基于BP神经网络优化的改进灰色模型在电量预测中的应用
丁磊明 杨晓雷 黄金波 姚剑峰
（国网嘉兴供电公司，浙江嘉兴314033）
摘 要： 经济增长与电力需求作为分析一个国家经济运行状况的两个重要指标，两者相互作用，联系紧密。用单一的预测方法预测电量无法保证高精度的预测结果，如何最大程度地提高预测精度是电力系统电量预测的研究的关键。现提出用BP神经网络算法修正灰色预测值的方法，其核心是通过分析月数据规律进行灰色预测外推得到初步预测结果，在充分考虑经济指标与电量的相互作用的情况下，利用BP神经网络对电量预测值进行修正，从而得到实用性更好的中长期电量预测结果。
关键词： 电量预测；经济指标；BP神经网络；灰色预测；修正
0 引言
随着泛在电力物联网的研究和建设的推进，中长期电量预测数据的信息化程度的提高，电力系统电量预测的研究重点不再是统计数学模型本身，而是如何综合考量多方面因素，从而有效提高电力系统电量预测结果的精度。文献[1]基于电量各影响因素的统计分析来构建电量预测算法模型；文献[2]则通过考虑经济因素对负荷的影响对月度负荷进行了预测；文献[3-7]表明随着近几年我国在人工智能技术领域的深入研究与发展，基于神经网络算法的混合预测模型优势突出。
乌有强抑着悲辛将玉玦递给子虚，子虚将玉玦交到左手，右手却与乌有递玉的右手在棋盘之上，紧握在一起，两人运行花间游内力，乱洒青荷、碧水滔天、兰摧玉折、商阳指，一时虎踞龙蟠，白发支离，面目赤红，氤氲白汽蒸腾在百会穴上。内力游龙一般在二老脉息里运转，最后汇聚到子虚右掌，与指间的玉玦相激荡，令玉玦璀璨生光，如同一颗由天庭里摘下来的星星，嵌在子虚食指与拇指交错的指节上。
本文以中西部某区域电网公司的大数据平台为基础，利用相关经济指标数据包括规模以上工业增加值、固定资产投资、社会消费零售总额和出口总值四个指标以及历史用电量月数据进行分析，提出了用BP神经网络修正灰色预测值的电量预测模型，旨在结合经济指标因素与电量的相互作用，实现高精度的电量预测。
1 整体框架
电量预测模型的关键在于通过收集处理大量的历史数据，建立有效的预测算法模型。采用科学的方法，以已知数据为基础，进行数据分析并不断修正模型，以达到更为优化的电量预测效果[1]。
1.完善课前准备工作。平时的数学课堂教学工作中，教师需要先做好对所教内容的数学思想全方位的掌握。上课准备工作中，教师应该针对所讲内容中包括的数学思想，解释、设计出最科学的方法，创造良好的条件，课堂教学中做好思维模式的渗透，从而让学生全面掌握好数学思想。
在电量的预测过程中，单纯地利用灰色预测外推得到的用电量数据，忽略了经济指标与电量之间的相互影响，会造成预测结果误差过大。
传统方法中只利用经济指标本身的特性对数据进行处理，如在平均分配的基础上对个别月份即1、2、7、8月统一处理添加较大的随机误差，其他月份添加符合正态分布的随机误差[7]。最终得到如图10所示的月数据变化趋势。
工程高边坡风险定量计算结合路堑边坡风险评估技术框架中的风险分析和评价两大环节，参考AGS在详细风险分析定量指标基础上对路堑边坡财产损失和人身伤害损失进行定量风险计算[10]。具体见公式(1)、公式(2)。
模型设计的整体框架如图1所示。
图1 模型设计流程图
2 基于BP神经网络优化的改进灰色模型
2.1 数据预处理
电网的电量预测中，原始电量数据存在缺失或不一致性。为了达到高精度的电量预测，对训练样本数据的选择极为重要，故需要对已收集数据进行分析处理[2]。
2.1.1 经济指标的收集与处理
