电力系统短期负荷预测的研究优秀论文定稿

电力系统短期负荷预测的研究目 录中文摘要错误！未定义书签。英文摘要错误！未定义书签。1电力系统负荷预测综述 31. 1引言 31.2电力系统负荷预测的含义 41.3电力系统负荷预测的意义 41.4电力系统负荷预测的现状 51.5电力系统负荷预测的程序 51.6本文的主要工作 62电力系统短期负荷预测的研究方法 72.1经典预测方法 72.2现代负荷预测方法 83人工神经网络概述113.1人工神经网络发展简史113.2人工神经网络模型113.3人工神经网络的工作原理123.4人工神经网络的特点133.5人工神经网络的发展趋势及研究热点143.6神经网络BP算法144电力系统短期负荷预测建模及MATLAB实现184.1基于神经网络的电力系统短期负荷预测建模184.2电力系统短期负荷预测的MATLAB实现194.3不N负荷划分模式下的电力负荷预测 254.4結果分析 34g论 35谢_ 36想 37附录I归一化的安徽省某市1999年5月4日至6月21 口负荷数据 38附录II:数据归一化MATLAB程序代码 42附录III: BP算法MATLAB程序代码 43电力系統短期负荷预测的研究摘要： 随着我国电力事业的发展，电网管理日趋现代化和智能化。电力系统负荷预测问题的研究越来越引起人们的注意，成为现代电力系统运行研究 中的重要课题之一，是实现电力系统安全、经济、高效运行的基础。对一 个电力系统而言，提高电网运行的安全性和经济性，改善电能质量，无不 依赖于精准的负荷预测。在对大量历史负荷数据进行统计分析的基础上，根据电力负荷的特 点，在考虑天气温度、日类型、实际历史负荷等因素对预测负荷影响的基 础上，本文介绍了三种基于BP神经网络的短期负荷预测方法。首先根据 实际经验将一周的7天分为不同类型；然后对W史负荷数据进行归一化处 理；最后利用相应的BP神经网络方法对未来24小时负份进行短期预测， 并通过MATLAB编程语言来实现。关键词：短期负荷预测神经M络BP算法MATLABThe research on the short-term load forecastingof electric power systemAbstract:With the development of the state power system, the electric networkmanagement modernizes by day and load forecasting arouses increasing more and more interests from researchers. Load forecasting is fundamental to ensure safe, economic and efficient operation of power system. For a power system, safe and economic operation of power grid as well as good electric quality depends on correct estimation of electric load.Through the analysis of a lot of historical load data and the characteristics of the load of power system, and considering factors such as weather temperature，day type，actual historical load，this paper introduces three kinds of method of the short-term load forecasting which is based on the BP neural network. First according to the practical experience, the author divides a week into different types. And then the historical load data are normalized. Finally it makes use of the corresponding BP neural network to forecast short-term load in the next 24 hours. All of the algorithms are realized by the MATLAB programming language.Neural Network MATLABKeywords： Short-term Load ForecastingBP Algorithm1电力系统负荷预测综述1.1引言电力负荷预测在实时控制和保证电力系统经济、安全和可靠运行方而起着重要作 用，它已经成为电力系统中现代能量管理系统（简称EMS)的一个主要组成部分， 尤其是短期负荷预测对于系统运行和生产费用具冇非常重大的影响。