基于多重分類器模型的微網(wǎng)短期負(fù)荷預(yù)測(cè)

崔 亞，任明煒

（江蘇大學(xué) 電氣信息工程學(xué)院，江蘇 鎮(zhèn)江 212013）

隨著經(jīng)濟(jì)的發(fā)展，電力用戶對(duì)供電可靠性、電能質(zhì)量的要求越來(lái)越高，傳統(tǒng)的集中式發(fā)電面臨嚴(yán)重的限制。近幾年來(lái)，微網(wǎng)作為一種新型的供電系統(tǒng)正受到各國(guó)相關(guān)部門和研究機(jī)構(gòu)的重視，美國(guó)、歐盟、日本等發(fā)達(dá)國(guó)家相繼建立了微網(wǎng)試驗(yàn)平臺(tái)和試點(diǎn)工程，在微網(wǎng)研究方面也取得了很多成果。中國(guó)微網(wǎng)研究還處于起步階段，主要通過(guò)理論探索、物理動(dòng)態(tài)模擬、數(shù)字仿真等手段對(duì)微網(wǎng)的電能質(zhì)量調(diào)節(jié)和控制策略進(jìn)行研究，從而提高微網(wǎng)的供電質(zhì)量。文獻(xiàn)［1］提出微網(wǎng)并網(wǎng)運(yùn)行的難點(diǎn)、思路及管理方法，保障微網(wǎng)過(guò)渡運(yùn)行的安全性；文獻(xiàn)［2］通過(guò)優(yōu)化電力電子裝置的結(jié)構(gòu)、安裝有源濾波器以控制有功、無(wú)功的輸出，減少三相不平衡、抑制諧波生成以達(dá)到平穩(wěn)供電電壓的目的；文獻(xiàn)［3］通過(guò)微網(wǎng)中的儲(chǔ)能元件來(lái)改善微網(wǎng)的動(dòng)態(tài)性能；文獻(xiàn)［4-5］介紹孤網(wǎng)與并網(wǎng)模式下的控制策略以及微網(wǎng)的3種微源控制策略，通過(guò)一定的控制策略來(lái)實(shí)現(xiàn)在孤網(wǎng)和并網(wǎng)2種運(yùn)行模式下的無(wú)縫對(duì)接，減緩電壓的波動(dòng)，從而提高了電網(wǎng)供電的穩(wěn)定性和可靠性。

短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)優(yōu)化調(diào)度的基礎(chǔ)，是保障供電穩(wěn)定性的重要手段，高品質(zhì)的供電需要微網(wǎng)供電能夠緊跟負(fù)荷的變化，因此，如何改善微網(wǎng)的短期負(fù)荷預(yù)測(cè)能力將是提高電能質(zhì)量的重要課題之一。近年來(lái)，使用神經(jīng)網(wǎng)絡(luò)分類器對(duì)微網(wǎng)進(jìn)行負(fù)荷預(yù)測(cè)已得到應(yīng)用，由于影響微網(wǎng)供電的因素非常復(fù)雜，且具有極強(qiáng)的不確定性，僅使用單分類器較難獲得令人滿意的預(yù)測(cè)精度，針對(duì)這種情況，筆者提出采用多重分類器系統(tǒng)對(duì)微網(wǎng)進(jìn)行負(fù)荷預(yù)測(cè)，進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確度，緩解預(yù)測(cè)精度差的困擾。

