（电力系统及其自动化专业论文）基于软计算方法的电力系统短期负荷预测研究.pdf

s 0 芒e r太匾理工态学嗄蛔褒年堂位算窭 极小点，所以使用遗传算法来确定神经网络的权值和闽值。 本文使用以上方法预测了太原市短期电力负荷，从预 测结果中可以看出：气象因素影响负荷的变化，但是对于 太原市电网的实际运行情况而言，当处于严重缺电时期， 不考虑气象因素的预测结果要优于考虑气象因素的结果； 四层神经网络的函数映射能力优于三层神经网络。当神经 网络结合遗传算法时，使用四层神经网络的染色体基因数 明显少于三层神经网络，减少了运算时间；为了避免神经 网络陷入局部极小点而结合遗传算法的方法是以增加大量 的运算时间为代价的；要做好负荷特性的研究工作，确定 负荷和影响负荷变化的因素之间的关系，选择合适的相似 日。 总之，本文对太原市电网的短期负荷预测进行了研究， 最后得出了结合遗传算法的四层神经网络是一种有效可行 的方法，下一步要做好减少运算时间及了解负荷特性的工 作。 关键词：短期负荷预测，软计算，神经网络，遗传算法， 学习算法 太原理工大学硕士研究生学位论文 s t u d y0 ns h o r tt e r ml o a d f o r e c a s t i n gb a s e do n s o f tc o 田u t i n g a b s t r a c t s h o r tt e r ml o a df o r e c a s t i n g ( s t l f ) o fp o w e rs y s t e mi s n o to n l yt h ef u n d a m e n t a li n f o r m a t i o no fg r i dd i s p a t c h i n ga n d s c h e d u l i n gd e p a r t m e n t s ，b u t a l s ot h ef o u n d a t i o no f g r i d d i s p a t c h i n g ，o p e r a t i o na n dd e v e l o p m e n t f u r t h e r m o r e ，w i t ht h e p r o g r e s so fp o w e rm a r k e t ，d e m a n ds t a t i s t i ca n df o r e c a s t i n g d a t ao fg r i dl o a dw i l lb ed e c l a r e dt oa l lt h ec o m m u n i t i e sa n di t w i l lb eo n eo fi m p o r t a n tp a r t so f p o w e rm a r k e tr e a lt i m et r a d e t h e r ea r et r a d i t i o n a lm o d e lm e t h o d so f f o r e c a s t i n g s h o r t t e r ml o a d ，s u c ha st i m es e r i e s ，r e g r e s s i o na n a l y s i s ，a n ds o o n l o t so fn o n l i n e a rr e l a t i o n s h i p se x i s tb e t w e e nl o a da n d f a c t o r st h a ti n f l u e n c ei t a r t i f i c i a ln e u r a ln e t w o r k ( a n n ) w a s p u tf o r w a r df o rf o r e c a s t i n gs h o r t - t e r ml o a di n19 9 0 sb e c a u s e o fi t sa b i l i t yt oa p p r o a c ha n yn o n - l i n e a rf u n c t i o n s i nt h es a m e t e r m ，t h eo t h e ri n t e l l i g e n tc o m p u t i n gt e c h n o l o g i e sd e v e l o pf a s t ， s u c ha sg e n e t i ca l g o r i t h m ( g a ) ，f u z z yc o m p u t i n g i nt h et h e s i s ， a n na n da n n c o m b i n i n gw i t hg a a r ea d o p t e dt of o r e c a s t i n g i t i 太原理工大学硕士研究生学位论文 第一章绪论 1 1 本课题研究的目的和意义 电力系统的作用是对各类用户尽可能经济的提供可靠并且合乎 标准的电能，以随时满足各类用户的要求，即满足负荷要求。 