（电力系统及其自动化专业论文）地区电网短期负荷预测研究.pdf

地区电网短期负荷预洲研究英文摘要 a b s t r a c t s h o r t t e r n ll o a df o r e c a s t i n ga sab a s i ca r i t h m e t i ci se s s e n t i a lt ot h eo p e r a t i o no f p o w e rs y s t e m t h er e s u l to fs h o r t - t e r ml o a df o r e c a s t i n gi st h ef o n n d a t i o nt h a tt h e p o w e rs y s t e ma r r a n g e sg e n e r a t i o np l a no re s t i m a t e ss t a n d b yc a p a c i t yb a s eo n ，t h e r e s u l t sa c c u r a t e l yo rn o th a v es i g n i f i c a n c et ot h es a f ea n de c o n o m i co p e r a t i o no ft h e g r i d t h e r e f o r eh o wt oi m p r o v et h ea c c u r a c yo fs h o l t t e r ml o a df o r e c a s t i n gh a sb e e na i m p o r t a n c ep r o b l e mt h a tp e o p l ec o m m i t t e t ：lt or e s e a r c h c u r r e n t l y ，t h e r eh a v em a n yl i t e r a t u r e sa b o u ts h o r t t e r ml o a df o r e c a s t i n gd o m e s t i c a n df o r e i g n b u tb e c a u s em a n yc o m p l e xf a c t o r sa f f e c tt h el o a d 。a n dl o a du n c e r t a i n t y ， m a k i n gs h o r t - t e r ml o a df o r e c a s t i n gh a sn o tb e e nav e r ys a t i s f a c t o r ys o l u t i o n a tf i r s t ， t h i sp a p e re x p o u n d so nt h ec o n c e p ta n dm e a n i n go ft h es h o r t t e r ml o a dt b r e c a s t i n g t h e nt h i sp a p e ri n t r o d u c e st h ec u r r e n ts t a t u so fr e s e a r c ho nt h es h o r t t e r ml o a d t b r e c a s t i n gb r i e f l y ，a n da n a l y s e st h ea d v a n t a g e sa n dd i s a d v a n t a g e so ft h ee x i s t i n g t y p e so fl o a df o r e c a s t i n gm e t h o d s ， s e c o n d l y ，m en e u r a ln e t w o r kt h e o r yi sd i s c u s s e db r i e f l yi nt h i s p a p e r a tt h e s a m et i m e ，t h ep a p e ra n a l y s e st h et w of o r w a r d t y p en e t w o r k sd e t a i l e d l ya n da l s o a s c e r t a i n s 山e i rd i f f e r e n c e s i nt h i s p