电力系统短期 负荷预测是对未来1 H至1周的负荷进行预测，主要用于机组优化组合、经济潮流 控制、水火电协调等。随着电力市场的建立和发展，对短期负荷预测提出了更高的要求，短期负荷预测 不再仅仅是EMS的关键部分，同时也是制定电力市场交易计划的基础。电力系统负 荷预测为这一地区电力规划奠定了一定的基础，同吋也为这一地区电业布局、 能源资源平衡、电力余缺调剂，以及电网资金和人力资源的需求与平衡提供可靠的 依据。因此，电力负荷预测是一项十分重要的工作，它对于保证电业的健康发 展，乃至对于整个国民经济的发展均有着十分重要的意义。短期负萜预测技术经过儿十年的发展，人们提出了许多的预测方法。现有的预测 方法大体可以分为2类：经典的数学统计方法和上世纪90年代兴起的各种人工智能 方法。经典的数学统计方法包括趋势外推法、回归分析法和吋间序列法等。人工智 能方法包拈人工神经网络法、灰色数学理论、专家系统方法、模糊理论、小波分析 和优选组合预测法等。本文选择的是采用BP算法的神经N络方法，该方法充分发挥 了神经网络处理非线性问题的能力和人工神经网络自学习、自适应的优点。1.2电力系统负荷预测的含义电力系统的总负荷就足系统屮所有用电设备消耗总功率的总和。将业、农业、 邮电、交通、市政、商业以及城乡居民所消耗的功率相加，就得电力系统的综合用 电负荷；综合用电负荷加N络损耗的功率就是系统中各发电厂应供应的功率，称为 电力系统的供电负荷（供电量）；供电负荷再加各发电厂木身消耗的功率（即厂用电）, 就是系统中各发电机应发的功率，称为系统的发电负荷（发电量）。电力系统负荷预测（load forecast of power system)是利用电力系统实时信息和历 史数据对米来电力系统负荷进行的预测。电力系统负荷预测一般包括两方面的含义: 是对未来电力需求量(功率)的预测，二是未来用电量(能源)的预测。电力需求量的 预测决定了发电、输电和配电系统新增容量的大小等；电量需求的预测决定了发电 设备的类型(如调峰机组、基荷机组)等。负荷预测的目的就是提供负荷发展状况及水平，同时确定各供电K规划年供用电 量，供用最大负荷和规划地区的总负荷发展水肀，确定各规划年用电负荷构成。木 文分析利用安徽省某市某年某月数据，通过MATLAB编程实现基于BP祌经N络的 电力负荷预测。1.3电力系统负荷预测的意义电力负荷预测是供电部门的重要工作之一，准确的负荷预测，可以经济合理地安 排电网内部发电机组的启停与检修，保持电网运行的安全稳定性，减少不必要的旋 转储备容量，合理安排机组检修计划，保证社会的正常生产和生活，有效降低发电 成木，提高经济效益和社会效益。负荷预测的結果，还有利于决定未来新的发电机组的安装，决定装机容量的人小、 地点和吋间，决定电网的增容和改建，决定电网的建设和发展。因此，电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化 的M著标志之一，尤其在我国电力事.空前发展的今天，用电管理走向市场，电力 负荷预测问题的解决已经成为我们而临的重要而艰巨的任务。木文对安徽省某市某年某月某口进行电力负荷的短期预测，不仅可以保证无条件 供应国民经济各本门及人民生活的电力需求，还能够为该市电业布局、能源资 源平衡、电力余缺调剂以及电网资金和人力资源的需求与平衡提供可靠的依据。1.4电力系統负荷预测的现状负荷预测的核心问题足预测的技术方法，或者说是预测数学模型。随着现代科学 技术的不断进步，负荷预测理论技术得到了很大的发展，理论研究逐步深入，适合 木地特点的预测程序、软件开始出现。如华北电力大学的牛东晓教授等人先后对负 荷预测理论及应用进行了研究，开发了适合短、小、长期各类负荷预测的实用软件并通过了网家技术鉴定，已广泛地应用于网内电M各个地区。1.5电力系统负荷预测的程序根据所进行的电力负荷预测的实践活动，认为其基木程序如：一、确定负荷预测R的，制定预测计划确定n标就是要在明确预测n的的前提，规定预测对象的范_、内容和预测期 限。在制定预测计划时要考虑的问题主要有：准备预测的时期，所需要的历史资料， 需要多少项资料，资料的來源和搜集资料的方法，预测的方法，预测工作完成时间， 等等。二、调杳资料和选择资料资料是预测的基本依据，资料的充裕程度及可信度对预测结果的可信度至关重 要。电力系统负荷预测需要的资料主要包括：电力系统历年用电负荷、用电量、用 电构成；经济发展目标；同民经济结构的历史、现状及可能的变化发展趋势；人丨 预测资料及人均收入水平；能源利用效率及用电比重的变化；以及工卟布局及用户 的用电水平指标等。挑选资料的标准是直接有关性、可靠性和最新性。在选择资料 时应对搜集得到的资料进行鉴别，去伪存真，以保证预测中使用的资料详实可靠。三、资料整理资料整理的口的是为了保证资料的质量，从而为保证预测质量打下基础。资料的 整理主要有以几项：资料的补缺推算；对不可靠的资料加以核实调整；对时间数 列中不町比资料加以整理。四、对资料的初步分析对所用资料初步分析包括以几个方面：画出动态折线图或散点图；杳明异常值 的原因后加以处理；计箅一些统计量（如自相关系数）以进一步辨明资料轨迹的性 质为建立模型做准备。