1 基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的多重分類器

1.1 神經(jīng)網(wǎng)絡(luò)及BP算法

用于預(yù)測(cè)負(fù)荷的神經(jīng)網(wǎng)絡(luò)［6］實(shí)際是一種具有3層單相傳播的前饋網(wǎng)絡(luò)，分別稱之為輸入層、隱含層、輸出層，上、下層之間各神經(jīng)元實(shí)現(xiàn)權(quán)連接，正是由于神經(jīng)元算法中引入了隱含層，才使輸入到輸出可以映射任何函數(shù)關(guān)系，組成神經(jīng)網(wǎng)絡(luò)的各神經(jīng)元通過(guò)一定的權(quán)值連結(jié)在一起，并且神經(jīng)網(wǎng)絡(luò)在使用之前必須確定這些權(quán)值，對(duì)于前饋神經(jīng)網(wǎng)絡(luò)模型有很多權(quán)值修正法，其中比較典型的是BP算法。由于在線學(xué)習(xí)的速度遠(yuǎn)高于離線學(xué)習(xí)速度，一般采用BP在線學(xué)習(xí)，而傳統(tǒng)的訓(xùn)練方法存在網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、收斂速度緩慢的缺點(diǎn)，因此，可以采用附加動(dòng)量方法［7］來(lái)提高訓(xùn)練的收斂速率。

1.2 BP神經(jīng)網(wǎng)絡(luò)多重分類器

神經(jīng)網(wǎng)絡(luò)單一分類器［8］是指使用BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)或?qū)W習(xí)向量量化神經(jīng)網(wǎng)絡(luò)等單獨(dú)構(gòu)建的神經(jīng)網(wǎng)絡(luò)分類器。各分類器受自身結(jié)構(gòu)的限制，在相同條件下不同分類器的預(yù)測(cè)結(jié)果準(zhǔn)確度參差不齊，若能將不同分類器的優(yōu)點(diǎn)結(jié)合起來(lái)，通過(guò)算法融合構(gòu)建出一個(gè)多重分類器，實(shí)現(xiàn)各分類器的優(yōu)勢(shì)互補(bǔ)，就可以有效地提高預(yù)測(cè)精度。將多個(gè)分類器分類結(jié)果使用融合技術(shù)進(jìn)行融合，其總體結(jié)構(gòu)如圖1所示，各分類結(jié)果通過(guò)算法融合，得出最終結(jié)果。

圖1 多重分類器系統(tǒng)Figure 1 Multiple classifier system

1.3 多重分類器決策融合的負(fù)荷預(yù)測(cè)模型

微網(wǎng)的負(fù)荷變化雖然存在隨機(jī)性，但就宏觀而言是呈一定規(guī)律分布的，將負(fù)荷歷史記錄按照時(shí)間遠(yuǎn)近分類，按照“近大遠(yuǎn)小”［9］的原則分配相應(yīng)的權(quán)重，最后將各單分類器的結(jié)果以適當(dāng)?shù)娜诤喜呗越M合起來(lái)，以獲得更加高效的預(yù)測(cè)結(jié)果。如圖2所示，每個(gè)單分類器與其對(duì)應(yīng)的輸入、輸出都是一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)，該系統(tǒng)共由3個(gè)單分類器構(gòu)成；融合技術(shù)采用“加權(quán)平均法”，這種方法根據(jù)各單分類器對(duì)給定測(cè)試樣本的輸出，輸出結(jié)果分配相應(yīng)的權(quán)重，最后取平均值。

圖2 基于神經(jīng)網(wǎng)絡(luò)的多重分類器系統(tǒng)模型Figure 2 Neural network based multiple classifier system model

圖2中最頂層為訓(xùn)練數(shù)據(jù)，分為3個(gè)訓(xùn)練區(qū)，分別存放著最近24h，3天和1周的用電負(fù)荷數(shù)據(jù)以及影響負(fù)荷變動(dòng)的因素（例如當(dāng)前天氣、溫度、節(jié)假日等）。系統(tǒng)為這3個(gè)訓(xùn)練區(qū)分配了3個(gè)單分類器，各單分類器采用神經(jīng)網(wǎng)絡(luò)BP算法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行在線學(xué)習(xí)，分別得到各單分類器的輸出數(shù)據(jù)。其中BP神經(jīng)網(wǎng)絡(luò)分類器結(jié)構(gòu)如圖3所示。