a p e rt h ee l e c t r i c i t yl o a dc h a r a c t e r i s t i c sa b o u td i s t r i c tp o w e rg r i da r e a n a l y z e da n dd i s c u s s e dd e e p l y f o ras p e c i f i cp o w e rg l i d ，s o m ep r e d i c t a b l ef a c t o r s t h a ta f f e c te l e c t r i c i t yl o a d sc h a n g ea r er e s e a r c h e d t h i sp a p e ra l s oe x p l o r e sd e t a i l e d l y t h es p e c i f i cr e l a t i o n sb e t w e e nt h ev a r i o u sf a c t o r sa n dl o a dc h a r a c t e r i s t i c s o nt h eb a s i so fa l l i n d e p t ha n a l y s i sa b o u tt h el o a dc h a r a c t e r i s t i c sa n dn e u r a l n e t w o r k ，ac a s c a d en e u r a ln e t w o r k ( c n n ) l o a df o r e c a s t i n gm o d e l sb a s e do nb p n e t w o r ka n dr b fn e t w o r ki sp u tt b r w a r di nt h i sp a p e r i nt h i sm e t h o dt h ei n f l u e n c e s o fm e a s u r a b l ef a c t o r sa n dp a s tl o a do nl o a df o r e c a s t i n ga r es e p a r a t e l yc o n s i d e r e db y t w os u b n e t w o r k s i nt h ep r o c e s so ft h em o d e lr e a l i z i n g ，a l lk i n d so fi n p u tv a r i a b l e s a n dt h ec o r r e l a t i v ef a c t o r sa r ed e a l e dw i t hi nar e a s o n a b l ea n dq u a n t i f yt r e a t m e n t f i n a l l yt h i sm o d e li sa p p l i e dt on o u n a ld a yl o a df o r e c a s t i n g t h ef i n a lr e s u l t so ft h e a p p l i c a b l ee x a m p l es h o wt h a tt h ef o r e c a s t i n gr e s u l t s p r e c i s i o no f t h ec a s c a d en e u r a l 1 t 地区电网短期负荷预测研究英文摘要 n e t w o r kl o a df o r e c a s t i n gm o d e li sm o r es a t i s f a c t o r y t h a ti st o s a y t h a tt h e f o r e c a s t i n gm o d e lo rt h ef o r e c a s t i n gm e t h o dh a sap r a c t i c a lv a l u e f o rh o l i d a yl o a df b r e e a s t ，t i f f sp a p e rp r e s e n t sas e p a r a t es o l u t i o n a c c o r d i n g h o l i d a yl o a dc h a r a c t e r i