关键词 /Keywords 短期电力负荷· 神经网络· 遗传算法· 预测·
（ BPNN） 避 免 了 人 为 假 设 的 弊 端，可 以较好地满足短期电力负荷预测预报的 准确度和速度［7］。然而目前 BP 神经网 络很多有待改进的地方，尤其是参数对 模型的学习性能影响比较大，但目前参 数多采用经验确定，易得到局部极小值 点，导致造成全局最优性能的下降［8］。
为了 提 高 短 期 电 力 负 荷 预 测 准 确
度，提出一种改进人工智能神经网络的
短期电力负荷预测方法 （ GA-BPNN） 。
采用 遗 传 算 法 （ Genetic Algorithm， GA ） 对人工神经网络的连接权值进行选择，防
止神经网络陷入局部最优问题的出现，提 高模型的稳定性和预测准确度，并通过具 体仿真实例对模型的性能验证。
误差 （ RMSE） ，它们分别定义如下：
MSE =
x （ i） － x^ （ i） x （ i）
× 100%
（ 5）
槡 ( ) RMSE =
1 n
n
∑
i =1
x
（ i） x
－ （ i）
（ i）
2
× 100% （ 6）
式中，x^ （ i） 和 x （ i） 分别为电力负荷实际值和
预测值； n 为预测点数。
络网络连接权值，计算 BP 神经网络的均方误差，
并输入输出最优解。
综合上述可知，基于 GA-BPNN 的短期电负荷
预测流程如图 2 所示。
改进 人 工 智 能 神 经 网 络 的 短 期 电 力 负 荷 预测
1. 数据来源 为了验证 GA-BPNN 模型在短期电力负荷预测 中的有效性和先进性，选择某地区 2010 年 11 月 1 ～ 31 日的电力负荷数据 （ 训练样本集） ，对 2010 年 12 月 1 日数据进行预测 （ 测试样本集） 。观察 得到 的 2010 年 12 月 1 日 电 力 负 荷 数 据 如 图 3 所示。
f（ i） =
1
∑∑（ Pk － Tk） 2
ik
式中，Pk 为学习样本； Tk 为目标样本；
层节点数； j 为学习样本数。
（ 2） k 为输出
3） 对两个体 Gi 和 Gi +1 以概率 Pc 进行交叉操 作产生两个新的个体 G'i 和 G'i +1，具体交叉方式 如下：
{G'i = rand （ 0，1） Gi + ( i － rands （ 0，1） ) Gi + 1 G'i + 1 = ( 1 － rand （ 0，1） ) Gi + ( rands （ 0，1） ) Gi + 1
刘春霞 张雪艳 /郑州职业技术学院
通过准确的短期电力负荷预测，可
以对整个系统供用电模式进行优化，提
高系统的安全性、稳定性及清洁性，因
此准确、及时的短期电力负荷预测是成
为当 前 电 力 市 场 主 体 共 同 关 注 的 焦点［1］。
目前，传统短期电力负荷预测包括
线性回归、自回归滑动平均和专家经验 模型 等［2-4］， 这 些 方 法 假 设 前 提 比 较
结束语
期负荷 预 测 ［J］． 中 国 电 机 工 程 学 报，1997，17 （ 5） ： 350-353．
针对 BP 神经网络自身存在的缺陷，提出一种 ［6］ 师彪，李郁侠，于新花． 基于改进粒子群-模糊神经
改进人工智能神经网络算法，并将其应用于电力 负荷预测中。在对短期电力负荷预测的实例应用 中，对比结果表明，改进人工智能神经网络的预 测结果稳定，收敛速度快，预测准确度高，能够 较好解决 BP 神经网络易于陷入局部最优的难题， 对电网管理具有良好的指导意义，同时为其他相 关领域利用神经网络进行建模预测提供了一种好 的思路和方法。
网络输入层节点数为 3，输出层节点数为 1，隐含
层神经元节点数为 4，学习率为 0. 01，期望误差
为 0. 000 01。短期电力负荷预测模型在 AMD 3200
的 PC 机上 Matlab7. 0 编程实现，采用标准 BP 神
经网络和带动量项 BP 神经网络作为对比模型，模
型评价性能评价指标为相对误差 （ MSE） 和均根
结束语
本文以微电网电力系统状态估计为研究对象， 介绍了基于状态分析方法、相关分析方法以及抗 差估计方法的微电网状态估计算法，并进行了相 关仿真实验。实验结果表明，当微电网存在测量 值误差时，基于抗差估计方法的状态估计算法能 够提供更为准确和稳定的估计结果，从而为进一 步的微网策略控制和系统预报等提供可靠的支持。
2. 数据样本预处理
BP 神经网络的激活函数是一种连续可微的函
数，而且采用的是 S 型对数函数，它要求输入和
输出值区间必须在 ［－ 1，1］，因此必须对短期电
力负荷原始数进行预处理，预处理公式具体为
x'i
=
max
xi （
－ min xi） －
（ xi） min
（
xi）
（ 4）
式中，xi 为各时刻的电力负荷原始数。训练样本