对未来可能出现的负荷进行预钡，是电力系统的重要工作。其必 要性在于：系统内的可用发电容量，在正常运行条件下，应当在任何 时候都能满足系统内负荷的要求。假如系统内发电容量不够，应当采 取必要的措施来增加发电容量，如新增发电机组或者从邻网输入必要 的容量：反之，若发电容量过剩，也应当采取必要的措施，如有选择 的停机或者向邻网输出多余的电力。负荷预测不但是电力系统本身增 容规划所必不可少的，同时，也是为筹措建设资金和正确购置设备所 必须具有的信息。因此，未来的电网负荷变化的趋势和特点，是电网 调度部门和规划设计部门所必须掌握的基本信息之一，也是电网的调 度，运行及发展的重要依据。 电力负荷预测工作具有重大的现实意义。电力是商品的概念正逐 步确立于我国市场经济建设过程中，在未来的电力生产和供应等各个 环节中，会更加突出电力商品交易的经济性原则和公开性原则，电网 负荷的需求统计数据和预测数据将作为一项基本信息向全社会公布。 在参与电力市场建设过程中，对电力企业来说，加强电力需求预测工 作意味着在发电和供电过程中更好的占据竞争的主导地位，降低生产 成本，提高企业经济性指标。 太原理工大学硕士研究生学位论文 电力负荷预测工作是建设电力市场，实现促进电网和供电企业参 与市场竞争，提高电力行业经济效益和社会效益的基本工作内容之 一。大量的资料表明，在电力市场的建立和完善过程中，对供电企业 的负荷预测水平提出了更高的要求；反过来，也促进了负荷预测技术 的水平和预测准确度的大幅度提高。一些供电企业开始探索市场经济 条件下的工作模式，经营思路由电力分配及管理，转变为电力经营和 服务。供电企业必将更加重视企业内部挖潜，重点加强需求侧管理和 电力负荷预测工作。 在电力市场条件下，电厂根据电网公布的负荷短期预测结果报 价。如果电网公布的负荷预测数据偏高，将导致系统边际电价过高， 直接影响到电网的经济效益；负荷预测数据如果偏低，将导致系统边 际电价过低，直接影响到电厂的经济效益。因此，在电力市场运行模 式下，负荷短期预测工作对保证电网运行的经济性最为重要。可以说， 准确的实施电力负荷短期预测工作，是我国顺利走向电力市场的基本 条件之一。 1 2 短期负荷预测的国内外研究现状 短期负荷预测工作在我国因地区而异。有的地区是由调度人员人 工进行，通过寻找相似目等直观地预测，完全依赖予调度人员的经验， 且一般仅限于提前一天预测；有的地区采用传统的负荷预测方法，诸 如趋势外推、时间序列法等，因其原理简单，方法成熟而广泛采用。 鉴于电力市场改革在我国的不断深入进行，迫切需要有一个近期负荷 预测系统，提前一天或一周预测系统负荷。9 0 年代初，兴起了人工神 经网络在电力系统负荷预测中的应用热潮。由于其具有很强的鲁棒 2 太原理工大学硕士研究生学位论文 性、记忆能力、非线性映射能力以及强大的自学习能力，引起了负荷 预测工作者的强烈兴趣，近年来在我国出现了很多接近实用水平的成 果。 目前发达国家实施电力市场改革，对电网短期负荷预测精度要 求非常高，除有适应本网特点的电网短期负荷预测系统外，对影响电 网负荷的各种干扰因素也掌握得非常具体和全面，在各种信息的收集 和分析整理上投入了很大的精力。如掌握世界杯足球赛比赛时对负荷 的影响值、球场休息时的影响值及季节温度的影响值等。这种对负荷 特性的准确把握和提取对提高负荷预测精度有很大帮助。美国应用神 经网络方法进行短期负荷预测的系统已经用子实际，并且取得了巨大 的经济效益。美国加洲应用b p 神经网设计了基于3 层c s ( c l i v e n t s e r v e r ) 网络信息结构的电力系统短期负荷预测系统。通 过预测系统，客户能够根据负荷值采取相应措施，最大程度减少损失 并获得较高利润，对于电力市场改革起到了很大的支持作用。 b p 神经网络应用于负荷预测时存在如下缺点：收敛速度慢，可 能收敛到局部最小点，并且知识表达困难，难以充分利用调度人员经 验中存在的知识等。 神经网络本质上是通过对动物脑神经的模拟而产生的优化计算 方法。它是软计算。1 方法中的一个重要内容。软计算的本质与传统的 硬计算不同，其目的在于适应现实世界遍布的不精确性，其中包括： 通过对人类模糊思维方式的模拟而产生的模糊计算方法；通过对自然 界中生物进化机制的模拟而产生的进化计算方法等。目前的研究热点 在于如何将几种智能方法有机的结合在一起，达到优势互补，从而提 高预测精度。 3 太原理工大学硕士研究生学位论文 1 、发展趋势：代表负荷按年的增长； 2 、季节性变化量：表示因气候变化而发生的负荷正常变动； 3 、周期性变化量：发展趋势上的长周期振荡； 4 、随机变化量：由于一些偶然因素所产生的。 随着国民平均耗电量的不断增长( 它本身就体现着敏感于气候的 家用电器的广泛采用) ，对未来负荷需求量的预报中，气候影响就显 得越来越明显。 电力负荷预测工作按预测周期一般分为长期、中期、短期负荷预 测。短期负荷预测主要适用于确定燃料供应计划，安排机组启停，对 电网进行在线控制，实现发电容量的合理调度。进行短期负荷预测时， 有两个基本要求： 1 、必须精确。例如，准确度要求预测相对误差不超过5 ； 2 、短期负荷预测的目的是预测即时负荷。