s t i c s ，g r e ym o d e lw i t ht h es t r o o g p o i n to fp o o ri n f o r m a t i o ni s p u tf o r w a r d t h e nt h ei m p r o v e dm o d e li sa p p l i e dt oh o l i d a yl o a df o r e c a s t i n g o n e c a l c u l a t i o ne x a m p l es h o w st h a tt h ef o r e c a s t i n gr e s u l t sh a v eah i g h e rp r e c i s i o n s ot h i s c o n c l u s i o nc a r ld e m o n s t r a t et h et e a s i b i l i t yo ft h ea p p l i c a t i o no ft h em o d e l w r i t t e nb y ：l i uj i a x u e ( p o w e rs y s t e ma n di t sa u t o m a t i o n ) d i r e c t e db y ：v i c e p r o f e s s o ry a n gh u p i n g k e yw o r d ：s h o r t - t i m el o a df o r e c a s t i n g a r t i f i c i a ln e u r a l n e t w o r k c a s c a d en e u r a ln e t w o r km o d e l g r e ym o d e l 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得南昌大学或其他教育 机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡 献均已在论文中作了明确的说明并表示谢意。 学位论文作者签名：刘家学匆l 锣孥 签字日期：2 0 0 6 年5 月1 5 日 学位论文版权使用授权书 本学位论文作者完全了解 壹璺圭鲎 有关保留、使用学位论文的规定， 有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和 借阅。本人授权南昌文学可以将学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：刘家学参1 喜，爹 签字日期：2 0 0 6 年5 月1 5 日 学位论文作者毕业后去向： 工作单位： 通讯地址： 导师签名：杨胡萍 确稍钰 签字日期：2 0 0 6 年5 月1 5 日 电话： 邮编： 地区电网短划负荷预测研究第一章绪论 第一章绪论 1 1 负荷预测的概念及作用 电力系统的任务是尽可能经济地提供可靠和l 合乎标准的电能，以随时满足各 类用户的负荷需求。通常所说的负荷即指电力需求量或者用电量，而需求量是指 能量的时间变化率，即功率。相对于用户而言，用电负荷是指连接在电网的用户 所有用电设备在某一瞬问所消耗的功率之和。 电力负荷预测就是在充分考虑一些重要的系统运行特性、增容决策、自然条 件与社会影响的条件下，研究或利用一套系统地处理过去和未来负荷的数学方 法，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数值川。 电力负荷预测是电力系统调度、发电、计划、规划等管理部门的重要工作之 一，电力系统规划和运行调度都应以未来电力负荷的预测为依据。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，保持电劂的安全稳定性，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， 有效地降低发电成本并提高经济效益和社会效益。 总之，提高负荷预测技术水平有利于计划用电管理，有利于台理安排电网运 行方式和机组检修计划，有利于节约能源和降低发电成本，有利于制订合理的电 源建故规划，有利于提高电力系统的经济效益和社会效益。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显著标志之，尤 其在我国电力事业空前发展的今天，电力负荷预测问题的解决已经成为电力企业 所面临的重要而艰巨的任务。