（黑龙江科技大学电气与控制工程学院哈尔滨150022）
摘要：短期电力负荷预测对于电力网络安全，平稳运行发挥着至关重要的作用。电力负荷在采集过程中容易受到噪声干扰，若对其直接进行预测，将会产生很大的误差。所以，在负荷预测之前，本文提出小波自适应算法对其降噪处理。为了避免LMS算法采取梯度下降思想陷入局部最小的特点，本文同样利用改进的人工蜂群算法对其优化。实验仿真证明，优化后的滤波器具有更好的收敛性和滤波效果。GABC优化后的小波自适应算法滤波效果更好，收敛速度更快，为后续预测算法分析提供了良好的数据来源。
关键词：短期电力负荷预测，小波神经网络，LMS算法，GABC人工蜂群算法
Abstract：Short-termpowerloadforecastingplaysacrucialroleinthesafeoperationofthepowernetwork.Becausetheelectricalloadissusceptibletonoiseinterference,ifitisdirectlypredicted,therewillbealargeerror.Therefore,beforetheloadforecasting,thispaperproposesanoisereductionprocessbasedonwaveletadaptivealgorithm.InordertoavoidtheLMSalgorithmadoptingthegradientdescentideaintolocalminimumcharacteristics,thispaperproposesanimprovedartificialbeecolonyalgorithmforitsoptimization.Theexperimentalsimulationprovesthattheoptimizedfilterhasbetterconvergenceandfilteringeffect.GABCoptimizedwaveletadaptivealgorithmhasbetterfilteringeffectandfasterconvergencespeed,whichprovidesagooddatasourceforsubsequentpredictionalgorithmanalysis.
Keywords：short-termloadforecasting,waveletneuralnetwork,LMSalgorithm,GABCartificialbeecolonyalgorithm.
引言
电力系统平稳运行是一个动态平衡过程，即用户用电量与生产部门发电量相匹配。否则将会产生供不应求，或者供过于求的局面，这样会大大降低用户满意度或者造成电力资源的浪费。所以，生产部门制定合理的发电计划显得尤为重要。唯有对电力负荷作出精确的预测，生产部门才能在计划制定过程中，才能做到有的放矢。因此本文针对如何提高模型的预测精度进行以下几方面研究：
（1）简述电力负荷短期负荷预测特点、预测评价指标、建立预测模型。
（2）针对基于LMS算法自适应滤波器采取梯度下降易陷入局部最优的缺陷，本文论述一种全局收敛算法--人工蜂群对其优化。并对人工蜂群算法理论和性能进行重点分析。
（3）通过仿真平台编写程序，分析优化后去噪算法的滤波效果。
1短期负荷预测
短期电力负荷预测是通过对历史数据进行特性分析，综合影响其特性的关键因素，利用当前负荷数据对未来趋势进行的一种估计。具有随机性、不确定性、地区条件限制性、方案多选择性、条件限制性等特点。
1.1短期负荷预测评价指标
电力负荷预测模型的好坏需要一定的评价指标来表证。文中利用MAPE（绝对百分比平均误差），RMSE(均方根误差)，MAE(绝对平均误差)等常见的评价准则来对预测结果进行评判。同时预测系统需要考虑实时性，所以，本文将系统每运行一次时间考虑在评价准则里面，用RT（运行时间）表示。MAPE表示将每次预测值的相对误差进行绝对值相加，然后求取平均数，它能直接反映模型预测结果的优劣。公式（1-2）和公式（1-3）这两个指标能综合反映预测数据的偏差大小。因此，每个指标具体计算公式如下：
1平均绝对百分比误差
1.2短期负荷预测模型建立
电力负荷短期预测是一个实时、动态行为。合适的预测模型对于电网平稳运行具有重要意义。由于神经网络对非线性系统具有良好的数据拟合能力，因此本文将选取神经网络模型对电力负荷进行预测主要工作重点关注以下两点：
（1）优化网络权值寻优过程。因为传统神经网络随机选择的初始权值和阈值对模型训练产生很大影响，所以本文采用改进的人工蜂群算法可以提高误差的收敛速度，以达到优化网络权阈值的目的。
（2）引入小波函数对隐含层激活函数改进。这样可以根据输入样本大小动态调整网络结构，避免因样本数量过多或过少造成网络训练过程发散。
