混沌时间序列的小波神经网络预测方法及其优化研究
李雅楠
【摘 要】本文提出一种短期电力负荷的时间序列预测方法。该方法用混合pi-sigma模糊神經网络，结合短期电力负荷的周期性特点，建立pi-sigma模糊神经网络时序预测模型，构建预测样本和检验样本，对未来短期电力负荷数据预测研究。该预测模型的模糊子集隶属度可以在线动态调整。仿真实例表明，本文提出的电力负荷预测方法优于常规的时序预测方法，具有预测精确度高以及预测结果稳定等优点，可以克服神经网络电力负荷预测方法的随机性。仿真实验结果验证了所提出方法的有效性。
【关键词】时序预测；模糊神经网络；电力负荷；预测
【Abstract】This paper proposes a short-term power load time series prediction method. The method using hybrid pi-sigma fuzzy neural network， using the periodic characteristics of the short-term power load， a Fuzzy neural network pi-sigma time-series forecast model is set up， building forecasting samples and test samples， research on short-term power load data to predict the future. The fuzzy forecast model of fuzzy subset membership can dynamically adjust online. Simulation examples show that the proposed power load forecasting method is superior to conventional temporal prediction method， has the advantages of high prediction accuracy and prediction stability， which can overcome the randomness of the neural network electricity load forecasting methods. The simulation experiment results demonstrate the effectiveness of the proposed method.
【Key words】Time-series； Fuzzy neural network； Power load； Prediction
0 引言
电力工业影响人们的生活水平和国民经济的发展，实时准确的电力负荷预测有助于电力部门经济、合理地制定各项计划，保证电网高效稳定运行，达到一定精度条件，确定将来特定时刻的负荷数据。电力负荷预测是利用电力负荷的实时信息和历史数据对未来的电力负荷进行预测，预测未来电力负荷的时空分布情况，以此来实现电力市场供求关系的均衡发展。其中负荷是指电力需求量（功率）或用电量。电力负荷预测是电力系统中一项十分重要的工作，是能量管理系统中的重要组成部分[1]。
电力负荷预测的核心工作是对大量历史数据的收集、对模型的科学建立以及对算法的合理有效采用。在以历史数据为基础的前提下进行大量的实验研究，对模型和算法加以修正，以此来反映电力负荷变化的真实规律。电力负荷一般分为城市、商业以及工业负荷等。不同负荷具有不同的特点和规律。
常用的电力负荷预测方法有：回归分析法、弹性系数法、神经网络法、专家系统法和模糊逻辑方法等。通常模糊逻辑和神经网络用于预测时会出现预测结果不确定，多次重复预测结果不同等情况。近年来，模糊逻辑和神经网络的混合得到了比较广泛的应用。
本文采用一种新型混合pi-sigma神经网络模型预测短期电力负荷。该模型有如下特点：利用新组建的时间序列样本预测电力负荷；该预测模型参数初始值是确定的；结论部分是输入变量线性组合而成；用代数计算方法取代模糊运算；并能在线调整模糊规则的隶属度函数，鲁棒性好，预测结果稳定等。
1 混合pi-sigma神经网络
混合pi-sigma神经网络预测模型是与高木-关野系统类似的一种新型模糊神经网络。可在线修正前提参数和结论参数，这项工作可以靠模糊模型辨识来完成。该模糊神经网络适用于复杂系统的模糊预测和控制[2]。各模糊子集的隶属函数均取高斯函数，以方便网络的学习。其中，模糊模型可以自动更新，能动态修正各模糊子集的隶属度函数，实现自适应模糊模型的建模，从而能比较容易地确定网络结构和相关参数，使模糊建模过程更具合理性。
1.1 网络结构
神经网络通常有三种结构，一种是只含有求和节点的前向型网络，另一种是可以实现联想记忆的反馈型网络，还有自组织网络。它们都很难处理一些复杂的问题。然而在混合pi-sigma神经网络中，在模糊推理过程中利用代数乘法取代取小运算，以一个多入/单出的混合型pi-sigma神经网络预测模型为例，结构如图1所示，其中，S、P和（·）分别表示相加、相乘和相乘的运算。
在图1中，每个输入变量的模糊子集均取为[PL、0、NL]，即正大、零、负大，这样可简化过程，又能加快计算速度。该预测模型的输入经模糊化、模糊推理、反模糊，其输出过程物理意义清楚，即知识处理过程是透明的。
1.2 模糊神经网络学习算法
设预测模型期望输出为yd，定义函数：
2 短期电力负荷的预测模型
数据来源：采用欧洲人工智能组织、国际电力负荷预测的竞赛数据进行预测研究[4]。对1998年1月1日开始的500个时序数据进行试验。即按照每天24小时每隔30min采集一个数据，产生48个数据，样本时序数据结如图2所示，该数据有一定的规律性。
混合pi-sigma模糊神经网络时序预测模型的建立：时序样本组成方法：在500个数据中，取其中第1～7个数据为该预测模型的输入，第8个数据为网络输出，使其产生133个样本，训练混合pi-sigma神经网络。因此，网络输入神经元个数为7个，即图1中的n=7，输出为一个变量。表1为数据集生成方法。
模糊神经网络隐层选取依据：每个变量有3个模糊子集，每两个变量之间的模糊取小运算有9个结果，因此，网络隐层神经元个数取9个，共计有37=2187个模糊规则。
隶属度中心c0=[c01 c02 c03]=[-15 0 15]，灵敏度参数：b0=[b01 b02 b03]=[5 5 5]，结论参数p（i）的初始值为p（i）=0.1*ones（9，1），i=0，1，2，…，7。
3 仿真实验及结果分析
在MATLAB环境中，利用上述网络预测模型进行仿真实验。参数设置：学习速率=0.005、动量因子=0.05，实验表明，学习速率对预测结果影响比动量因子大。训练误差精度0.001。用第1个～第133个样本训练模糊神经网络，预测第141个～第188个共48个数据。图3为混合pi-sigma模糊神经网络预测结果。
图3（c）中，用平均绝对百分比误差指标评价网络性能，48个数据的平均预测精度为2.0571%，最大预测精度为7.1459%。表2给出了前12个数据预测的详细记录。
采用BP神经网络工具箱预测结果：设置精度为0.001，隐层神经元数为15，即网络结构为7-15-1。平均预测精度为2. 5714%，最大预测精度为7.6062%；利用RBF神经网络工具箱预测结果：扩展因子经过调节取为26，平均预测精度为2.5193%，最大预测精度为7.2087%。比较发现，本文提出的方法均优于BP网络工具箱和RBF网络预测结果，而且本文方法的最大优势是预测结果是唯一的，即具有结果可重复性。
4 结论
本文对短期电力负荷时间序列采用混合pi-sigma神经网络进行预测，得到确定性的预测结果。该模型优点是可以在线调节模糊隶属度函数和结论参数，提高预测精度。与BP网络、RBF神经网络预测结果进行对比分析的仿真结果验证了所提出方法的有效性。
【参考文献】
[1]牛東晓，曹树华，卢建昌，赵磊.电力负荷预测技术及其应用[M].北京：中国电力出版社，2009：1-6.
[2]邢松寅，王士同.基于Pi-sgma神经网络的高木-关野模糊系统用于数据关联计算的建模.电子科学学刊.1999，21（1）：72-77.
[3]刘金锟.智能控制.电子工业出版社.2015，5.Prof. Peter Sin？ák. World-wide competition within the EUNITE network.http：//neuron.tuke.sk/competition/index.php.2012.6.
[责任编辑：朱丽娜]