负荷是即时变化的， 因此，要求用以进行短期负荷预测的模型能够随时适应负荷的变化， 所以理想的情况是进行在线预测。 2 1 2 影响负荷特性的主要因素及影响程度 ( 1 ) 经济发展水平及经济结构调整的影响 经济发展水平及经济结构变化对负荷及负荷特性的影响主要体 现在： 经济越发达，经济结构中第三产业比重越大，在不考虑需求侧 管理情况下，负荷率水平将趋于下降，系统峰谷差增大； 经济发展水平越高，电气化程度越高，居民人均生活用电量越 高，影响负荷率水平趋于下降，系统峰谷差增大； 经济发展的不同阶段对负荷及负荷特性变化也有较大影响； 随着经济发展水平的提高，居民用户、第三产业用户和工业用 6 太原理工大学硕士研究生学位论文 户的空调负荷呈现快速增长趋势，在没有有效调节的情况下，导致负 荷率水平下降： 经济发展水平和经济结构对负荷及负荷特性的影响并不是孤 立的。除上述因素外，电价结构、用户的消费理念、作息时间、需求 侧管理项目的实施等也起到较大的影响作用，从而使得各地区负荷及 负荷特性的变化呈现不同的规律性。 ( 2 ) 收入和生活水平提高及消费观念变化的影响 ( 3 ) 电力消费结构变化的影响 电力消费结构是影响负荷特性的重要因素。各行业用户中，工业 用户负荷率水平最高，第一、三产业和居民生活用电负荷率水平较低。 ( 4 ) 气温的影响 我国城乡差别大，农村地区调温负荷所占的比重不大，气温对负 荷及负荷特性的影响不明显。现阶段气温对负荷特性影响较大的主要 是在大中城市。 气温对负荷的影响主要体现在以下方面： 最高温度对最大负荷的影响幅度很大； 气温升高造成峰谷差明显增大； 最高温度对日用电量影响明显。 ( 5 ) 电价的影响 电价对负荷特性的影响包括电价水平影响和电价结构影响两方 面。电价水平的影响涉及因素较为复杂，如经济发展水平、全社会物 价指数、各类用户对电价的承受能力等。电价结构对负荷特性的影响 主要在峰谷电价方面。峰谷电价的执行，一方面抑制高峰负荷的增长， 同时也起到较明显的拉高负荷率的作用。目前，由于所执行的峰谷电 价价差力度不大( 终端用户电价峰谷比大致在2 5 3 ) ，对用户的激 7 太原理工大学硕士研究生学位论文 励作用不大，另一方面，执行峰谷电价用户的范围还不大。 ( 6 ) 需求侧管理措施的影响 9 0 年代以来需求侧管理思想引入我国，1 9 9 5 年后一些项目逐步 推广应用。以在全国开展需求侧管理较好的北京市为例，通过实施峰 谷电价，与用电客户签订转移晚峰负荷协议，推广蓄能用电设备等措 施，取得了较明显的效果。从全国范围来看，实施的需求侧管理措施主 要是推行峰谷电价，蓄冰( 冷) 空调，蓄热电锅炉，节能型电光源和变频 调速电机等。由于这些措施的实施力废和范围不大，因此对全国总体 负荷特性的影响作用并不明显。 ( 7 ) 电力供应侧的影响 拉闸限电的影响 a 、改变负荷高峰期日负荷曲线形状，一般可以削减日高峰负荷， 提高日负荷率； b 、如果在月最大负荷日出现拉闸限电，则将会影响年负荷曲线形 状。 电网改造的影响 改造后，电网结构加强，供电可靠性提高，供电的瓶颈制约明显缓 解，部分用户尤其是农村居民用户和一些原先供电受制约的用户，负 荷特性曲线明显变化。 a 、日最大负荷增大，从而进一步引起月最大负荷增大，年负荷曲 线相应变化； b 、负荷率水平有所下降。 总之，影响负荷特性的诸多因素中，经济发展水平及经济结构调 整、用电结构变化、电价、生活水平提高等因素的影响程度较大，而 且带有全局性；气象因素的影响主要在调温负荷比重较大和经济较发 8 太原理工大学硕士研究生学位论文 达的地区，当气候异常时影响程度较大；需求侧管理、拉闸限电和电 网改造的影响相对较小“3 。 2 1 3 太原地区电力负荷的特点 在进行负荷预测时，我们要注意了解当时的电网运行情况和负荷 的构成情况，不仅要考虑在供大于求时负荷特性的变化，而且要考虑 电力供应紧缺时的情况。太原供电分公司在2 0 0 2 、2 0 0 3 和2 0 0 4 年间 电力供应处于一种紧缺状态，为了说明了这个问题，举出一组数据如 下： 太原供电分公司在2 0 0 3 年全年拉限电7 3 1 0 条次，其中：限电 2 3 0 1 条次，损失电量1 0 9 2 3 2 万千瓦时，拉闸5 0 0 9 条次，损失电量 4 0 5 9 9 3 万千瓦时，合计1 4 9 8 3 1 万千瓦时。电力供求关系的矛盾在 2 0 0 4 年表现的更加突出，由于电网负荷严重短缺，出现了大面积拉 限电，共拉限电1 1 4 万条次，损失电量4 3 亿千瓦时。可见电力供 求关系是十分紧张的。 2 0 0 3 年度太原供电分公司的负荷组成及相比于2 0 0 2 年负荷的 的变化情况如表2 - i 所示。 分析2 0 0 3 年度售电量结构变化情况如下：从售电量增长情况来 看，2 0 0 3 年好于2 0 0 2 年，各类用电量均比上年同期提高了，主要增 长点在大工业、居民生活用电和商业用电，合计占到总增量比的 8 3 3 5 ，其中商业和非居民的增长率高于1 0 ，大工业增长量最大， 同比增售2 5 1 亿千瓦时。