引言

雖然電網(wǎng)數(shù)據(jù)量在不斷增加,為短期電力負(fù)荷預(yù)測提供了足夠的數(shù)據(jù)支持,但也提高了預(yù)測難度[4_5-。同時,電力負(fù)荷數(shù)據(jù)均源自于用電信息采集系統(tǒng)數(shù)據(jù)庫,數(shù)據(jù)異常問題不可避免,若不進(jìn)行剔除,勢必會對電力負(fù)荷預(yù)測精度造成干擾[+-。因此,本文將從異常數(shù)據(jù)的預(yù)處理出發(fā)進(jìn)行研究,以提高電力負(fù)荷數(shù)據(jù)質(zhì)量,為后續(xù)的人工蜂群算法＋BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測實(shí)驗(yàn)開展掃清路障。

1異常數(shù)據(jù)的預(yù)處理方法

1.1異常數(shù)據(jù)常見的表現(xiàn)形式

異常數(shù)據(jù)常見的表現(xiàn)形式有5種:(4）存在缺失值和零值,導(dǎo)致這種現(xiàn)象發(fā)生的主要原因有兩個,一是大負(fù)荷突然投切,二是停電檢修:(2）負(fù)荷毛刺,導(dǎo)致這種現(xiàn)象發(fā)生的主要原因是負(fù)荷受到了突然事件沖擊,使得相鄰時刻負(fù)荷值突然增大或減小:(3）連續(xù)突變值,這種情況出現(xiàn)一般是線路局部故障負(fù)荷轉(zhuǎn)移所致:(5）連續(xù)恒定非零值,該情況的出現(xiàn)勢必為負(fù)荷在某時刻其值為零且處于恒定狀態(tài)所致。

1.2數(shù)據(jù)橫向比對法

為了對這類異常數(shù)據(jù)進(jìn)行有效處理,此處首先使用的是數(shù)據(jù)橫向比對法。具體判別思路如下:以相鄰時刻的負(fù)荷數(shù)據(jù)為判斷基準(zhǔn),觀察負(fù)荷數(shù)據(jù)是否在預(yù)設(shè)區(qū)間內(nèi),從而實(shí)現(xiàn)負(fù)荷數(shù)據(jù)判斷。假如負(fù)荷數(shù)據(jù)為異常數(shù)據(jù),則需要利用式(4）進(jìn)行修正。

式中:p(d,4）表示第d天4時刻的負(fù)荷數(shù)據(jù):p(d,4＋4）表示第d天4＋4時刻的負(fù)荷數(shù)據(jù):p(d,4_4）表示第d天4_4時刻的負(fù)荷數(shù)據(jù):a(4）與1(4）均為閾值。

但這種異常數(shù)據(jù)處理方法不能對連續(xù)性缺失數(shù)據(jù)和突變數(shù)據(jù)進(jìn)行處理。為解決這一難題,確保異常數(shù)據(jù)處理的有效進(jìn)行,在該方法的基礎(chǔ)上進(jìn)行了相應(yīng)的改進(jìn)(結(jié)合縱向比較法）,具體如下文所述。

1.3改進(jìn)后的數(shù)據(jù)雙向比較法

改進(jìn)后的數(shù)據(jù)比較法除了具備橫向比對法應(yīng)有的能力外,還具備縱向比較法的性能。數(shù)據(jù)雙向比較法原理如下:

(1）對異常數(shù)據(jù)進(jìn)行評判時,可對相鄰時刻負(fù)荷數(shù)據(jù)進(jìn)行比較,以獲取負(fù)荷變化量。

(2）將每天相同時刻的負(fù)荷數(shù)據(jù)與前一時刻的負(fù)荷數(shù)據(jù)進(jìn)行縱向比較,以獲取平均負(fù)荷變化值,即其閾值a(t）。

(3）利用閾值完成異常數(shù)據(jù)的篩選工作,而后在相鄰負(fù)荷最大化范圍的基礎(chǔ)上對異常數(shù)據(jù)進(jìn)行約束。

(4）依照時間順序,對異常數(shù)據(jù)進(jìn)行識別與修正,在得到最終修正結(jié)果后,便可替換掉下一時刻數(shù)據(jù)的基準(zhǔn)值。

(5）對幾天內(nèi)的數(shù)據(jù)進(jìn)行同時處理,在得到這幾天內(nèi)的異常負(fù)荷數(shù)據(jù)后,修正值可由正常數(shù)據(jù)的平均值替代。