并且，电力负荷数据一般含有大量的强相关和不相关两类噪声，需要对其进行降噪处理。自适应滤波器凭借其良好的动态调整性能，因此，本文提出运用小波自适应算法来对电力负荷进行降噪。这是因为小波自适应算法可以使输入自相关矩阵谱动态范围变窄，从而改善系统的稳定性和误差的收敛速度。最终构建一种基于小波自适应算法的神经网络模型对电力负荷进行预测，以得到更精确的预测结果。
本文对电力负荷预测主要从以下两方面进行：
式中：为干净的电力负荷信号，为噪声扰动信号。
（2）对去噪后的负荷数据子序列进行训练集和测试集划分。对输入数据进行归一化处理，然后进行样本训练。最后利用测试集数据，通过训练好的网络结构，进行预测。综合各子序列的预测结果，重构生成电力负荷最终预测值。
2负荷数据预处理算法优化
由于电力负荷采集系统容易受到磁场和其他信号干扰，因此负荷数据在存储过程中往往夹杂着一定量的噪声。如果不对其进行降噪处理，必然会对模型的预测精度，产生一定的影响，甚至对预测模型的选择，产生误判。所以负荷数据预处理对后续预测工作的开展具有重要意义。
2.1人工蜂群算法基本原理
人工蜂群算法是模拟蜂群分工寻找花蜜的机理，来解决多维化问题的群集智能算法。人工蜂群（ABC）算法完成参数迭代寻优主要经历3个过程：引领峰阶段，侦察蜂阶段和跟随峰阶段。前两类蜂群是对函数的解，寻找最佳取值；侦察蜂主要观察迭代过程是否出现过早收敛现象。
2.2改进的人工蜂群算法以及性能分析
在基本的人工蜂群算法中，首先要解决算法参数的选择问题，即确定蜂群的总和，引领蜂，跟随蜂和侦察蜂的数目，循环次数以及最大邻域搜索值等等。在每次循环中，按式（2-1）进行搜索
本文将改进的人工蜂群算法（GABC）与粒子群优化算法（PSO），基本人工蜂群算法（ABC）进行了仿真比较。算法参数设置如下：
改进的人工蜂群算法参数：总循环次数为1000，蜂群总数为100（其中采蜜蜂50，观察蜂50），邻域寻优次数设置为100（测试时设置为循环系数的十分之一较为有效），惯性权值因子为0.4，和为2。
基本人工蜂群参数参数：总循环次数为1000，蜂群总数为100（其中采蜜蜂50，观察蜂50），邻域寻优次数设置为100。
本文分别对每种算法运行20次，然后取其平均值，得到，GABC算法在四种测试函数的平均运行时间普遍比粒子群优化算法高1到2秒左右。但从收敛精度对比可以发现，基本人工蜂群优化算法比粒子群优化算法高出10倍左右，改进的人工蜂群算法更是高出15倍。因此，对于负荷预测来说，牺牲少量的运算时间获取比较高的收敛精度也是可取的。
3实验仿真与分析
本文设置改进的人工蜂群参数为：蜂群总数为100，引领蜂和跟随察蜂各为50;邻域寻优次数100;最大迭代次数1000;惯性权值因子为0.4，和为2，神经网络参数设置与前节相同，采用改进人工蜂群算法优化的小波神经网络模型进行预测，各子序列预测值对真实值都有一个很好的拟合。在该次预测试验中，MAPE值为1.06152，MAE值为1.33184，RMSE值为0.83720，RT为110.31543秒。
可以清楚地得到，该模型在误差训练过程中，迭代将近70次左右，就达到了误差收敛精度。其收敛速度和收敛精度有着大幅度的提高。
4结论
本文首先提出了所要建立的电力负荷预测模型，并给出了模型建立的依据。同时重点对电力负荷数据预处理算法进行了分析。由于LMS算法是采用梯度下降思想更新权值，求解过程中容易陷入局部最优，所以本文利用人工蜂群理论对自适应滤波器进行优化。进而论述了人工蜂群算法的基本原理，并对其进行了改进，然后和其他智能算法进行了性能分析。最后在matlab2014a中编写程序，分析优化后算法的去噪效果。仿真实验证明，GABC优化后的小波自适应算法滤波效果更好，收敛速度更快，为后续预测算法分析提供了良好的数据来源。
参考文献
[1]熊磊.基于动态自适应技术的风电集群短期功率预测研究[D].《华中科技大学硕士论文》.2017
[2]黄太安，生佳根，徐红洋，黄泽峰.一种改进的简化粒子群算法[D].《计算机仿真》.2013
[3]彭鹏,彭佳红.基于多元线性回归模型的电力负荷预测研究[J].中国安全生产科学术,2011,7(09):158-161.
[4]PanXiuqin,LuYong,LiSuminetal.Animprovedartificialbeecolonywithnewsearchstrategy[J].InternationalJournalofWirelessandMobileComputing.2015,9(4):391～396.
[5]TarunKumarSharma,MilliePant.ImprovedSearchMechanisminABCanditsApplicationinEngineering[J].JournalofEngineeringScience&Technology(JESTEC).2015,10(1):111～133.