从用电结构分析：2 0 0 3 年度用电结构比重 变化不大，其中变化最大的是大工业用电，比重由2 0 0 2 年的6 8 5 4 下降为2 0 0 3 年的6 7 7 7 ，同比下降了0 7 7 ，非普工业和农业比重 稍降，其余三类比重比上年同期均有所上升，上升最高的是居民生活 用电，其次是商业和非居民照明。 9 表2 12 0 0 3 年度太原地区负荷构成及其相比于2 0 0 2 年度的变化情况 t a b l e2 - 1c o n s t i t u t e so f t a i y u a na r e al o a di n2 0 0 3a n di t sc h a n g e c o m p a r i n gt ot h a ti n2 0 0 2 本期比较基期 售电量 比重增长量增长率占总增量比重比较 类别( 万千瓦售电量比重 ( ) ( 万千瓦时)( )比( )( ) 时) 大工业 5 7 2 7 1 8 1 06 7 7 72 5 1 1 2 ，8 8 4 6 95 4 ，3 6 0 7 7 5 4 7 6 0 5 2 26 8 5 4 非普工业9 6 1 7 l6 91 1 3 85 0 7 3 3 76 6 71 0 9 80 0 29 1 0 9 8 3 2l l4 0 农业 6 0 7 6 8 60 7 2 - 2 1 7 80 3 60 0 5- 0 0 46 0 9 8 6 40 ，7 6 居民7 8 0 0 6 7 09 2 36 9 3 1 5 99 7 61 5 o lo 3 37 1 0 7 5 1 l8 ，9 0 非居民 3 6 9 4 1 4 04 3 7 3 6 4 1 5 71 0 9 47 8 80 2 03 3 2 9 9 8 34 1 7 商业5 s 2 3 1 8 l6 5 45 4 5 7 4 ii o ，9 61 1 8 lo 3 l4 9 7 7 4 4 06 2 3 合计8 4 5 1 4 6 ，5 64 6 1 9 5 0 457 8 7 9 8 9 5 1 5 z 从表2 l 可以看出，在太原市负荷构成中，居民和商业负荷占有 相当大的比例，并且呈现出快速增长的趋势。 2 2 电力负荷预测方法 2 2 1 电力负荷预测传统方法的回顾 负荷预测是指在充分考虑系统运行特性和自然条件情况下，根据 历史数据及系统的数学处理方法，在满足一定精度要求的意义下，确 定未来某特定时刻的负荷数值。 电力负荷预测的核心是预测的技术方法，即分析电网的实际负荷 特性，结合实际运行情况，建立合理、准确的预测数学模型，设计高 1 0 太原理工大学硕士研究生学位论文 以惊人的速度处理由感知得来的不完整信息。神经细胞比电子电路门 器件的工作速度要低1 0 6 倍，但是人脑处理视觉和听觉信息的速度却 比现代计算机快得多。 受生物神经系统的启发，许多学者，特别是脑建模者，开发出 一种崭新的非算法的信息处理方法，即人工神经元网络。他们以互连 结构将入脑建模成连续时间的非线性动态系统，试图模仿人脑机制以 模拟智能行为。在这种互连机制中，以大量神经元( 或处理单元) 之 间权值的分布表示代替以往的符号结构化表示。 人工神经网络( a n na r t i f i c i a ln e u r a ln e t w o r k ) 是一门崭新 的边沿交叉学科。人工神经网络的研究与计算机的研究几乎同时，但 是却经过了一段曲折的道路。一方面是由于a n n 是以人脑的功能为基 础的，人脑的过程十分复杂，难于模拟；另一方面是由于a n n 所采用 的方法与人们已经熟悉的模拟方法大相径庭。 人工神经网络的研究始于2 0 世纪4 0 年代。数理逻辑学家m c c u l l o c h 和心理学家w p i t t s 首先于1 9 4 3 年提出了神经元的数学模 型。此模型一直沿用至今。他们是人工神经网络研究的先驱。2 0 世 纪5 0 年代末，f r o s e n b l a t t 设计了感知机，这是一种多层神经网络。 首次把神经网络研究的理论成果应用到了实际。6 0 年代末，由于多 层神经网络尚未找到有效的计算工具，人们对神经网络的兴趣减弱。 人工神经网络研究也开始了2 0 年的寂静时期。2 0 世纪6 0 年代初期， w i d r o w 提出了自适应线性神经网络。这是一种连续取值的线性如权 求和阚值网络，现已在电力系统和其他控制领域有了较广泛的应用。 1 9 8 2 年和1 9 8 4 年，美国物理学家h o p f i e l d 发表了两篇关于神经网 络的重要论文，引起了巨大反响。h o p f i e l d 的主要贡献在于在神经 网络中引入了能量函数的概念，使神经网络的稳定状态有了明确的度 1 3 太原理工大学硕士研究生学位论文 量。1 9 8 6 年，r u m e l h a r t 和m ec 1 e u a n d 提出了神经网络的误差反传 学习算法，从原则上解决了神经网络的训练方法问题。直到现在b p 算法仍是神经网络训练与学习的主要算法。正是由于解决了训练方法 问题，使得神经网络有了很强的运算能力，神经网络的研究走出了寂 静时期，开始复苏并且蓬勃的发展起来。 ( 2 ) 遗传算法9 3 自然智能是千百万年生物进化的结果。对复杂的生物进化过程进 行模仿可以帮助我们发现进化如何推动生物系统向更高智能发展。在 许多a i 应用中采用基于启发信息的搜索技术。当搜索空间对于穷举 ( 或盲目) 搜索来讲变得太大，却又很难找到启触日识可以降低搜索 空间时，遗传算法相比而言就是一种更有效的寻找次优解的搜索技 术，具有基于种群的系统化随机搜索能力。 遗传算法( g e n e t i ca l g o r i t h m ) 是不严格的建立在自然选择和 进化进程概念基础上的一种非导数的随机优化方法。1 9 7 5 年首先由 密西根大学的j o h nh o l l a n d 提出并研究。作为一种通用的优化工具， g a 已经超越了学术研究的范畴，其流行可以归功于它摆脱了对函数 导数的依赖性，并具有以下特点： a 、g a 是并行搜索过程； b 、g a 适用于所有连续和离散优化问题； c 、g a 是随机的，不太容易陷入局部极小点，而局部极小点在 任何实际的优化应用中都不可避免的会存在； d 、 g a 的灵活性可使诸如神经元网络和模糊推理系统等复杂模 型中的结构和参数辨识变得十分方便。 ( 3 ) 模糊计算 1 9 6 5 年，美国的乙，a z a d e h 博士发表了关于模糊集的开创性论 1 4 太原理工大学硕士研究生学位论文 文，他在研究人类思维、判断过程的建模中提出用模糊集作为定量化 的手段。 人脑可以理解由感知器官提供不精确及不完整的传感信息。模糊 集合理论提供了系统的、以语言表示这类信息的计算工具，通过使用 由隶属函数表示的语言变量，它可以进行数值计算。合理选择模糊规 则是模糊推理系统的关键因素，它可以有效的对特定应用领域中的人 类专门知识进行建模。 模糊集合不同于经典集合，它是没有精确边界的集合。即“从属 于一个集合”到“不属于一个集合”之间的转变是逐渐的，这个平滑 的转变由隶属函数来表征，它使模糊集合可以灵活的对普遍采用的语 言变量进行建模。值得注意的是，模糊并非来源于集合组成元素的随 机性，而是来源于抽象思想和概念的不确定及不精确本质。 扩展原理和模糊关系是模糊集合概念与应用的延伸。模糊规则是 对自然或人工语言中的单词和旬予定量建模的有效工具。通过将模糊 规则理解为恰当的模糊关系，可以研究不同的模糊推理方案，用基于 复合推理规则的推理过程，从一组模糊规则和已知事实中推得结论。 模糊规则与模糊推理是模糊推理系统的基础，是模糊集合理论最重要 的建模工具。 模糊推理系统是建立在模糊集合理论，模糊规则和模糊推理等概 念基础上的先进计算框架。其基本结构由三个重要部件组成：一个规 则库，包含一系列模糊规则；一个数据库，它定义模糊规则中用到的 隶属函数：一个推理机制，它按照规则和所给事实执行推理过程求得 合理的输出和结论。 传统的模糊推理系统大多由领域专家建立，用于自动控制、决策 分析和专家系统等领域。优化和自适应技术将模糊推理系统的应用扩 1 5 太原理工大学硕士研究生学位论文 展到诸如自适应控制、白适应信号处理、非线性回归和模式识别等领 域。 ( 4 ) 禁忌搜索 1 9 8 6 年g l o v e r 最先提出禁忌搜索思想，它属于确定性的迭代优 化算法。主要是针对一般的下降算法的缺点而出现的，一般的下降算 法在搜索到一个局部最优解时，算法就容易自动停止。而禁忌搜索采 用禁忌策略( 或称禁忌准则) 尽量避免已搜索过的对象，从而保证了 对不同的搜索路径的探索。禁忌搜索算法以其独特的运行机制，同模 拟退火算法、遗传算法等算法样，不是搜索到局部最优解就停止搜 索，而具有引导算法跳出局部最优解，进而转向全局最优解的功能。 ( 5 ) 模拟退火算法 1 9 8 2 年，k i r k p a t r i c k 等将热力学中的退火思想引入组合优化领 域，提出一种解大规模组合优化问题，特别是n p 完全问题的有效近 似算法一模拟退火( s i m u l a t e da n n e a l i n g ，简称s a ) 算法。它源于 对固体退火过程的模拟：采用m e t r o p o l i s 接受准则；并用一组称为 冷却进度表的参数控制算法进程，使算法在多项式时间里给出个近 似最优解。 总之，负荷预测的方法有很多种，并且新的预测方法仍在不断涌 现，它们各自有其适用范围。我们在实际运用中，要根据电网运行情 况来选择合适的预测方法。本文使用神经网络法、神经网络和遗传算 法相结合的方法对太原电网短期负荷预测进行了讨论和研究。 1 6 奎矍堡三查耋塑圭塑窒竺兰堡兰塞 式中_ ，x 2 ，磁为输入信号，吼，皱2 ，b 为神经元的权值， “。为线性组合结果，吼为阈值，妒( ) 为激活函数，儿为神经元女的 输出。 若把输入的维数增加一维，则可把阈值吼包括进去。表示如下： = _ y = 妒( v ) ( 3 2 ) 此处增加了一个新的连接，其输入为= 一l ( 或+ 1 ) ，权值为 w = 最( 或以) 。 激活函数妒( ) 有以下几种形式： ( 1 ) 闽值函数 时) = 仨= ( 3 - 3 ) 即阶跃函数a 这时相应的输出儿为 舻0 蒜 a ， 其中 v 。= 艺。