該方法具體計算公式如下:

聯(lián)立式(3）與式(4）,可得到式(5）:

式中:閾值a(t）表示t時刻N(yùn)天的平均負(fù)荷變化量:p(d,t）表示第d天l時刻的負(fù)荷數(shù)據(jù):p(ζ,t）表示第d天l時刻的正常負(fù)荷數(shù)據(jù):K表示正常負(fù)荷數(shù)據(jù)的數(shù)據(jù)個數(shù):9表示可調(diào)參數(shù),利用可調(diào)參數(shù)可實(shí)現(xiàn)修正程度的調(diào)整。

通過多次測試得知,可調(diào)參數(shù)與修正程度成反比關(guān)系,隨著可調(diào)參數(shù)的不斷增大,修正程度會逐漸縮小,并在實(shí)驗(yàn)中確定了9的取值為1.2。

2人工蜂群算法＋BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測模型實(shí)現(xiàn)流程

人工蜂群算法＋+B神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)與傳統(tǒng)的+B神經(jīng)網(wǎng)絡(luò)算法相同,此處不進(jìn)行分析。在網(wǎng)絡(luò)結(jié)構(gòu)的選擇上,選取了三層3P-24-24網(wǎng)絡(luò)結(jié)構(gòu),并選擇Log-sigmoid作為此次的激活函數(shù)。

2.1人工蜂群算法＋BP神經(jīng)網(wǎng)絡(luò)的參數(shù)選擇

為彌補(bǔ)+B神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的不足,引入了人工蜂群算法。為了不加大后續(xù)的計算難度,需要選擇合適的參數(shù),具體設(shè)定如下:令蜂群規(guī)模為200:令跟隨蜂、初始蜜源以及雇傭蜂的數(shù)量均為100:令limit為120次,算法最大迭代次數(shù)為1000。

2.2人工蜂群算法＋BP神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)流程

人工蜂群算法＋+B神經(jīng)網(wǎng)絡(luò)模型的具體實(shí)現(xiàn)流程如圖1所示。

由圖1可以看出,人工蜂群算法＋+B神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)主要經(jīng)過3個步驟:(1）在確定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)后,對蜂群參數(shù)(如蜂群大小、初始蜜源、最大迭代次數(shù)等）進(jìn)行初始化處理。(2）利用雇傭蜂在領(lǐng)域內(nèi)搜尋新蜜源,并計算其適應(yīng)度情況,當(dāng)適應(yīng)度大于蜜源時,則進(jìn)行標(biāo)記與取代:反之則舍棄新蜜源。(3）對迭代過程進(jìn)行檢查,以確定是否達(dá)到終止條件,當(dāng)達(dá)到終止條件時,獲取最優(yōu)權(quán)值和閾值,并進(jìn)行相應(yīng)的測試工作,獲取最終結(jié)果:反之則重復(fù)迭代過程,直至達(dá)到最大迭代次數(shù)為止。

3預(yù)測結(jié)果分析

3.1人工蜂群算法＋BP神經(jīng)網(wǎng)絡(luò)模型辨識精度檢驗(yàn)

為了確定人工蜂群算法＋+B神經(jīng)網(wǎng)絡(luò)模型在電力負(fù)荷預(yù)測中的可行性,以某市2020年P(guān)月21日至6月21日的歷史負(fù)荷數(shù)據(jù)作為樣本數(shù)據(jù),進(jìn)行電力負(fù)荷測試仿真實(shí)驗(yàn)。實(shí)驗(yàn)中,對人工蜂群算法＋+B神經(jīng)網(wǎng)絡(luò)模型與單一的+B神經(jīng)網(wǎng)絡(luò)模型同時迭代200次,得到迭代次數(shù)與均方根誤差間的關(guān)系,如圖2所示。

圖2迭代次數(shù)與均方根誤差間的關(guān)系

隨著均方根的不斷減小,預(yù)測值會不斷向真實(shí)值靠攏。由圖2可以看出,BP神經(jīng)網(wǎng)絡(luò)算法迭代130次后,均方根誤差值趨于平穩(wěn),但其值大于1%:而人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)算法迭代94次后,均方根誤差值趨于平穩(wěn),且其值小于1%。相比之下可知,人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)算法不但具有較高的收斂性,而且其尋優(yōu)精度較高。3.2訓(xùn)練性能對比實(shí)驗(yàn)