五、建立预测模型负荷预测模型是统计资料轨迹的概拈，它反映的是经验资料内部结构的一般特 征，与该资料的具休结构并不完全吻合。负荷预测模型是多种多样的，可以适用于 不同结构的资料，因此，对一个具体资料，就有选择适当预测模型的问题。正确选 择预测模型在负份预测中是关键性的一步。六、综合分析，确定预测结果通过选择适当的预测技木，建立负荷预测数学模型,进行预测运算得到的预测值， 或利用其他方法得到的初步预测值，还要参照当前己经出现的各种可能性，以及新 的趋势与发展，进行综合分析、対比、判断推理和评价，最终对初步预测结果进行 调整和修正。七、编写预测报告，交付使用根据分析判断最后确定的预测结果，编写出本次负荷预测的报告，报告屮要对取 得这些结果的预测条件、假设及限制因素等情况进行详细说明。八、负荷预测管理将负萜预测报告提交后，仍需根据主客观条件的变化及预测应用的反馈信息进行 校验，必要时应修正预测值。对预测结果还要进行预测误差分析，观察预测误差变 化情况，辨明所拟合的模型是否充分适当。1.6本文的主要工作在对近几十年来国内外电力负荷预测理论和方法的发展与应用进行深入分析的 基础上，本文主要进行了以下几项工作：(1) 总结归纳电力系统短期负荷预测的各种方法，分析其优缺点，经过比较， 最终选择了基于BP算法的人工神经网络方法。(2) 分析了人工神经网络的发M、模型、特点、原理等，分析了神经网络方法 的发展趋势和研究热点，最后着重分析了神经M络BP算法。(3) 建立了基于神经网络的电力系统短期负荷预测模型，设计输入输出向量并 进行归一化，利用MATLAB软件创建了合适的BP网络，利用该BP神经网络方法 对未来24小时负荷进行短期预测，分析预测结果，检验M络的性能。2电力系統短期负荷预测的研究方法电力系统负荷预测方法分为经典预测方法和现代预测方法。2.1经典预测方法(1) 趋势外推法趋势外推法是根据负荷的变化趋势对未来负荷情况做出预测。趋势外推的基本假 设是未来是过去和现在连续发展的结果。其基本理论是：决定事物过去发展的冈素， 在很大程度上也决定该事物未来的发展，其变化，不会太大；事物发展过程一般都 是渐进式的变化，Uu不足跳跃式的变化掌握事物的发展规律，依据这种规律推异， 就可以预测出它的未来趋势和状态。趋势外推法的优点足只需要历史数据、所需的数据量较少且方法简準，对于负荷 平稳变化的预测较为冇效。缺点是其精度的提高受限于随机负荷分量的影响，如果 负荷出现变动，会引起较大的误差。(2) 时间序列法时间序列法是针对整个观测序列呈现出的某种随机过程的特性去建立和估计产 生实际序列的随机过程的模型，然后用这些模型去进行预测，是一种最为常见的短 期负荷预测方法。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历 史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。吋間序列方法用于短期负荷预测的优点是所需历史数据少，工作量少，在电网情 况正常、气候和生产情况等因素变化不大时，预测效果良好；缺点是它 不能考虑各种不确定因素的影响，只致力子数据的拟合，对其规律性处理不足，在 随机因素变化较大或坏数据没有剔除的情况，预测结果不甚理想。(3) 冋归分析法冋归分析法是利用数理统计原理，对大量的统计数据进行数学处理，并确定用电 量与某些自变量之间的相关关系，建立一个相关性较好的回归方程，并加以外推， 用于预测今后用电量的分析方法。冋归分析法的优点是原理简单，预测速度快，外推特性好，对于历史上未山现过 的情况冇较好的预测值。它的不足足历史数据要求高，用线性方法描述比较复杂的 情况过于简单，无法详细地考虑各种影响负荷的因素，预测精度不高，模型初始化 难度较大，需要丰富的经验和较高的技巧。2.2现代负荷预测方法20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应 用。这其中主要冇神经网络理论、灰色数学理论、专家系统方法、小波分析方法、 模糊预测理论和优选组合预测法等。本文将采用BP神经网络对安徽省某市1998年5月16 口的电力负荷进行预测， 因此将在下一章对神经网络再做详细讨论，本节只做简单介绍。(1) 神经M络理论人工神经网络（Artificial Neural Networks,简写为ANNs)也简称为神经网络 (NNs)或称作连接模型（Connection Model)，它是一种模仿动物神经网络行为特征， 进行分布式并行信息处理的箅法数学模型。人工神经网络的优越性如下： 神经网络可以处理那些难于用解析规则描述的过程或系統，可以通过对样本数 据的学习，自动实现对系統的描迷： 神经网络是并行结构，在处理实时性要求高的问题上显山极人的优越性； 神经网络是非线性系统，人们已从理论上证明了多层感知器能够任意逼近给定 的函数，甚至逼近各阶导数的能力； 神经网络具有很强的信怠综合能力、很好的容错性，它能恰当地协调好相互矛 盾的输入信息。