相应的，如何充分的利用现有的数据资料、采用正 确的预测理论和方法、建立相应的预测模型、提高负荷预测的精度已经成为电 力企业重要的研究课题之一。 1 2 短期负荷预测方法综述 1 2 1 短期负荷预测的概念与意义 一般说来，预测区的日负荷和周负荷预测称为短期负荷预测，分别安排预测 区的日调度计划和周调度计划，包括确定机组的启停、调峰、1 水火电的协调、联 络线交换功率、水库调度等。短期负荷预测是在己知历史负荷与气象数据的基础 地区l 乜刚短期负荷预测研咒 第一章绪论 上，分析影响电力负荷的因素，提取历史负荷、各相关因素( 天气因索、日期类 型等) 和未来负荷之间的内在关系，实现对未来电力负荷需求( 日负荷或周负荷 需求) 的预测过程【2 】o 当前模拟电力市场开展的如火如茶，各省、市、县级电力调度部门都迫切希 望使用灵活而准确的负荷预测系统，以提高电力企业的经济效益。为此，广大地 市级电力部门都竞相开展关于负荷预测方面的研究工作，以切实提高负荷预测的 精度，从而确保电网运行的经济性。 短期负荷预测的意义在于： ( 1 )对于帮助发电单位确定燃料供应计划，制定在保证正常供电的情况 下台理地安排机组的检修计划，短期负荷预测是必不可少的。 ( 2 )能对运行中发电厂的出力要求提出预告，使得对发电机组出力变化 的情况事先得以估计，对于装机容量不大的孤立电网，短期负荷预测更是必要的。 ( 3 )对于一个大的电网，为了经济和合理的安排本网内各发电j j t 2 j j _ 的启 动和停机，以使系统在要求的安全范围内，为了保持必要的旋转储备容量的耗费 最小，短期负荷预测也是必须的。 ( 4 )当电网进行计算机在线控制时，应当使用短期负荷预测的信息来实 现发电量的合理调度，满足给定的运行要求，同时使发电成本最小。 1 2 2 短期负荷预测的主要影响因素 从短期负荷预测的角度来讲，影响负荷变化的因素主要有如下几点弘l ： ( 1 ) 经济因素。通常反映在随着国民经济的发展和人民生活水平的提高 而引起的负荷的自然增长，主要影响负荷的增长和下降趋势，其周期一般较长， 通常超过半个月。 ( 2 )时间因素。包括与季节性、工作日、休息e l 和法定节假日等因素有 关的变化。一般来说，负荷是呈周期性变化的，主要表现在每天的负荷曲线大体 相同。但是这种周期性变化会受到季节性的影响，会随着季节的改变、口照时间 的变化而有所改变；而双休f i 的负荷水平比工作日的为低，法定节假日则更有明 显的幅度下降和曲线形状的变化。 ( 3 )气象因素。气象因素对负荷的变化有较大的影响，而温度变化则是 其中最重要的影响因素。湿度、云度、降水量及舒适度指数也会对负荷的变化产 生影响，特别是在夏季表现的尤为明显。 地区电网短期负荷预测研冗第一章绪论 ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! 自! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! 目! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! 鼍! 皇 ( 4 ) 偶然因素和随机干扰。有些偶然因素也会使负荷产生较大的变化， 例如一些大负荷用户的用电调整或者重大的政治经济活动等。另外，负荷本身还 会存在着一定的随机变化。 1 2 3 负荷预测的误差分析 由于负荷预测是一种对未来负荷的估算，它与客观实际还是会存：庄着一定的 蓑距，这个差距就是预测误差。预测误差与预测结果的准确性关系密| ；! 】。误差愈 大，准确性就愈低；反之，误差愈小，准确性就愈高。 ( 1 ) 影响负荷预测准确性的因素 4 】 a 历史数据。任何负荷预测的模型都是以历史负荷数据为依据的，通过分 析过去的情况来预测将来的负荷变化。但由于历史数据的不完烂，甚至还存在着 伪数据，从而造成预测结果存在着一定的误差。 b 天气的影响。正如前面所述，负荷变化受气象条件、季节变化的影响， 因此，负荷预测必须考虑天气( 尤其是温度) 的影响。但是有时我们即使知道气 象变化会对负荷造成影响，然而要定量地准确判断它们的影响，常常是很困难的。 而且由于天气预测的不准确性，我们即使知道了电力负荷和天气之间的函数关 系，也很难做出准确的预测。 c 预测模型的选择。用于预测的模型很多，各种模型又有各种各样的形式， 但是没有一种足够完善的模型或形式适应于所有负荷预测的场合。因此，对于某 个预测区域采用哪种预测模型最为合适，要考虑很多因素，甚至要试验决定。