基于PSO参数优化的ESN负荷预测模型

(华北电力大学控制与计算机工程学院 北京 102206)

引言

电力负荷预测(load forecast of power system),是电力市场的重要组成部分,实质是对电力市场需求的预测。一个准确的短期预测方法可以有效地节省运营成本，保证电力市场运营效率，而负荷预测过高则可能引起供应与储备过剩，导致成本升高和电力市场参与者的合同削减，此外负荷预测过低则无法提供足量的储备导致需要提供更昂贵的辅助服务才能到达市场需求[1，2]。

ESN的核心结构是一个动态储备池(Dynamic Reservoir,DR)。文为了解决储备池参数影响ESN预测精度的问题，采用了粒子群优化算法对动态储备池的重要参数进行优化，采用经过粒子群算法优化的回声状态网络对XX地区的负荷数据进行预测[3]。对比SVM，BP神经网络预测方法，基于PSO优化储备池参数的ESN负荷预测模型。

一、基于ESN负荷模型预测

经典的ESN体系结构包括三层：输入层、隐含层和输出层。如图1所示。隐含层被称为动态储蓄池。传统的循环网络中，其规模基本控制在20个神经元以内。假设ESN网络有L个输入层单元，M个输出层单元，N个隐层单元。通常用Win表示输入层的连接权值矩阵；表示储备池内部的连接权值矩阵，它通常保持1%～5%的稀疏连接，并且谱半径一般小于1，这能够起到存储历史信息的“回声”作用，使ESN具有很强的短期记忆能力，克服了RNN网络固有的记忆渐消的问题；Wout表示输出层的连接权值矩阵；Wback表示输出层到隐层的反馈权值矩阵。其中，Win、w和Wback是在网络建立前随机生成的，并且一经构成就不再改变，只有Wout是通过训练计算得到的。而ESN的训练目的就是要确定输出权值[4]。

图1 回声状态网络结构

ESN的基本算法是通过输入信号激励储备池，从而产生储备池中连续的状态变量信号，最后通过储备池状态变量与目标输出信号的线性回归算法确定ESN网络输出权值[5]。

二、基于PSO优化的ESN用电负荷预测模型

粒子群优化(Particle Swarm Optimizer,PSO)算法是一种基于群体智能方法的演化计算技术。

采用PSO对ESN中核心部分动态储备池中的重要参数进行优化，提高预测的准确率。

三、负荷预测试验及结果分析

(一)试验准备

本文结合经验和ESN模型本身特点，选取5个变量(上一时刻负荷，时间，天气，温度和风力)，其中，ESN的回声特性确定使用上一时刻的负荷状态代替负荷时间序列，从而减少计算量；同时，作为标准的ESN模型训练，需要添加一组单位序列作为输入数据。本文采用某地区2015-01-01——2015-09-30的电力数据和气候数据进行计算，约24000组数据，对比SVM预测模型、BP预测模型和未经优化的ESN预测模型。

在网络学习之前，对原始数据进行了归一化处理，并对数据进行划分，80%的训练数据和20%的测试数据。

实验误差采用均方误差和标准均方根误差作为各种方法预测效果判断依据，对各种预测效果进行评价：

(1)

(2)

(二)比试验分析

本文采用标准的ESN网络、传统BP网络和SVM算法进行对比试验。在使用ESN的对比试5变量作为输入进行试验后，又使用一天96点的负荷时间序列和当前时刻，共97个参数作为输入进行试验。对比试验结果如表1示。

表1 预测方法误差对比表

通过试验对比发现，BP神经网络算法收敛速度较慢，误差也相对较高，多次试验中预测精度在+-3%的范围小幅波动；而SVM在输入参数为负荷序列时表现出色，比选取上一时刻负荷加外界环境的输入组合的准确率提升了近20个百分点。ESN表现优异，标准方均根误差可达到1.82%。同时，经过本文提出的PSO对ESN储备池参数进行优化处理后，预测的标准方均根误差最小，到达了0.6%，对比ESN提高了1.76个百分点。误差评价结果表明，ESN比BP神经网络和SVM的预测精度有所提升，而PSO-ESN预测模型进一步提高了回声状态网络的预测精度，是预测效果更佳出色，适宜用于电力系统短时负荷预测。

四、结语

ESN在短期用电负荷上表现优于BP神经网络和SVM。针对目前ESN研究出现的问题之——储存池特性问题，文采用PSO优化算法对影响动态储备池的主要参数进行优化，选取适用于本问题的边界策略。实验证明，经过参数优化过的ESN用电负荷预测模型具有更高的预测准确率。