(2) 灰色数学理论灰色数学理论是把负荷序列看作真实的系统输山，是众多影响W子的综合作用结 果。这些众多因+的未知性和不确定性，成为系统的灰色特性。灰色预测方法的共同特点是允许少数据预测、允许对灰因果律事件进行预测和具有可检验性。其最显 著的特点是用少量的数据做微分方程建立起预测的模型。灰色预测模型较适用于短期负萜预测。其优点足：要求负荷数据少、不考虑分布 规律、不考虑变化趋势、运算方便、短期预测精度高、易子检验。其缺点有：一是 当数据离散程度越大，即数据灰度越大，预测精度越差；二是不太适合于电力系统 的长期后推若干年的预测。(3) 专家系统专家系统（expert system)，是根据人们在某一领域内的知识、经验和技术而建立 的解决问题和做决策的计算机软件系统。专家系统方法是对于数据库里存放的过去 儿年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识， 提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型，考虑天气 因素对负萜预测的影响，按照一定的推理进行负萜预测。其优点有： 可以避开复杂的数值计算并得到较准确的预测结果； 可以检查专家系统推理过程，出现错误时，可以不断修改知识庳而不用修改主 程序，使系统易于扩充。其缺点是： 不具有自学习能力，受数据厍里存放的知识总量的限制。 对突发性事件和不断变化的条件适应性差，从不同的专家得到的知识有可能不 同。(4) 小波分析小波分析（wavelet analysis)是运用傅里叶(Fourier)变换的局部化思想，进行时空 序列分析的一种数学方法。小波分析在时域和频域上冋时具有良好的局部化性质，并且能够根据信号频率高 低自动调节采样的疏密，容易捕捉和分析微弱信号以及信号，从而可以聚焦到信号 的任意细节，尤其是对奇异信号很敏感，能很好地处理微弱或突变的信号，其目标 是将一个信号的信息转化成小波系数，可以方便的处理、存储、传递、分析或被用 于重建原始信号。尤其在突发与短时的信息分析方面具有明显的优势。这些优点决 定了小波分析可以有效地应用于负荷预测中。(5) 模糊理论模糊理论（Fuzzy Theory)足指用到了模糊集合的基本概念或连续隶K度函数的 理论。模糊预测系统的建模主要由两部分内容组成，即结构辩识和参数佔计。模糊 预测方法用于电力系统负荷预测中有以下优点： 模糊理论屮的隶属函数可以比较明确的描述专家的意图、处理电力系统屮许多 不精确的、模糊的现象； 对气象的影响和临时发生的重大事件这些难以用数学关系描述的因素，模糊方 法可以借用经验丰富的调度员的经验，往往比计算预测准确； 由于模糊预测系统的Q适应能力，使系统異有较强的Q适应性和鲁棒性。但随着模糊理论的深入研究和应用，模糊理论也出现一些不足： 模糊的学习能力比较弱； 当其映射区域划分不够细吋，影射输出比较租糙； 受主观人为因素的影响较大。(6) 组合预测在实际中，任何一种预测技木，对预测対象及其所处的环境都有一定的假设。对 于同一个预测问题，不N的预测方法所用到的信息也各不和冋，从信息的利用角度 来看，任何一种单一的预测模型都是只利用了部分有用信息，同时抛弃了其它的一 些有用的信息，为了尽可能地利用相关信息，人们提出了组合预测模型。优选组合预测有W类概念：一是指将儿种预测方法所得的预测结果，选取适当的 权重进行加权平均：二是指在儿种预测方法屮进行比较，选择拟合优度最佳或标准 离差最小的预测模型进行预测。组合预测方法是建立在最大信息利用的基础上，由于它集结多种单一模型所含 的信息，进行最优组合，所以可以达到改善预测结果的目的。(7) 混沌理论、数据挖掘及其它理论混沌理论（Chaos theory)是一种兼具质性思考与量化分析的方法，用以探讨动 态系统屮无法用单一的数据关系，而必须用整休、连续的数据关系才能加以解释及 预测之行为。混沌理论是非线性科学的重要组成部分，是确定的非线性动力学系统 中出现的随机现象，是不含外加随机因素的完全确定的内在随机行为，产生这一随 机现象的本质足系统内部的非线性作用机制，但并非任何非线性系统都会产生混沌。数据挖掘(DataMining)是通过分析每个数据，从大量数据中寻找其规律的技木， 主要有数据准备、规律寻找和规律表示3个步骤。数据挖掘的任务有关联分析、聚 类分析、分类分析、异常分析、特异群组分析和演变分析等。在人工智能领域，习 惯_ h乂称数据挖掘为数据库中的知识发现(Knowledge Discovery in Database, KDD)。偏最小二乘冋归法（PLSR: partial least squares regression)是一种新型的多元统计 数据分析方法，它主要研究的足多因变量对多自变量的回归建模，特別当各变量内 部高度线性相关时，用偏最小二乘冋归法更有效。偏最小二乘冋归较好地解决了样 本个数少子变量个数等问题，集主成分分析、典型相关分析和多元线性冋归分析3 种分析方法的优点于一身。3人工神经网络概述人工神经网络（Artificial Neural Networks,简写为ANNs)也简称为神经网络 (NNs)或称作连接模型（Connection Model),它是一种模仿动物神经N络行为特征， 进行分布式并行信怠处理的算法数学模型。