人工鱼群中每条鱼包括 ELM 的输入权值和阈值，记作 t = ［a11，a12，…，akn，b1，…，bk］。对每条鱼根据式( 2) 求取 H，根据式( 3) 求取 β，然后求取每条鱼的 ＲMSE。根据求取的 ＲMSE 确定最优结果。

②求取每条鱼的适应度函数，并对结果进行记录;

③人工鱼群进行觅食，追尾和集群活动;

④优化之后，确定全局最优值;

⑤判断是否到达迭代次数，若是停止迭代，输出最优值，作为 ELM 的权值和阈值。若否则转②继续循环。AFSA-ELM 的流程图如图 3 所示。

                             图3  AFSA-ELM 预测模型流程图

三、 验仿真

（一） 实验仿真

取 75 天的电力负荷数据进行归一化处理，将前70 天的数据作为 AFSA-ELM 的训练样本，训练 AFSA-ELM 的网络结构，将训练好的模型用于预测第71 ～ 75 天的电力负荷。每天的电力负荷预测次数为 50ci ，取平均值，根据预测结果与实际负荷值之间的不同，求取训练误差，测试误差。第 75 天的预测值与实际值结果对比如表 1 所示。对第 71～75天的预测值与实际值对比曲线如图 4－8 所示。

                表 1 第 75 天实际值与预测值对比（单位 MW）

（二） 结果分析

从表 1 可以看出，在预测第 75 天的电力负荷值时，AFSA-ELM 的预测误差均小于 ELM 的预测误差，说明 ELM 经过 AFSA 算法的全局寻优之后，获得了更优的网络结构模型，使网络神经元更加敏感，加快了网络的收敛速度，从而提升了网络的性能。从图 4－8 的预测对比图可以看出，AFSA-ELM算法的负荷预测值比 ELM 算法的预测值更贴近实际值。验证了本文所提方法在电力负荷预测上的有效性。

四、结束语

本文提出了采用人工鱼群方法对极限学习机进行改进: 对于极限学习机随机初始化的输权值和隐层阈值，通过人工鱼群算法的全局寻优能力对其优化，获得理想的极限学习机网络模型，增加隐层神经元的敏感性，提高其预测精度。通过电力负荷仿真实验对比分析，验证了 AFSA-ELM 算法的预测误差低于传统的 ELM 预测误差，说明了本文所提的 AFSAELM 算法在预测电力负荷上具有有效性和实用性。

参考文献

［1］张素香，赵丙镇，王风雨，等．海量数据下的电力负荷短期预测［J］．中国电机工程学报，2019，35(1):37－42．

［2］王保义，赵硕，张少敏．基于云计算和极限学习机的分布式电力负荷预测算法［J］．电网技术，2019，38(2):526－531．

［3］崔和瑞，彭旭．基于AＲIMAX模型的夏季短期电力负荷预测［J］．电力系统保护与控制，2015，43(4):108－114．