本文收集了2014—2017年中西部某区域电力公司的四项经济指标年数据包括规模以上工业增加值、固定资产投资、社会消费零售总额和出口总值，以及2014—2018年7月的用电量月数据。考虑到对应数据细化程度的不一致性，需要将经济指标数据进一步处理。
灰色预测使2018年的月用电量完整化，成为已知条件。故首先利用用电量与各经济指标之间的对应关系预测2018年1月—12月的经济指标数据。其次在用电量的预测过程中，一方面仅利用已知用电量数据进行训练具有一定的盲目性，很大程度上会导致预测结果的不可信度，从而加入了2018年的外推预测数据训练；另一方面考虑到2018年用电量与经济指标间的相关性与较远年份的关联度不高，故采用科学性更强的2017—2018年的月数据进行训练。经济指标不同处理方式下的预测误差变化图如图7～9所示。
灰色预测作为一种对含有不确定因素系统进行预测的方法，适用于小样本数据的预测，仅依靠于自身的规律进行外推。为了将灰色预测算法的优势最大化，且通过数据分析发现每年的对应月数据按规律增长，于是在符合灰色预测样本小、自身按指数增长的特点的情况下，依据往年对应月份的月用电量来推测2018年对应月份的月用电量。利用灰色预测得到的预测结果及误差检验如表1所示。
图2 按比例分配的各元素月变化曲线
2.1.2 数据分析
将收集到的用电量数据绘图分析，一方面可以看出中西部地区的月用电量整体呈上升趋势，另一方面2014—2017年每年的月用电量变化特性也基本呈现一致性。且经济指标数据的细化标准源自用电量，故经济指标月数据的变化趋势同用电量趋势一致。
2.1.3 灰色关联度分析
为了能确定用电量与各经济指标之间的关联程度，便于训练样本的进一步选择，通过灰色关联度分析法将关联度低的经济指标因素剔除，把相关性强的经济指标分量作为输入。灰色关联度分析法的关键是通过对要研究对象与其各个影响因素的数据序列曲线之间的相似程度来分析影响因素的主次地位[3]。
图3即灰色关联度分析得出的关联系数曲线。通过该图与其他分析模型相比，灰色关联度分析不需要对原始数据做归一化处理，仅用已知数据便可以得到关联度排序：社会消费品零售总额＞固定资产投资＞出口总值（美元）＞规模以上工业增加值。
狼獾看起来有点像个头小一些的棕熊，它们是生活在北极边缘及亚北极地区丛林里的鼬类动物。为了储备过冬的食物，狼獾表现得十分凶残，一旦发现驯鹿的踪迹就穷追不舍，大开杀戒。狼獾的短腿和大脚爪在厚厚的积雪上奔跑起来十分得力，相比起来，驯鹿的奔跑速度则逊色得多。狼獾捕到驯鹿后，会先吃掉一部分，然后再把剩下的驯鹿肉分别埋藏在不同的地方，这样一来，在找不到食物的冬日里就不会挨饿了。要知道，“冰天雪地”可是大自然中的天然冰箱！
总而言之，体育是初中阶段非常重要的一门学科，是促进学生全面成长的关键因素。针对初中体育教学中存在的学生主动参与不足等问题，教师必须认真分析其中的影响因素，结合影响学生主动参与的因素采取有效措施加以解决，既要构建和谐的师生关系，又要丰富教学内容，还要创新教学模式，以此提升学生的积极性。
图3 关联系数曲线
图4 灰色预测算法流程图
2.2 灰色预测
BP神经网络算法的核心是随着训练次数的不断增加，最终误差越来越小，当达到设定目标误差或最大迭代次数时终止训练，从而得到最优权值和阈值的预测输出。使用神经网络模型处理问题可以适用于各种任务且简单易用[5]，其算法具体流程图如图6所示。
右丞相樗里疾表示反对，因为秦国到韩国的路途遥远，不仅劳民伤财，还有腹背受敌的风险。左丞相甘茂却提出，宜阳对秦国非常关键，伐韩势在必行。而他们现在首先要做的是破坏韩魏联盟，一旦魏国助秦，韩国被孤立，就算宜阳城池坚固、兵精粮足，也可能被秦军攻破。