这种网络依靠系统的复杂程度，通过调 整内部大量节点之间相互连接的关系，从而达到处理信息的0的。3.1人工神经网络发展简史神经网络的研究可以追溯到19世紀末期，其发展历史可分为四个时期。第一个 时期为启蒙时期，开始于1890年美U著名心理学家W James关于人脑结构与功能的 研究，对相关学习、联想记忆的基本原理做了开创性研究，结束于1969年Minsky 和Papert发表感知器（Perceptron) 丨5，其悲观论点极大地影响了当时的人丁 神经网络研究。第二个时期为低潮时期，开始于1969年，结束于1982年Hopfield 发表著名的文章“神经网络和物理系统”（Neural Network and Physical System)。第 三个时期为复兴时期，开始于J.J.Hopfield的突破性研究论文，他塑造出一种新颖的 强有力的N络模型Hopfield M络，结束于 1986年 D.E.Rumelhart&J.L.McClelland 领导的研究小组发表的并行分布式处理（Parallel Distributed Processing) 一书。 第四个时期为高潮时期，以1987年首届国际人工神经网络学术会议为开端，会上成 立了 M际神经N络学会（International Neural Network Society，简称 INNS)，迅速在 全世界范围内掀起人工神经网络的研究应用热潮，至今势头不衰。3.2人工神经网络模型人工神经N络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学 模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的 输山函数，称为激励函数（activation function)。每W个节点间的连接都代表一个对 于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的 输出则按N络的连接方式，权重值和激励函数的不同而不同。人工神经网络的模型很多，可以按照不冋的方法进行分类，其中常见的两种分类 方法足：按网络连接的拓扑结构分类和按网络内部的信息流向分类。神经元之间的连接方式不同，N络的拓扑结构也不同。根据神经元之间的连接方 式，可以将神经网络结构分为两大类。(1) 层次型结构。层次型结构的神经网络将神经元按功能分成若干层，如输入 足、中间M (也称为隐M)和输出M，各M顺序相连。M次型结构有3种典型的结 合方式：单纯层次型网络结构、输出层到输入层有连接的层次型网络结构、层内有 互连的层次型网络结构。(2) 互连型机构。对于互连型N络结构，N络中任意两个节点之间都可能存在 连接路径，因此根据网络中节点的互连程度将互连型网络结构细分为3种情况：全 互连型、局部互连型和稀疏互连型。从神经N络内部信息传递方向来分，可以分为两种类型。(1) 前馈型网络。前馈是因网络信息处理的方向是从输入层到各隐层再到输出 层逐层进行而得名(2) 反馈型网络。在反馈N络中所有节点都兵有信息处理功能，而且每个节点 既可以从外界接受输入，同时乂可以向外界输山。3.3人工神经网络的工作原理人工神经网络是由人量的简单基本元件一一神经元相互联接而成的自适应非线 性动态系統。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行 为却非常复杂。人工神经M络反映了人脑功能的若干基木特性，但并非生物系統的 逼真描迷，只是某种模仿、简化和抽象。与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑， 它不是按给定的程序一歩一歩地执行运算，而是能够自身适应环境、总结规律、完 成某种运箅、识别或过程控制。人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神 经M络对手写“A”、“B” W个字母的识別为例进行说明，规定当“A”输入M络时， 应该输出“1，而当输入为“B”时，输出为 “0”。所以网络学习的准则应该是：如果网络做出错误的判决，则通过网络的学习， 应使得网络减少次犯同样错误的可能性。首先，给N络的各连接权值赋予(, 1) 区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、 与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1” 和“0” 的概率各为50%,也就是说是完全随机的。这时如果输出为“1”（结果正确)， 则使连接权值増大，以便使网络再次遇到“ A”模式输入时，仍然能做山正确的判断。 如果输出为 “0”（即结果错误)，则把网络连接权值朝着减小综合输入加权值的方向 调整，其目的在于使N络次再遇到“ A”模式输入吋，减小犯同样错误的可能性。 如此操作调整，当给网络轮番输入若干个手写字母“A”、“B”后，经过网络按以上 学习方法进行若干次学习后，网络判断的正确字将大大提高。