厂最 ( 3 5 ) 常称此种神经元为m p 模型。 lv l 妒( 讳= 吉( 1 + v ) 0 它类似于一个放大系数为l 的非线性放大器，当工作于线性区时 它是一个线性组合器，放大系数趋于无穷大时变成一个闽值单元。 ( 3 ) s i g m o i d 函数 1 8 太原理工大学硕士研究生学位论文 最常用的函数形式为 烈v ) 2 鬲妄丽( 3 - 7 ) 参数口 0 可控制其斜率，另一种常用的是双曲正切函数： 如) = t a n h 噎) = 丽1 - e x p ( - v ) ( 3 _ 8 ) 这类具有平滑和渐近性，并保持单调性。 31 2 网络结构及工作方式 以上讨论了神经元的单元特性，网络的拓扑结构也是n n 的一个 重要特性，从连接方式看n n 主要有两种。 ( 1 ) 前馈型网络：各神经元接受前一层的输入，并输出给下一 层，没有反馈。结点分为两类，即输入单元和计算单元，每一计算单 元可有任意个输入，但只有一个输出( 它可耦合到任意多个其它结点 作为其输入) 。通常前馈网络可分为不同的层，第i 层的输入只与第 ( f 一1 ) 层输出相连，输入和输出结点与外界相连，而其他中间层则称 为隐层。 ( 2 ) 反馈型网络：所有结点都是计算单元，同时也可接受输入， 并向外界输出，表示为无向图后，每个连接弧都是双向的。若总单元 数为拧，则每一个结点有0 1 ) 个输入和一个输出。 n n 的工作过程主要分为两个阶段：第一阶段是学习期，此时各 计算单元状态不变，各连线上的权值可通过学习来修改：第二阶段是 工作期，此时各连接权固定，计算单元状态变化，以达到某种稳定状 态。 从作用效果看，前馈网络主要是函数映射，可用于模式识别和函 数逼近。反馈网络按对能量函数极小点的利用，可以分为两类：第一 1 9 太原理工大学硕士研究生学位论文 类是能量函数的所有极小点都起作用，这一类主要用作各种联想存储 器；第二类只利用全局极小点，它主要用于求解最优化问题。 3 1 3n n 的学习 l 、学习方式 通过向环境学习获取知识并改进自身性能是n n 的一个重要特 点，在一般情况下，性能的改善是按某种预定的度量通过调节自身参 数( 如权值) 随时间逐步达到的，学习方式( 按环节所提供信息的多 少分) 有三种： ( 1 ) 监督学习 这种学习方式在外晃存在一个“教师”，可对一组给定输入提供 应有的输出结果( 正确答案) 。这组已知的输入一输出数据称为训练样 本集。学习系统可根据已知输出与实际输出之间的差值( 误差信号) 来调节系统参数。 ( 2 ) 非监督学习 非监督学习时不存在外部教师，学习系统完全按照环境所提供数 据的某些统计规律来调节自身参数或结构，以表示外部输入的某种固 有特征。 ( 3 ) 再励学习 这种学习介于上述两种情况之间，外部环境对系统输蹦结果只给 出评价而不是给出正确答案，学习系统通过强化那些受奖励的动作来 改善自身性能。 2 、学习算法 ( 1 ) 误差纠正学习 设儿( ) 为输入x ( h ) 时神经元膏在h 时刻的实际输出，以( 力) 表示 相应的应有输出( 可由训练样本给出) ，则误差信号可写成： 2 0 太原理工大学硕士研究生学位论文 靠( 功= d k ( 丹) 一y ( n ) ( 3 - 9 ) 误差纠正学习的最终目的是使某一基于e 。( 月) 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。最常用的目标函数是均方误差判据，定义为： j = e ( 二1 2 ( 砌 ( 3 1 0 ) k 其中e 是求期望算子，具体的学习方法可用最陡梯度下降法。直 接用，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 困难常用，在时刻n 的瞬时值6 ( n ) 代替，即 s ( 月) ：i 1 吼2 0 ) 上i ( 3 - 1 1 ) 则问题变为求占加) 对权值的极小值，据最小梯度下降法可得： 、a o g v ( ) = r e ( 疗) x j ( 月) ( 3 1 2 ) 其中r 为学习步长，这就是通常说的误差纠正学习规则。 ( 2 ) h e b b 学习 神经心理学家h 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( 同为激活或者同为抑制) 时，该连接 的强度应增强，反之则应减弱”。用数学方式描述如下： 8 k ( 力= ，( 儿( 哟，x j ( 砌 ( 3 1 3 ) 式中y k ( 订) ，x a n ) 分别为两端神经元的状态 ( 3 ) 竞争学习 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它单 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是： 2 l 太原理工大学硕士研究生学位论文 慨= 黔鸣x 喜雾薹蓑嚣 鉴于短期负荷预测工作是根据历史数据确定未来某特定时刻的 负荷数值，所要实现的是根据影响负荷值的各种因素的综合作用来确 定未来某特定时刻的负荷数值，故可以归类为函数映射。