首先计算出2014—2017年各个月份占当年全年用电量的比例，再用1月—12月各个月份占这四年的比例求平均值，处理后的比例值将作为标准比例应用于经济指标的细化。将2014—2017年四个经济指标的年数据按照用电量趋势的标准比例分配至月得到月经济数据，各经济指标月数据变化情况如图2所示。
表1 预测结果及误差检验
本模型是通过往年对应月份的月用电量来依次推测2018年对应月份的月用电量，相比直接采用所有的已知月用电量进行外推，具备以下优点：
收集年限均超过10年太极拳锻炼的老龄人作为实验组，身高167.9±6.1cm, 体重67.2±10.9kg,锻炼年限18.6±10.7年；收集年限均在1～3年之间短期锻炼太极拳的老龄人作为对照组，身高168.2±5.9cm，体重69.6±7.4kg。所收集的老龄人均为男性，年龄在60～72岁之间，对照组与实验组年龄、体重、身高差异不显著，每周锻炼均4次以上，每次持续1h左右，锻炼时间均在早上，身体健康、四肢无伤病疼痛、无急慢性疾病。
2.3 BP神经网络
BP神经网络作为一种多层前馈神经网络，是目前应用最为广泛的神经网络模型之一。该算法中包括前向传播的信号以及反向传播的误差两个部分。图5所示为神经网络的基本结构图，该模型一般有三层，从左往右依次为输入层、隐藏层和输出层[4]。
图5 神经网络结构图
灰色预测模型是通过累加或累减生成并逐步白化，从而建立起的微分方程形式的模型。灰色预测中的观测数据序列并不是随机产生，而是一个变化着的灰色过程。因此，灰色预测的数据是通过生成数据的GM（1，1）模型所得到的预测值的逆处理结果。灰色预测算法流程图如图4所示。
图6 BPNN算法流程图
为推测换乘时间，需要获取出发站点到换乘站点的距离. 利用A*最短路径算法，搜索出轨道任意站点OD之间的最短路径和距离(表3)，将该路径作为乘客出行路径，添加TRACE字段以记录该路径.
如图7所示，在未剔除经济指标的情况下预测误差控制在3.5%以内；如图8所示，在剔除相关性较差的一个经济指标后，预测误差控制在4%以内；图9所示为剔除两个经济指标后的误差变化图，相比前两种处理方式预测精度更高。本模型通过反向传播神经网络提升了电量预测效果，保证了各项预测数据准确性[6]。
最终用电量预测结果整理如表2所示。
图7 未剔除经济指标的误差变化图
图8 剔除一个经济指标的误差变化图
图9 剔除两个经济指标的误差变化图
表2 预测结果 单位：亿kWh
3 模型优势分析
3.1 数据处理
本文所涉及的电网电量预测的基本思想是通过数据的分析处理筛选出已知数据中的有效信息并加以利用，将其作为BP神经网络的样本数据进行训练，不断修正权值和阈值，从而使灰色预测得到的初步预测值不断逼近期望输出。
图10 以平均分配为基础的各元素月变化曲线
通过图2与图10的分析，本模型的数据处理具有以下优势：
（1）变化趋势呈波动上升趋势，且较之前的以平均分配为基础的数据处理曲线更为平滑，无明显突变；
（2）充分考虑了用电量与经济指标之间的密切关系，数据处理方法更贴近实际，具有科学性。
3.2 灰色预测样本量的选取
将表1的预测结果与灰色模型精度检验对照表比较可知，初步预测得到的月用电量较为准确，且加入预测值后的2014—2018年月用电量变化曲线符合整体变化趋势。
（1）直接外推的处理方法由于灰色预测的特性，预测值会呈增长趋势，从而不符合实际情况。本模型充分考虑了用电量的月变化特性，使2018年的用电量变化趋势更贴近于往年的变化趋势；