这说明网络对这两个 模式的学习已经获得了成功，它已将这两个模式分布地记忆在M络的各个连接权值 上。当网络再次遇到其中任何一个模式时，能够做出迅速、准确的判断和识别。一 般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。3.4人工神经网络的特点人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息 处理体系。通过模仿脑神经系統的组织结构以及某些活动机理，人工神经M络可呈 现出人脑的许多特征，并具有人脑的一些基本功能。(1) 人类大脑冇很强的自适应与自组织特性，后天的学习与训练可以开发许多 各具特色的活动功能。人工神经网络也具有初歩的自适应与自组织能力。在学习或 训练过程中改变突触权重值，以适应周围环境的要求。N网络W学习方式及内容 不M可具冇不M的功能。(2) 泛化能力指对没有训练过的样木，有很好的预测能力和控制能力。特別 是，当存在一些有噪声的样本，网络具备很好的预测能力。(3) 非线性映射能力当对系统很复杂，或者系统未知，系统信息量很少吋， 建立精确的数学模型很困难吋，神经M络的非线性映射能力则表现出优势，因为它 不需要对系统进行透彻的了解，但是N时能达到输入与输出的映射关系，这就大大 简化设讣的难度。(4) 高度并行性并行性具有一定的争议性。承认具有并行性理由：神经N络 是根据人的大脑而抽象山来的数学模型，由于人可以同时做一些事，所以从功能的 模拟角度上看，神经网络也应具备很强的并行性。3.5人工神经网络的发展趋势及研究热点人工神经网络特冇的非线性适应性信息处理能力，克服了传统人工智能方法对 于直觉，如模式、语音识別、非结构化信息处理方面的缺陷，使之在神经专家系统、 模式识別、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它 传统方法相結合，将推动人工智能和信息处理技术不断发M。近年来，人丄神经网络正向模拟人类认知的道路上更加深入发展，与模糊系統、 遗传算法、进化机制等结合，形成计箅智能，成为人工智能的一个重要方向，将在 实际应用中得到发M。将信息几何应用于人工神经网络的研究，为人工神经网络的 理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电 结合的神经计算机为人工神经网络的发展提供了良好条件。神经网络在很多领域已得到了很好的应用，但其需要研究的方面还很多。其中， 具有分布存储、并行处理、自学、自组织以及非线性映射等优点的神经M络与其 他技术的结合以及由此而来的混合方法和混合系统，己经成为一大研究热点。由于 其他方法也冇它们各自的优点，所以将神经网络与其他方法相結合，取长补短，继 而可以获得更好的应用效果。目前这方面工作有神经M络与模糊逻辑、专家系统、 遗传算法、小波分析、混沌、粗集理论、分形理论、证据理论和灰色系统等的融合。3.6神经网络BP算法BP (Back Propagation)网络是 1986年由 Rumelhart 和 McCelland 为首的科学家 小组提出，是一种按误差逆传播算法训练的多层前馈网络，是H前应用最广泛的神 经N络模型之一。BPM络能学习和存贮大量的输入-输出模式映射关系，W无需事前 掲示描述这种映射关系的数学方程。它的学习规则是使用最速降法，通过反向传 播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑 结构包括输入层（i叩ut)、隐藏层(hide layer)和输出层(output layer)。含有隐藏层的多层前馈网络能大大提高神经网络的分类能力，但长期以来没有提 出解决权值调整问题的游戏算法。1986年，Rumelhart和McCelland领导的科学家小 组在Parallel Distributed Processing一书中，对具有非线性连续转移函数的多层前 馈网络的误差反向传播（Error Back Proragation，简称BP)算法进行了详尽的分析， 实现了 Minsky关于多反N络的设想。由于多M前馈M络的训练经常釆用误差反向传 播算法，人们也常把将多层前馈网络直接称为BP网络。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程 组成。正向传播吋，输入样木从输入层传人，经各隐反逐fe：处理后，传向输出层。 若输出层的实际输山与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误 差反传足将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层 的所有単元，从而获得各层单元的误差信号，此误差信号即作为修正各単元权值的 依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行 的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输 出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。