圖3 BP網(wǎng)絡(luò)結(jié)構(gòu)Figure 3 BP network structure

輸入層：負(fù)荷數(shù)據(jù)與溫度、天氣、節(jié)假日信息；輸出層：待預(yù)測(cè)24h的負(fù)荷預(yù)測(cè)值；隱含層：根據(jù)Kolmogorov定理［10］得到隱含層數(shù)目n1＝（n＋m）1／2＋a，其中，n為輸入神經(jīng)元數(shù)目，m為輸出神經(jīng)元數(shù)目，a為［1，10］之間的常數(shù)。

2 短期負(fù)荷預(yù)測(cè)的建模與仿真

2.1 網(wǎng)絡(luò)的建立、設(shè)定與仿真

Matlab提供了神經(jīng)網(wǎng)絡(luò)工具箱（Neutral Network Toolbox），該工具箱為BP神經(jīng)網(wǎng)絡(luò)提供了newff，train和sim這3個(gè)函數(shù)，首先用newff函數(shù)建立網(wǎng)絡(luò)，根據(jù)樣本數(shù)目確定輸入、輸出、隱含層數(shù)目，變換函數(shù)與輸出函數(shù)的選定；再用train函數(shù)訓(xùn)練網(wǎng)絡(luò)，預(yù)先設(shè)置好訓(xùn)練參數(shù)，訓(xùn)練網(wǎng)絡(luò)使得預(yù)測(cè)結(jié)果與輸出結(jié)果的誤差保持在一定范圍以內(nèi)；最后sim函數(shù)利用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)，對(duì)測(cè)試數(shù)據(jù)進(jìn)行仿真運(yùn)算。

參數(shù)設(shè)定：設(shè)置學(xué)習(xí)速率為0.5，迭代次數(shù)T＝1 700次，誤差精度為10-6。通過(guò)天氣預(yù)報(bào)可得預(yù)測(cè)當(dāng)日的最高、最低氣溫特征值；天氣特征值：0，0.2，0.5和1分別表示晴天、多云、陰天、雨天；日期類型規(guī)定：0.6和0.7分別表示工作日、休息日。

輸入樣本做歸一化［11］預(yù)處理，將數(shù)據(jù)處理為［0 1］區(qū)間內(nèi)的數(shù)值，輸出的結(jié)果用反歸一化得到實(shí)際預(yù)測(cè)數(shù)據(jù)。歸一化公式為

2.2 分類結(jié)果的融合

該預(yù)測(cè)系統(tǒng)按照時(shí)間遠(yuǎn)近，根據(jù)“近大遠(yuǎn)小”的原則給各分類器分配相應(yīng)的權(quán)重，時(shí)分類器權(quán)重ω1設(shè)為0.5，天分類器權(quán)重ω2為0.3，周分類器權(quán)重ω3為0.2，預(yù)測(cè)的結(jié)果用“加權(quán)平均法”融合，其計(jì)算公式為

2.3 Matlab模擬波形對(duì)照

以某地預(yù)測(cè)結(jié)果為例，單分類器單獨(dú)工作（以時(shí)分類器為例）的預(yù)測(cè)負(fù)荷曲線、多重分類器模型預(yù)測(cè)負(fù)荷曲線與實(shí)際負(fù)荷曲線的對(duì)比如圖4所示。試驗(yàn)結(jié)果：?jiǎn)畏诸惼鞯呢?fù)荷預(yù)測(cè)值最小、最大、平均絕對(duì)百分誤差分別為0.07%，-8.41%，3.67%；而多重分類器預(yù)測(cè)負(fù)荷最小、最大、平均絕對(duì)百分誤差分別為0.03%，-3.24%，2.05%。由圖4對(duì)比亦知，多重分類器系統(tǒng)的預(yù)測(cè)負(fù)荷曲線更接近于實(shí)際負(fù)荷曲線。

圖4 單分類器、多重分類器與實(shí)際負(fù)荷曲線對(duì)比Figure 4 Load curve contrast between the actual value andthe forecasting value recorded by single classifier，and multiple classifier

3 結(jié)語(yǔ)