（2）样本量少，更能发挥灰色预测算法自身的优势，达到了更好的预测效果。
3.3 BPNN预测用电量训练样本的选取
预测用电量时是多输入单输出，利用2017—2018年的月用电量及四项经济指标月数据进行训练，本模型得到的预测结果曲线如图11所示。
图11 本模型的用电量月变化曲线
如果利用2014—2017年的月用电量及四项经济指标月数据进行训练，在该方法下得到的预测曲线如图12所示。
由以上两图分析可知，该模型的训练样本选取有以下优势：
（1）2018年用电量与经济指标间的相关性与较远年份的关联度不高，只采用2017—2018年的数据进行训练更具有科学性；
美国妇产科医师协会的建议，孕前正常体重的女性每天只需额外摄入300 卡的热量，就可以促进胎儿的生长。这大概就是200 毫升牛奶和150 克米饭的量。而且正常体重的女性在孕期体重增长应该在11～16千克。
（2）本模型的预测结果更符合往年用电量趋势的变化情况，且年用电量总额较2017年有小幅增长，年用电量变化曲线更为平滑。
图12 其他模型的用电量月变化曲线
4 结语
本文针对电量预测问题所提的基于BP神经网络优化的改进灰色模型，建模科学，预测流程清晰，可操作性强。模型预测结果数据表明，基于BP神经网络优化的改进灰色模型的电量预测结果误差均小于4%。即模型在充分考虑经济指标与电量的相互作用的情况下，利用BP神经网络算法对电量的灰色预测值进一步修正，从而得到了实用性更好的中长期电量预测结果。
互联网已经将世界各国紧密联系起来，网络空间为世界各国共同发展提供了一个前所未有的平台。在当前世界经济处于低潮的时候，网络经济却显示出自己强劲的活力。现在已经有越来越多迹象显示，网络的发展将给全世界带来新的科技革命，世界经济和人类生活将越来越依赖网络。网络经济改变了世界传统贸易方式，打破了地域限制，形成了真正的全球经济市场，国际贸易的成本降低，交易效率提高。人才、资金、商品、技术在网络空间里可以更加无障碍地在全球范围内流动，实现生产资料和劳动力在全球范围的最优化组合。在国际间建立网络空间命运共同体，整合世界各自独立的数字市场，将会成功地建立一个全世界物联的市场。
［参考文献］
[1]王开林，胡昊，陈靖，等.一种基于BP神经网络的电网负荷预测方法的设计[J].电子世界，2019（17）：197-198.
[2]杨超.基于灰色理论和神经网络的中长期电力负荷预测的研究[D].天津：天津理工大学，2015.
[3]郭鸿业，陈启鑫，夏清，等.考虑经济因素时滞效应的月度负荷预测方法[J].电网技术，2016，40（2）：514-520.
[4]陆继翔，张琪培，杨志宏，等.基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J].电力系统自动化，2019，43（8）：131-137.
[5]梁荣，王洪涛，吴奎华，等.基于神经网络和ARIMA模型的冷热电短期负荷预测 [J/OL].电力系统及其自动化学报：1-8（2019-06-05）[2019-09-26].https://doi.org/10.19635/j.cnki.csu-epsa.000260.
[6]陈丽娜，撖奥洋，于立涛，等.计及储能调度因素的短期负荷预测模型[J].电力系统及其自动化学报，2019，31（7）：57-63.
[7]刘金生.人工神经网络在电力负荷预测中的应用研究[J].电气技术与经济，2019（3）：27-28.
收稿日期： 2019-11-15
作者简介： 丁磊明（1981—），男，浙江嘉兴人，工程师，主要从事电网调度、系统运行等方面的工作。