标准BP算法的软件流程图如图3.1所示：、开始/图3.1标准BP算法流程图M然BPN络得到丫广泛的应用，似自身也存在一些缺陷和不足，主要包括以下 儿个方面的问题。首先，由于学习速率是固定的，因此N络的收敛速度慢，需要较长的训练时间。 对于一些复杂问题，BP算法需要的训练时间可能非常长，这主要足由于学习速率太 小造成的，可采用变化的学习速率或Q适应的学习速率加以改迸。Y结束图3. 2改进BP算法流程图其次，BP算法可以使权值收敛到某个值，但并不保证其为误差平面的全局最小 值，这是因为采用梯度下降法可能产生一个局部最小值。对于这个M题，可以采用 附加动量法来解決。再次，M络隐含反的反数和単元数的选择尚无理论上的指导，一般是根据经验或 者通过反复实验确定。因此，M络往往存在很大的冗余性，在一定程度上也増加了 网络学习的负担。最后，N络的学习和记忆具有不稳定性。也就是说，如果增加了学习样木，训练 好的M络就需要从头开始训练，对于以前的权值和阈值是没有记忆的。但是可以将 预测、分类或聚类做的比较好的权值保存。木文解决BP算法收敛速度慢的方法：采用0适应学习速率动量梯度降反向传 播算法对M络进行训练，即加入动量项和以学过程中整体误差变化为依据的变学 习率方案。训练和自适应调整函数为tmingdx，该函数结合/动量梯度下降算法和自 适应学习速率梯度降算法，从而使N络的训练速度和稳定性有了进一步提高。改 进BP算法的训练流程图如图3.2所示：n为学:速率，a为动量因子，小为学习速 率增长比例冈子，日为学习速率下降比例冈子。4电力系统短期负荷预测建模及MATLAB实现 4.1基于神经网络的电力系统短期负荷预测建模 4.1.1正向建模止向建模足训练一个神经网络表达系统止向动态的过程，这一过程逑立的神经网 络模型称为正向建模。正向建模的结构如阁4.1所示，其屮神经N络与待辨别的系统 并联，两者的输出误差用做网络的训练信号。显然，这是一个典型的有教师学习问 题，实际系统作为教师，向神经网络提供算法所需的期槊输出。当系统足被控对象 或传统控制器时，神经N络多采用多层前向N络的形式，可直接选用BPM络或它的 齐种变形。向当系统为性能评价器吋，则可选择再励学习算法，这吋网络既可以采 用具有全局逼近能力的网络，如多层感知器，也可选具有局部逼近能力的网络，如 小脑模沏关节控制器等。本文采用这种模沏建模。图4.1正向建模结构4.1.2逆向建模建立动态系统的逆模型，在神经网络控制屮起着关键的作用，并且得到了特別广 泛的应用。直接逆向建模也称为广义逆学习，如图4.2所示。从原理上说，这是一种 最简单的方法。巾图可见，拟预报的系统输出作为网络的输入，N络输出与系统输 入比较，相应的输入误差用于训练，冈此网络将通过学习建立系统的逆模型。但足 如果所辨別的非线性系统是不可逆的，利用上述方法，将得到一个不正确的逆模型。 因此，在建立系统逆模型吋，可逆性应该事先有所保证。卫一!动态系統-乂uN神经网络_图4. 2逆向建模结构4.2电力系统短期负荷预测的MATLAB实现电力负荷预测在实时控制和保证电力系统经济、安全和可靠运行方面起着重要作 用，尤其是短期负荷预测对电力系统运行和生产费用兵有非常重大的影响。负荷预 报的误差将导致运行和生产费用的剧增，因此精确的负荷预测对于电力部门和供电 系统都有着重要的经济意义。电力系统负荷变化受多方面的影响，一方面，负荷变化存在着由未知不确定的因 素引起的随机的波动；另一方面，又具有周期变化的规律性，这也使得负荷曲线具 有相似性。同吋，由于受天气、节假日等特殊情况的影响，又使负荷变化出现差异。 由于神经N络所具有的较强的非线性映射等特性，它常被用于负荷预测。4.2.1电力系統短期负荷预测问题描述电力系统短期负荷预测问题的解决办法和方式可以分为统计技术、专家系统法和 神经N络法等3种。统计技术中所用的短期负荷模型一般可归为时间序列模型和回 归模型，其中时间序列模型因不能充分利用对负荷性能有很大影响的气候因素和其 他因素而导致结果不精确，回归模型因需事先知道负荷与气象变量之间的函数关系 而有一定网难。专家系统法的难点在于把专家知识和经验等准确地转化为一系列规 则。对于抽取和逼近负萜曲线这种非线性函数，神经网络是一种很合适的方法，其优 点在于它兵有模拟多变量而不需要对输入变量做复杂的和关假定的能力。它不依靠 专家经验，只利用观察到的数据，从训练过程中通过学习来抽样和逼近隐含的输入/ 输出非线性的关系。近年来的研究表明，相对于前两种方法，应用神经网络技术进 行电力系统短期负荷预测可获得更高的精度。在对短期负荷进行预报前，一个特别重要的问题是如何划分负荷类型或日期类 型。统计已经发表的文献资料，大体有以下儿种划分模式：(1) 将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天) 等W种类型。(2) 将一周的7天每天都看作一种类型，共有7种类型。(3) 将一周分为虽期一、呈期二到虽期四、呈期五、呈期六、呈期天等5种类 型。