显 然，选择不当就会造成较大误差。 d 人工干预。最近几年来，由于我国电力供需不能平衡，经常要人为干预 ( i l - o n 拉闸限电等) 才能进行平衡，这就人为破坏了负荷变化的内在规律，也就 相应影响了负荷预测的准确度。 ( 2 )误差分析指标 由于预测误差是客观存在的，如果能将预测误差控制在合理的范围内，那么 这样的预测结果也算是成功的。下面，就给出几种主要的误差计算分析考核指标： a 绝对误差( a b s o l u t ee r r o r ) a e ( t ) = l l ( d ，) 一上( f ) ( 卜1 ) 其中：z ( o 为真实值。 础匹电州碰朋贝侗删锻u 删r 九 粥一草鞴地 , 1 1 i ! 鼍! ! ! 曼尝皇曼蔓! 苎! 苎! ! ! ! 曼! 曼鼍鼍曼曼曼! ! 曼蔓! ! ! 曼皇皇曼曼曼曼曼蔓皇! ! ! ! 苎苎曼曼曼! 皇兰! ! ! ! ! 曼曼! ! 皇曼 b 相对百分误差( r e l a t i v ep e r c e n t a g ee r r o r ) r p e ( 归唑拶慨 ：a ，e 。( t _ _ 2 + 1 0 0 ( 1 2 ) = 三( f ) 、7 c 平均绝对误差( m e a n a b s o l u t ee r r o r ) m a e ：三窆爿点，o ) ( 1 - 3 ) 智 d 平均绝对百分误差( m e a na b s 0 1 u t cp e r c e n t a g ee r r o r ) m a p e = 去喜等l 畛 m 。， 月智，( ，) 、 e 均方误差( m e a ns q u a r ee r r 。r ) m s e = 吉磐( 如- l , ( f ) ) 2 = i 1 善n4 鳓 ( 1 _ 5 ) f 日句精千顶i 0 j i | 误葬 + 1 0 0 ( 1 - 6 ) g 日负荷准确率 一。= 1 一e j( 1 7 ) 1 2 4 短期负荷预测的研究现状 负荷预测是近几十年发展起来的研究课题，随着计算机技术的迅速发展，其 精度和速度逐步提高。在国外，这项工作开展的比较早，上世纪五、六十年代就 开始了。自上世纪八十年代以来，特别是近年来，这一课题的研究一直比较活跃。 每年都有大量的论文发表，并取得了一定的实用效果。 时间序列法的思想是基于把负荷行为看作是一种只具有季节、星期和日周期 性的时间序列信号。利用这些周期性就能对给定时间下的负荷进行粗略的估计。 预测值和实际值之差可以看作一个随机过程。通过分析这一随机信号，可以得到 4 厚 地区电咧短期负衙预坝研咒第一苹绪沱 比较准确的预测结果。分析这种随机信号的方法包括卡尔曼滤波、b o x j e n k i n s 法、自回归动平均( a r m a ) 模型和l 普分析法。这种方法由于没有考虑影响负荷变 化的因素，一般来说，只有在影响负荷行为的自然条件和社会条件不发生突变的 情况下，时问序列法才能很好的工作。如果这些因紊发生了变化，时问序列法就 不能作出准确的预测。而且这利方法由于利用大量复杂的关系式，计算时间长， 预测结果可能不收敛【5 j 【6 】 回归分析法从研究负荷与相关因素的因果关系入手，试图找出天气变量和负 荷需求之间的函数关系【7 。一般的回归法利用负荷函数的线性或分段线性表达 式。但是，负荷与天气变量之间的函数关系不是静态的，而是随空间和时间变化 的，是非线性的。回归算法对这种动态的、非线性的关系无法处理，它只是预测 出一个平均值；非线性回归算法也只是通过代换将非线性关系转化为线性关系， 加之运算复杂，因而也不是理想的预测方法。 概率统计追求大样本量，必须知道分布规律、发展趋势，而时问序列法只致 力于数据拟合、对规律性的处理不足。以灰色系统理论为基础的灰色预测技术， 具有要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、预测精度 高等优点，可在数据不多的情况下找出某个时期内起作用的规律，建立负荷预测 模型口1 1 9 1 ，。该方法广泛应用于短期负荷预测，在国内多个省份( 如河南、山东) 的实例计算表明【1 0 l l “】，灰色系统具有以上诸优点。 小波分析( w a v e l e t ) 是2 0 世纪数学研究成果中最杰出的代表。它是一种时 域一频域分析方法，在时域和频域上同时具有良好的局部化性质。小波变换能将 各种交织在一起的不同频率混合组成的信号，分解成不同频带上的块信息。