（ 收稿日期： 2012-12-10） EA
www. eage. com. cn
2013 年 2 月下·冶金电气·
图 5 遗传进化适应度函数曲线
76
·冶金电气·2013 年第 32 卷第 4 期
根据图 7 和 图 8 可 知，GA-BPNN 的 MSE 和 RMSE 分别为 1. 00 和 3. 17； 标准 BPNN 的 MSE 和 RMSE 分别为 16. 08 和 12. 64； 带动量项 BP 神经 网络的 MSE 和 RMSE 分别为 12. 00 和 11. 00。根
抗差估计模型的估计结果要明显优于前两种 模型。在微网中相比传统的电力系统，新能源发 电设备的存在以及分布式发电的技术使得其电路 系统更加复杂多变，测量值出现不良数据或者误 差的可能性大大增加。抗差估计法每次迭代时都 会有变权的处理，使得误差较大的量测量所对应
的权值不断减小，对最终估计结果的影响受到抑 制，从而保障估计结果的准确性。这种优势在遇 到含有不良数据的量测值时，估计优势效果更加 明显。
参考文献
41-44． ［10］ 程其云，孙才新，张晓星，等． 以神经网络与模糊
［1］ 魏伟，牛东晓，常征． 负荷预测技术的新进展 ［J］．
逻辑互补的电力系统短期负荷预测模型及方法 ［J］．
华北电力大学学报，2002，29 （ 1） ： 10-15．
电工技术学报，2004，19 （ 10） ： 53-58．
遗传 算 法 对 BP 神 经 网 络 优 化 步 骤 如下：
1） 初始化种群。采用随机方式产生 一定数 量 的 种 群，并 对 交 叉 概 率 （ Pc ） 、 变异概率 （ Pm ） 以及 BP 神经网络各层间 的连接权值初始化。
2） 对种群中的每一个个体优劣采用 评价函数进行评价，并按计算结果对它们
| 方案设计 Engineering Design
改进人工智能神经网络的短期 电力负荷预测
为提高电力负荷预测精度，提出一种改进人工智能神 经网络的短期电力负荷预测模型。采用人工神经网络的非 线性预测能力建立电力负荷预测模型，并利用遗传算法优 化神经网络连接权值。对某地区短期电力负荷数据进行仿 真测试，结果表明，改进人工智能神经网络提高了短期电 力负荷的预测准确度，有效减少了平均预测误差。
1-4． ［3］ 雷绍兰，孙才新，周湶，等． 电力短期负荷的多变
量时间序列线性回归预测方法研究 ［J］． 中国电机 工程学报，2006，26 （ 2） ： 25-29． ［4］ 周德强． 改进的灰色 Verhulst 模型在中长期负荷预 测中 的 应 用 ［J］． 电 网 技 术，2009，33 （ 18 ） ： 124-127． ［5］ 赵宏伟，任震，黄雯莹． 基于周期自回归模型的短
74
·冶金电气·2013 年第 32 卷第 4 期
改进人工智能神经网络的短期电力负荷预测
| Engineering Design 方案设计
进行排序，采用 “轮盘赌” 方法对个体进行选择，
具体方式为
式中，f （ i）
Ps =
f（ i）
n
（ 1）
∑f（ i）
i =1
为个体 i 的适应度函数值，其定义为
图 6 GA-BPNN 训练误差曲线
为了对比预测模型的实验效果，测试样本集预测 结果进行了反归一化处理，得到结果如图 6 所示， 预测误差如图 7 所示。
结果与分析
采用 GA-BPNN 对训练样本进行学习，建立短 期电力 负 荷 预 测 模 型， 并 对 测 试 样 本 进 行 预 测， 遗传进化适应度函数曲线如图 5 所示，GA-BPNN 训练误差曲线如图 6 所示。
改进人工智能神经网络算法
BP 神经网络是一种包含输入层、隐含 层和输出层的多层前馈型网络，大量实践 证明三层神经网络能够以任意准确度逼近 任何的非线性函数，BP 神经网络结构具体 如图 1 所示［9］。
图 1 BP 神经网络结构
遗传算法是受到达尔文的进化理论启 发，是 一 种 启 发 式 的 智 能 优 化 搜 索 方 法［10］。具有良好全局、并行搜索能力，可 以采遗传算法对 BP 神经网络连接权值进 行优化，能较好地克服 BP 神经算法上述 缺点，同时使网络具备较强的鲁棒性，从 而提高短期电力负荷预测准确度。
改进人工智能神经网络的短期电力负荷预测
| Engineering Design 方案设计
据对比结果可知，经过遗传优化的 BP 神经网络， 原理和 方 法 ［J］． 中 国 电 机 工 程 学 报，2003，23 （ 3 ） ：
在短期电力负荷预测的准确度上比标准的 BP 神经 网络和带动量项 BP 神经网络都要好，而且模型在 仿真试验的收敛速度也相应加快，结果说明采用 遗传算法对 BPNN 的网络连接权值进行优化，解 决了 BPNN 在短期电力负荷预测中的局部极小点 缺陷，是一种有效性、预测准确度高的短期电力 负荷预测方法。