前馈神经网 络适合于解决此类问题：同时由负荷预测本身的特点可以确定神经网 络的学习方式是一种监督学习，适合的学习算法为误差纠正学习。所 以本论文主要针对前馈神经网络进行分析、探讨。 3 2 前馈网络 前馈神经网络的结构如图3 2 所示。 输出层 隐层 输入层 图3 - 2b p 网络结构 f i g 3 - 2b pn e t w o r ka r c h i t e c t u r e 一般来说，有多个输入的单个神经元并不能满足实际应用的要 求。在实际应用中需要有多个并行操作的神经元，这些可以并行操作 的神经元组成的集合称为层。 1 、神经元的层 层是由s 个神经元组成的单层网络。r 个输入中的每一个均与每 个神经元相连，权值矩阵现在有s 行。 2 2 太原理工大学硕士研究生学位论文 层上标：具有几层神经元的网络，每层都有自己的权值矩阵、 偏置值向虽b 、净输入向量r 和一个输出向量a 。可以采用上标来标 注这些层次，图3 4 示出了如此表示的三层网络。 输入 第l 层第2 层 第3 层 ，_ 1 ，_ 、，、，、 r s 1s 。 s 3 、，一、_ 、，、- ，。 a l = f 1 ( w 。p + b 1 ) a 婶o v 2 a + b 1a s = 哪3 a 2 + b b 小，州3 f o v i o v l p + b 卜b 2 + b 3 ) 图3 - 4 三层神经网络 f i g 3 4t h r e e l a y e r sn e u r a ln e t w o r k 如果某层的输出是网络的输出，那么称该层为输出层，而其它层 叫隐含层。多层网络的功能要比单层网络强大的多。例如，个第一 层具有s 形传输函数、第二层具有线性传输函数的网络，经过训练可 对大多数函数达到任意精度的逼近，而单层网络则不能做到这一点。 3 2 1 多层前馈网络的函数逼近能力 对于多层前馈神经网络而言，如果单元激活函数采用连续函数， 则网络输出可以逼近一个连续函数。许多人证明了这种映射可以逼近 任何连续函数，具体说明如下： 设网络有p 个输入，q 个输出，则其作用可看作是由p 维欧 氏空间到q 维欧氏空间的一个非线性映射，此结论可以叙述为如下的 定理“： 令妒( ) 为有界、非常量的单调增连续函数，。代表p 维单位超 2 4 矿，呶 n吲u 太原理工大学硕士研究生学位论文 立方体 0 ，1 ，。c u ，) 表示定义在，上的连续函数构成的集合，则给 定任何函数f c ( i 。) 和5 0 ，存在整数m 和一组实常数a ，b 和 其中i = 1 ，m ，j = 1 ，p 使得网络输出 “口 f ( x l ，x 2 ，x p ) = a ，p ( 窆f x j 一只) ( 3 1 6 ) j = l j ；1 可任意逼近( ) ，即 i f ( x i ，x 2 ，一，x p ) 一f ( x l ，x 2 ，x p ) i 口4 ，则 称此m a r k o v 链收敛，口。称为长远概率向量，这时有p - - p 。， 5 0 太原理工大学硕士研究生学位论文 a 4 = a ( o ) p 4 。 2 、收敛定理 引理；设p 为m a r k o v 链的转移矩阵，若尸只有一个模为1 的特 征值a = 1 ，则m a r k o v 链收敛于旯= 1 所对应的特征相量，与口的选 择无关。 文献 2 0 给出了以下两个定理的详细证明过程。 定理l ：不论如何选择初始代，也不论如何调整交叉、变异和选 择的顺序，简单浮点遗传算法在概率意义 口”= d ( p ”= ( p jp 2 p f ) 下总是不收敛于全局最优解。 如果对简单遗传算法作以下修改：将每- 二代的最优个体选作下一 代的第一个个体，称这样的算法为保留最优个体的遗传算法。 定理2 ；不论如何安排交叉、变异和选择等运算的先后顺序，保 留最优个体的浮点遗传算法在概率意义 口。= 口o j ? = ( p i p ：p ，0 ，o ) t 收敛于全局最优解。 因此本文在使用遗传算法对神经网络的权值和闽值进行操作时， 子代总是保留父代中的最优个体，从而保证收敛于全局最优解。 4 5 举例说明采用遗传算法确定神经网络权值 ( 一) 面向神经网络权值学习的遗传算法。o l 、编码方式：神经网络的权值学习是一个复杂的连续参数优化 问题。如果采用二进制编码，会造成编码串过长，且需要再解码为实 数，使权值变化为步进，影响网络学习精度。故采用实数编码。将图 4 1 中神经网络的各个权值按一定的顺序级联为一个长串，串上的每 一个位置对应着网络的一个权值。 