通過(guò)將神經(jīng)網(wǎng)絡(luò)與分類器相結(jié)合，筆者組建了多重分類器系統(tǒng)用于微網(wǎng)的短期負(fù)荷預(yù)測(cè)，多重分類器的預(yù)測(cè)精度明顯高于單分類器的預(yù)測(cè)精度。多重分類器的預(yù)測(cè)精度更高的原因在于：①當(dāng)一個(gè)分類器發(fā)生錯(cuò)誤時(shí)，其他分類器會(huì)即時(shí)進(jìn)行糾正和彌補(bǔ)，這就使得系統(tǒng)得出的結(jié)論正確率得到了大大的提高；②一個(gè)復(fù)雜的問(wèn)題往往可以被分解成一系列易于解決的小問(wèn)題，通過(guò)多重分類器可以分別解決這些問(wèn)題，再將最終結(jié)果整合進(jìn)系統(tǒng)結(jié)果當(dāng)中，從而有效地降低了時(shí)間和空間的復(fù)雜度。

［1］李瑋，武志剛，程魯文，等.智能微網(wǎng)及其可靠并網(wǎng)研究［J］.電力科學(xué)與技術(shù)學(xué)報(bào)，2012，27（4）：24-29.

LI Wei，WU Zhi-gang，CHENG Lu-wen，et al.Rasearch of intelligent microgrid and the reliability of its incorporating［J］.Electric Power Science and Technology Journal，2012，27（4）：24-29.

［2］禹華軍，潘俊民.PWM整流技術(shù)在光伏并網(wǎng)發(fā)電系統(tǒng)中的應(yīng)用［J］.電力電子技術(shù)，2005，39（6）：132-135.

YU Hua-jun，PAN Jun-ming.PWM rectifier technology in the application of photovoltaic（pv）grid power generation systems［J］.Power Electronics Technology，2005，39（6）：132-135.

［3］Indrani Maity，Shrisha Rao.Simulation and pricing mechanism analysis of a solar-power electrical microgrid［J］.IEEE System Journal，2010，4（3）：275-284.

［4］Nima Amjady，F(xiàn)arshid Keynia，Hamidreza Zareipour.Short-term load forecast of microgrids by a new bilevel prediction strategy［J］.IEEE Transactions on Smart Grid，2010，1（3）：286-294.

［5］Prodanovic M，Green T C.High-quality power generation through distributed control of a power park microgrid［J］.IEEE Transactions on Industrial Electronics，2008，53（5）：1 471-1 482.

［6］歐建平，李麗娟.人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.廣東電力，1999，2（2）：194-196.

OuJianping，Li Lijuan.Artificial neural network application in the electric power system for short-term load forecasting［J］.Guangdong Electric Power，1999，2（2）：194-196.

［7］張有兵，翁國(guó)慶.分布式發(fā)電系統(tǒng)中的人工智能技術(shù)［J］.電力科學(xué)與技術(shù)學(xué)報(bào)，2009，24（1）：19-25.

ZHANG You-bing，WENG Guo-qing.The technology of artificial intelligence in distributed generation systems［J］.Electric Power Science and Technology Journal，2009，24 （1）：19-25.

［8］史峰，王小川，鄒磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析［M］.北京：北京航空航天大學(xué)出版社，2010.

［9］李永斌.短期電力負(fù)荷預(yù)測(cè)模型的建立與應(yīng)用［J］.計(jì)算機(jī)仿真，2011，28（10）：316-319.

LI Yong-bin.Establishment and application of shortterm power load forecasting model［J］.Computer Simulation，2011，28（10）：316-319.

［10］Kodogiannis V S，Anagnostakis E M.A study of advanced learing algorithms for short-term load forecasting［J］.Engineering Applications of Artificial Intelligence Journal，1999，44（9）：159-173.

［11］柳小桐.BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究［J］.機(jī)械工程與自動(dòng)化，2010（3）：122-126.

LIU Xiao-tong.The research of normalization of input layer’s data in BP neural network［J］.Mechanical Engineering and Automation，2010（3）：122-126.