本文将分别采用以上三种负萜划分模式对安徽省某市1998年6 的电力负荷进 行预测，并依次进行纵向比较和横向比较，对三种负荷模型电力负荷预测精度进 行比较分析。4.2.2输入/输出向量设计在预测日的前一天中，每小时对电力负荷进行一次测量，这样一来，一天共测得 24组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必 然和前一时刻的值有关，除非出现重大事故等特殊情况。所以将前一天的实时负荷 数据作为网络的样本数据。为了体现温度、气候对电力负荷的影响，我们把预测F1的最高温度和最低温度也 当作神经M络的两个输入变量，输入变暈即为一个26维的向暈。目标向景就是预测 曰当天的24个负荷值，即一天中每个整点的电力负荷，这样一来，输出变量就成为 个24维的卩量。获得输入和输出变量后，要对其进行归一化处理，将数据处理为区间0，1之间 的数据。归一化方法有许多种形式，这里采用如下公式：木文以安徽省某市1998年5月4 H至6月14日的整点有功负荷值及最高和最 低气温数据作为网络的训练样本来训练网络，然后对1998年6/1 15日至21日的电 力负荷进行预测。该市1998年5 )J 4円至6 JJ 21円的用电负荷及气温数据參考附 录I 0在样本中，输入向量为预测日前一天的电力实际负荷数据，目标向量是预测日当 天的电力负荷数据。由于这都是实际的测量值，因此，这些数据可以对网络进行有 效的训练。如果从提高N络精度的角度出发，一方面可以增加N络训练样木的数目， 另一方面还可以增加输入向量的维数。即：或者增加每日的测量点，或者把预测日 前儿天的负荷数据作为输入向量。目前，训练样木数目的确定还没有通用的方法，一般认为，样木过少可能使得N 络的表达不够充分，从而导致网络外推能力不够；而样本过多可能会山现样本冗余 现象，既增加了网络的训练负担，也可能出现信息量过剩使得网络出现过拟合现象。 总之，样木的选取过程需要注意代表性、均衡性和用电负荷的Q身特点，从而选择 合理的训练样本。4.2.3短期负荷预测的BP网络设计本文利用基于BP算法的人工神经网络来预测未来一口的24点负荷。根据BP网 络的设计网络，一般的预测问题都吋以通过单隐层的BP网络实现。由于输入M量冇 26个，所以网络输入层的神经元有26个，而输出向量有24个，所以输出层中的神 经元应该有24个。根据Kolmogorov定理：对于任意连续的函数，可以有一个三层 网络来精确地实现它，网络的输入层冇m个单元，隐含层冇2m+l个单元，输出层 有n个单元。隐含层节点数的值为53.预测24点负荷的BP网络如图4.3所示。输;Iiji隐层 输入层图4. 3预测24点负荷的BP网络N络中间M的神经元传输函数采用S型正切函数tansig,输出反神经元传递函数 采用S型对数函数logsig。这是因为函数的输出是归一化的数据，在区间丨0, 11中， 刚好满足M络输出的要求。创建一个满足上述要求的BPN络，代码如： threshold=|0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 11; net=newff(threshold，53,24， tansig，logsig ，traingdx)；其中，变量threshold用于规定输入向量的最大值最小值，规定了N络输入向量 的最大值为1,最小值为0。隐层节点数为53。traingdx表示设定N络的训练函数 为traingdx,该函数为采用Q适应学习速率动量梯度降BP算法的训练函数。4.2.4网络训练网络经过训练幻才可以用于电力负荷预测的实际成用。考虑到网络的结构比较复 杂，神经元个数比较多，需要适当增大训练次数和学习速率。训练参数的设定为： 训练次数10000次，训练口标0.001,学习速率0.1,学习速率增长比例因子1.05, 学习速率降比例因子0.8,其它参数使用缺省值。训练代码如下： net.trainParam.epochs= 10000;net.trainParam.goal=0.001; net.trainParam.Ir=0.1; net trai nParam I r一 i nc= 1 05; net.trainParam.lr 一 dec=0.8;net=train(net，LOAD，FLOAD); %LOAD 为输入向量，FLO AD 为 H 标向量查看实验结果可知：经过训练后，BP网络误差可达到要求。训练好的N络还需要进行测试才可以判定是否可以投入实际应用。测试数据利用 附录I中1998年6；的电力负份数据来预测用电负份，以检验预测误差能否满足要 求。以模型二6j-j21円的负荷预测为例，其代码如下：LOAD= 0.12390.08350.01220.26060.36400.51700.54820.39710.45070.58980.70460.24810.14290.38100.11690.03260.01640.21460.26210.38700.41730.31380.34320.42130.48010.23980.23810.476