5 l 太原理工大学硕士研究生学位论文 图4 1 神经网络权值的编码方式 f i g 4 - 1c o d i n gm o d eo f n e u r a ln e t w o r kw e i g h tv a l u e 图4 - i 中的神经网络权值编码为：( o 4 ，- 0 3 ，2 1 ，1 3 ，0 9 ，一0 6 ， 4 5 ，一0 1 ，0 7 ) 2 、评价函数f ：将染色体上表示的各权值分配到给定的网络结 构中，网络以训练集样本为输入输出，运行后返回误差平方和的倒数 作为染色体的评价函数，即： i2 拇 ( 4 6 ) 3 、初始化过程：神经网络的各权值以某一概率分布随机确定， 在b p 算法中，初始权值一般取【一1 ，l 】之间均匀分布的随机数； 4 、遗传算子：对于不同的应用问题，遗传算子的形式多种多样， 权值交叉和变异算予的操作如下所示： ( o 4 ，二蛆，盟，1 3 ，业，二蛆，4 5 ，盟，业) ( 0 7 ，一0 9 ，1 2 ，0 8 ，1 4 ，o 1 ，一1 1 ，o 2 ，1 1 ) 交叉一 ( 0 ，4 ，一0 9 ，1 2 ，1 3 ，1 4 ，0 1 ，4 5 ，0 2 ，一1 1 ) ( 0 4 ，一0 3 ，丛，1 3 ，0 9 ，一0 6 ，4 5 ，二q j ，0 7 ) 变异一 ( 0 4 ，一0 3 ，1 0 ，1 3 ，0 9 ，- 0 6 ，4 5 ，一0 8 ，0 7 ) 权值交叉算予：对于子代染色体中的每个权值输入位置，交叉算 予从两个亲代染色体中随机选取若干个交叉位置，并将这一代染色体 在交叉位置进行交叉运算j 这样子代染色体便含有两个亲代的遗传基 5 2 太原理工大学硕士研究生学位论文 凼。 权值变异算子：对于子代染色体中的每个权值输入位置，变异算 子以概率p 。在初始概率分布中随机选择一个值来取代该位置上的权 值。 ( 二) 改善遗传算法的运算性能 通常采用自适应交叉率和变异率来改善遗传算法的运算性能。 交叉率p 。和变异率p 。的大小对遗传算法的运行性能有较大的 影响，较理想的情况下，儿和p 。的取值应在算法运行过程中随着适 应度值的变化而自适应改变。用适应度值来衡量算法的收敛情况，对 于适应度僮高的解，取较低的a 和p 。，使该解进入下一代的机会增 大，而对于适应度值低的解，则应取较高的p 。和p ，使该解被淘汰 掉，当成熟前收敛发生时，应加大致和p 。，加快新个体的产生，下 式为仇和随着适应度值的变化而自适应改变的计算公式： 仇= 捷i m 缸曷 ( 4 _ 7 ) 矽。：k ( 厶“一厶) 7 ( 厶“一厂) 厶， ( 4 喝) 3 1 k厶 厂 喵 其中也、屯是小于l 的常数，正是要交叉的两个个体中适应度 值较大的一个，厶是要变异的个体的适应度值，o 、厂分别是群 体的最大适应度值和平均适应度值。，。一，体现了群体的收敛程 度，若此值小，说明群体己趋向收敛，应加大见和p 。 4 6 采用神经网络结合遗传算法进行短期负荷预测的步骤 和框图 太原理工大学硕士研究生学位论文 采用l - m 算法训练网络： ( 1 4 ) 将待预测日的特征值作为训练好的神经网络的输入，通过 计算，得到预测目的负荷值； ( 1 5 ) 结束。 图4 - 2 是具体的程序框图。 太原理工大学硕士研究生学位论文 将相似度按照由小到大韵顺序进行排序，选 取前1 3 个历史效据记录作为神经网络的输入 样本并且将这些样本按照负荷的自然顺序重新摊序 将神经网络的训练样本集进行规范化处理 定制神经阿络 产生3 5 组随机解 把产生的解代入网络，井计算预测结果和误差 把这3 5 组解按照误差的大小进行捧序 最小误差丈于预口 耩度要 求并小于迭代次数上限 、卜、 保留前5 组解， 6 3 l 组交叉、变异 产生4 组随机解，和 前面产生的解一起组成下一代 否 碥麒毫岁测精度要求 否 把产生的解代入网络。并计算预测结果和误差 把这3 5 组解按照误差的大小进行捧序 将最优染色体基因 值作为神经网络 的权值和闽值 使用上述神经网络 预测负荷并计算误差 将最优染色体基因值作为神 经网络的权值和阚值 用l 广m 算法训练神经网络 然后预测负荷并计算误差 结束 图4 2 神经网络结合遗传算法预测短期电力负荷程序框图 f i g4 2b l o c kd i a g r a mo f s h o n - t e r ml o a df o r e c s t i n gu s i n g a n nc o m b i n e dw i t hg a 太原理工大学硕士研究生学位论文 采用神经网络结合遗传算法进行短期负荷预测的步骤如下： ( 1 ) 确定预测日期； ( 2 ) 提取预测日前5 0 天历史数据记录； ( 3 ) 对历史负荷记录进行纵向和横向处理； ( 4 ) 根据预测目的天气情况确定预测日前5 0 天各天的相似度； ( 5 ) 将相似度按照由小到大的顺序进行排序，选取前1 3 个历史 数据记录作为神经网络的输入样本，并且将这些样本按照负荷的自然 顺序重新排序； ( 6 ) 将神经网络的训练样本集进行规范化处理： ( 7 ) 定制神经网络： ( 8 ) 根据神经网络的结构确定染色体基因数，本程序共选取了 3 5 个染色体作为初始解； ( 9 ) 将每个染色体的基因值作为神经网络的权值和阈值，分别 计算预测结果和误差； ( 1 0 ) 将3 5 个染色体的适应度值按照由小到大的顺序进行排序， 确定最小预测误差( 考虑到遗传算法要花费大量时间，因此本程序设 定了迭代次数上限) ； ( 1 1 ) 如果最小预测误差没有满足预测精度要求并且小于迭代次 数上限，则保留最优的前5 个染色体，将第6 到3 1 个染色体进行交 叉和变异，并且再随机产生4 个染色体以