对负 荷序列进行正交小波变换，投影到不同的尺度上，各个尺度上的子序列分别代表 原序列中不同“频域”的分量，可以清楚地表现负荷序列的周期性【1 3 】。以此 为基础，对于不同的子负荷序列分别进行预测。由于各个子序列的周期性显著， 采用周期自回归模型会得到更为精确的预测结果。最后，通过序列重组得到完整 的负荷预测结果，它比直接用原负荷序列进行预测要来得准确。但是该方法实现 起来比较复杂，目前还处于试验研究阶段。 人二l = ：神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 可以模仿人的大脑做智能 化处理，对大量非结构性、非确定性规律具有自适应能力，有信息记忆，自主学 地区电咧短期负荷豫测研究g - g 绪论 习、知泌推理和优化计算的特点。特别是，其自学习和自适应功能是常规算法和 专家系统技术所不具备的。a n n 理论的提出，使在负荷预测中全面考虑各种相 关因素的影响成为可能，从而为精确的负荷预测奠定了理呛上的基础。a n n 刚 络通过学习，负荷与各种相关因素之间复杂的非线性关系就内含在了a n n 网络 的权值中，而不需要明确的指出负荷和各种相关因素之间的数学表达式。这样当 对a n n 训练完成以后，它就像一个黑匣子，我们可以不再考虑它的内部结构和 参数，只需要把相应的参数从网络的输入端输入，我们就会在网络的输出端得到 个综合考虑各种相关因素后的负荷预测值。 人工神经网络预测法被认为是当前一种非常有效的负荷预测技术，在国内外 已经取得了许多成功的应用实例1 4 【1 6 1 1 1 7 】【1 8 】，这些论文采用了一些改进神经网 络的方法来进行预测，一般有两种途径。第类包括使用启发式信息的技术，这 是源于对标准反向传播算法误差曲面特定性能的研究。这些启发式技术包括可变 的学习速度，使用动量和改变比例变量等等。另一类是标准数值优化技术。其实， 训练前向神经网络减少均方误差只是一个数值优化的问题。由于数值优化作为一 个重要的研究课题已经有四五十年了，因而从大量已有的数值优化技术中选择快 速训练算法是比较合理的。主要包括共轭梯度算法和l e v e n b e r g m a r q u a r d t 算法 ( 牛顿算法的变形) 等等。综合以上所述，本课题也选用人q - j , 经网络( a n n ) 作为预测手段构造短期负荷预测模型，对其在短期负荷预测方面的应用进行研究 和探讨。 、 1 3 本文主要的研究工作 本文的研究对象是一地区电网，其主要研究任务是根据地区电网的历史负荷 数据和历史气象数据，在对该电网的电力负荷特性进行详细的统计分析的基础 上，提出两种建模方案：对工作日和休息日建立统一的级联神经网络预测模型， 并用历史数据对级联神经网络模型进行训练、测试和预测；对节假日建立灰色理 ： 论预测模型，并用历史数据对模型进行校验和预测。 对于电力负荷预测模型来说，最重要的评价指标就是模型预测的精度，模型 的精度指标直接影响到模型的实际应用前景。有关文献表明，在英国l 的短期 负荷预测误差将引起每年的运行成本的增加高达1 0 0 0 万英镑( 1 9 8 4 年水平) ，而 在挪威，预测精度每提高1 5 ，就可以节约3 0 0 m w 的发电容量【l 。尽管这些数 6 地区电网短期负荷预测研究第一章绪论 字只是针对特定的地区的一个估算，但已足以说明提高负荷预测精度的意义。 鉴于此，本文拟以“地区电网短期负荷预测研究”为题安排以下主要内容： ( 1 ) 绪论部分。阐述了负荷预测和短期负荷预测的相关概念、意义和作 用等。分析并介绍了短期负荷预测的主要影响因素和一些误差分析指标。并对当 前短期负荷预测的研究现状作了适当的阐述和分析。 ( 2 )人工神经网络基本理论研究。研究神经网络的基本原理、特征和一 般模型，分析了神经网络的基本学习方式和学习算法。重点研究了两种前馈型神 经网络( b p 网络和r b f 网络) 的基本原理和其计算过程。并对两种网络之间的 差异进行了深入的探讨和分析比较。 ( 3 )实例电网的特性分析。本文以南昌电网作为计算实例，对电网的历 史数据进行了详尽的统计分析，找出了导致电网负荷特性发生变化的一些具体的 影响因素，并通过大量的图表枚举详实而具体地分析论证了这些因素对负荷变化 起影响作用的存在性和确定性。这些分析对后续的建模思路起着引导和间接决定 的作用。 ( 4 )预测模型的构建和预测过程。这是本文的核心所在。短期负荷预测 是以历史数据为基础，以构建模型为手段，以精度提高为目标的系统过程。