為檢驗(yàn)人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能情況,此處與單一BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比較研究,具體比較實(shí)驗(yàn)分為兩種:(1）電力負(fù)荷預(yù)測比對實(shí)驗(yàn):(2）誤差指標(biāo)比對實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)均為某市2020年8月3日至8月9日連續(xù)一周內(nèi)的歷史數(shù)據(jù),預(yù)測結(jié)果分別如圖3、圖4所示。

圖3人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)與單一BP神經(jīng)網(wǎng)絡(luò)一周內(nèi)電力負(fù)荷預(yù)測結(jié)果

由圖3與圖4可知,人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)算法的電力負(fù)荷預(yù)測結(jié)果更加接近真實(shí)值,絕對百分誤差結(jié)果

圖4人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)與單一BP神經(jīng)網(wǎng)絡(luò)電力負(fù)荷

預(yù)測的絕對百分誤差結(jié)果

更小。經(jīng)過多次實(shí)驗(yàn)統(tǒng)計得到了人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)模型與單一BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練性能結(jié)果,具體如表1所示。

由表1可知,與BP神經(jīng)網(wǎng)絡(luò)模型相比,人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果較優(yōu),平均絕對百分誤差為1.639%,最大相對誤差為3.709%。為了進(jìn)一步檢測人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果,對8月25日當(dāng)天的電力負(fù)荷情況進(jìn)行了預(yù)測,得到的結(jié)果如圖5、圖6所示。

圖5人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)24h內(nèi)電力負(fù)荷

預(yù)測結(jié)果

由圖5與圖6可知,人工蜂群＋BP神經(jīng)網(wǎng)絡(luò)模型的電力負(fù)荷預(yù)測結(jié)果更加接近真實(shí)值,絕對百分誤差結(jié)果

圖6人工蜂群(＋B神經(jīng)網(wǎng)絡(luò)與＋B神經(jīng)網(wǎng)絡(luò)2P4內(nèi)電力負(fù)荷預(yù)測絕對百分誤差結(jié)果

更小,基本趨于2P～.P。BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差基本保持在.P～5P,但誤差波動較為明顯,容易出現(xiàn)局部最優(yōu)問題,對預(yù)測精度會造成一定的影響。為直觀披露人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型對電力負(fù)荷預(yù)測的可行性,對其平均絕對百分誤差與均方根誤差進(jìn)行了統(tǒng)計計算,并與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比對,得到的結(jié)果如表2所示。

從表.可以看出,利用人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測.4h內(nèi)電力負(fù)荷的平均絕對百分誤差為%1.26P,BP神經(jīng)網(wǎng)絡(luò)模型的電力負(fù)荷預(yù)測的平均絕對百分誤差為31852P,二者相差.1644P。融合了人工蜂群算法的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電力負(fù)荷預(yù)測的均方根誤差為%1745P,單一BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行電力負(fù)荷預(yù)測得到的均方根誤差為61657P,二者相差419%.P?？梢?人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型在短期電力負(fù)荷預(yù)測中具有較高的穩(wěn)定性,能夠在短期電力負(fù)荷預(yù)測中發(fā)揮應(yīng)有的作用。

4結(jié)語

在電力負(fù)荷預(yù)測過程中,為了降低異常數(shù)據(jù)的干擾,通常需要對檢測數(shù)據(jù)進(jìn)行預(yù)處理。因此,本文首先給出了異常數(shù)據(jù)的預(yù)處理方法,以避免檢測數(shù)據(jù)中存在負(fù)荷毛刺、空值、缺失值以及連續(xù)突變值等異常數(shù)據(jù);接著給出了人工蜂群+BP神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測模型的實(shí)現(xiàn)流程,并選定了相關(guān)網(wǎng)絡(luò)參數(shù),為后續(xù)的短期電力負(fù)荷預(yù)測實(shí)驗(yàn)奠定了基礎(chǔ);最后,以某市.2.2年歷史數(shù)據(jù)為例,對人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型的可行性進(jìn)行了多次檢測,并與單一BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了比較,得到的結(jié)果均肯定了人工蜂群+BP神經(jīng)網(wǎng)絡(luò)模型在短期電力負(fù)荷預(yù)測中應(yīng)用的可行性,且能夠得到較優(yōu)的預(yù)測結(jié)果。