本文 通过前述网络理论的研究和负荷特性的分析，提出了负荷和影响因素分离、两种 网络优势互补的级联神经网络模型( c n n ) 。通过对输入变量的量化处理和数据 的预处理，形成必要的样本集，然后对网络模型进行训练、测试和预测。并将预 测结果与其它常用方法的预测结果作以对比，分析计算级联模型的精度指标，研 究论证级联神经网络模型的可行性与实用性。 ( 5 )节假日负荷预测的实现过程。由于节假日负荷的特殊性，本文单独 提出灰色模型用于节假日负荷的预测，以弥补神经网络模型在节假日负荷预测方 面的局限性。在灰色模型建立后，对其进行了检验分析，然后以算例分析了灰色 理论在节假日负荷预测方面的可行性。 地区电网短期负荷预测研究第二章人： 神经网络 第二章人工神经网络 白1 9 4 3 年由心理学家m c c u l l o c h 和数学家p i t t s 提出的第一个神经元生物学 模型m p 模型被提出至今，神经网络系统理论的发展十分迅速。特别是1 9 8 2 年美国加洲工学院的物理学家j o h nh o p f i e l d 提出了h o p f i e l d 神经元网络模型 ( h n n ) 以及1 9 8 5 年r u m e l h a n 和m c e l e l l a n d 等人提出的误差反向传播( e r r o r b a c kp r o p a g a t i o n ，b p ) 算法，使h o p l i e l d 模型和多层前馈型神经网络成为用途 广泛的神经网络模型，已在信号处理、模式识别、目标跟踪、机器人控制、组合 优化等众多领域的应用中获得了引人注目的成果2 0 】 引1 。 人工神经网络是基于生物学中的神经网络的基本原理而建立的，模仿生物脑 结构和功能的一种信息处理系统。神经网络是一个具有高度非线性的超大规模连 续时间动力系统，其最主要的特征为连续时问非线性动力学、网络的全局作用、 大规模并行处理、高度的鲁棒性和学习联想能力。同时它又具有一般非线性动力 系统的共性即不可预测性、吸引性、耗散性、非平衡性、高维性、广泛联结性与 自适应性。因此它实际上是一个超大规模非线性连续时问自适应信息处理系统。 严格说来，神经网络是一个具有如下性质的有向图： ( 1 ) 对于每个节点j 有一个状态变量x ，； ( 2 ) 节点i 到节点_ ，之问有一个连接权系数w 。： ( 3 ) 对于每个节点有一个闽值0 ，： ( 4 ) 对于每个节点定义一个变换函数 x ，q “j ) j 。 图2 1 表示了两个典型的神经网络结构，其中图2 1 ( a ) 为前馈型神经网络， 图2 1 ( b ) 为反馈型神经网络。 地区电网短期负荷预测研究 第二章人工神经网络 节点i l ， 一 。l ，彭 ，一一 f - j 的最终目的是使某一基于e k ( ) 的目标函数达到最小，以使网 络中每一输出单元的实际输出在某种统计意义上最逼近于应有输出。一旦选定了 目标函数形式，误差纠正学习就成为了一个典型的最优化问题。最常用的目标函 数是均方误差判据，定义为： ，= 去8 ；( h ) ( 2 1 2 ) 1 _ 、 k 其中e 是求期望算子，上式的前提是被学习的过程是宽平稳的，具体方法可用 晟陡梯度下降法。直接用t ，作为目标函数时，需要知道整个过程的统计特性，为 解决这一困难通常用j 在时刻n 的瞬时值g ( ) 代替，即 地区电网短期负荷预测研究第二章人工神经网络 ；e ；( n ) ( 2 - 1 3 ) 问题就变为求s 【h ) 对权值m 的极小值，据最陡梯度下降法可得 a w k j ( n ) = 玎e k ( n ) x j ( n ) ( 2 - 1 4 ) 其中叩为学习步长，这就是通常所说的误差纠正学习规则( 或称d e l t a 规则) 。 ( 2 ) h e b b 学习算法【2 8 1 2 9 1 h e b b 学习算法是一种无导学习算法。神经心理学家d o n a l dh e b b 提出的学 习规则可归结为“当某一突触( 连接) 两端的神经元的激活同步( 同为激活或同 为抑制) 时，该连接的强度应增强，反之则应减弱”。用数学方式可描述为： a w g j ( n ) = f ( y k ( n ) ，z ，0 ) ) ( 2 15 ) 式中y k ( n ) ，x ，( ) 分别为w k j 两端神经元的状态，其中最常用的一种情况为： 2 v y 女( n ) x j ( n ) ( 2 1 6 ) 由于a c o 与儿( 儿) ，x j ( n ) 的相关成比例，有时称之为相关学习法则。 ( 3 ) 竞争( c o m p e t i t i v e ) 学习算法 3 0 1 1 3 1 顾名思义，在竞争学习时网络各输出单元互相竞争，最后达到只有一个最强 者激活。最常见的一种情况是输出神经元之间有侧向抑制性连接，这样众多输出 单元中如有某一单元较强，则它将获胜并抑制其他单元，最后只有比较强者处于 激活状态。最常用的竞争学习规则可写为： w 勺c ”，= 巩_ i j 萋翥曩凳：耋莩霎篆c z - t ， 2 3b p 网络的基本计算 反向传播神经网络( e r r o rb a c kp r o p a g a t i o n _ b p 网) 是目前最成熟，应 用最广泛的人工神经网络之一，其基本的网络是三层的前馈网络。包括输入层、 隐含层和输出层。对于输入信号，要先向前传播到隐含节点，经过函数作用后， 再把隐含节点的输出信息传递到输出节点，最后得到输出变量的结果，神经元节 4 地区电网短期负荷预测研究 第二荤人工神经网络 点函数通常取为s 型函数。反向传播算法( b p 算法) 是多层感知器的一种有效学 习算法，它把一组样本的输入输出问题变成一个非线性优化问题，使用了梯度下 降算法，用迭代算法求解权相应于学习记忆问题。加入的隐节点使得优化问题的 可调参数增加，从而可以得到精确的解。b p 网可以实现从输入到输出的任意复 杂的非线性映射关系，并具有良好的泛化能力，能够完成复杂模式识别和函数拟 合等任务。 反传算法的学习过程是由信号的正向传播过程和误差的反向传播过程组成 的，在前一个过程中，输入信息从输入层经隐含单元逐层处理，并传向输出层， 每一层神经元的状态只影响下一层的神经元状态。如果在输出层不能得到期望的 输出，则转入反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层 神经元的权值，使得误差信号最小。 反传算法有两种学习过程，这是由于在求导运算- ：p 假定了所求的误差函数的 导数是所有模式的导数和，因此权重的改变方式就有两种： ( 1 )批处理学习方式，即对提供的所有模式的导数求和，再改变权重。 具体地说，对每个模式要计算出权重误差导数，直到遍历所有模式后再累加，此 时才计算权重变化w 。，并把它加到实际的权重矩阵上，每个训练周期只做一次。 由于权的修正是在输入所有样本再计算其总误差后进行的，所以称为批处理。批 处理修正可以保证总误差向减小方向变化，在样本数多的时候，它比分别处理的 收敛速度快。 ( 2 )按模式学习方式，在计算出每个模式的导数后，求导数和并改变权 重，这就是按模式学习方式。如果学习速率小，那么这两种做法之间就没有多少 差别。若模式的集合非常大，那么，每处理一个模式立即修正权重的做法似乎比 较合适。 现就b p 算法作一简单描述： ( 1 )权值和闽值初始化：随机地给全部权值和神经元的闽值赋以较小的 初始值； ( 2 ) 给定输4 , x k ，和目标输出y 。； ( 3 ) 计算实际输出a ( 正向过程) ； 地区电i 露j 短期负荷预测聊究第二章人工种经网络 ( 4 )修正权值( 反向过程) ：从输出层开始，就误差信号沿连接通路反向 传播，通过修正各权值，使误差最小； 皑= w ? ) 一，礤o e k 例 = 1 蟛一7 7 磷 i - 1 ( 2 一1 8 ) 其中硝为第，层第，个神经元到第，+ 1 层的第f 个神经元的权系数，印为增益项 碳1 为第，层i 节点的k 模式的误差项。且有： 若i 为输出节点，则： 若i 为隐节点，则 耀= 一多( ，一多) ( j ，一多) ( 2 - 1 9 ) 硝) - ( 1 5 f ) ( ，一础) 点譬”以” ( 2 2 0 ) ( 5 )达到误差精度要求，则输出结果。否则回到( 3 ) 。 2 4r b f 网络的基本计算 径向基函数网络( r a d i a lb a s e df u n c t i o n - - 一r b f 网络) 是由j m o o d y 和 c d a r k e n 于2 0 世纪8 0 年代末提出的一种神经网络结构，它是具有单隐层的三层前 馈型神经网络。目前已经证明，径向基网络也能够以任意精度逼近任意的连续函 数啪1 。 径向基函数神经网络是参数化的统计分布模型与非参数化线形感知器模型 相结合的一种前向神经网络模型。根据模式识别理论，对低维空间的非线性可分 问题总可映射到一个高维空间，并使其在此高维空间中线性可分。r b f 的映射 原理就是通过用分解的统计密度分布来表示稀疏样本空间中的非统计混合密度 分布，然后用神经网络连接结构