（计算机应用技术专业论文）基于模糊神经网络的电力系统短期负荷预测研究.pdf

摘要 摘要 电力系统负荷预测水平己成为衡量电力系统运行管理现代化的标志之一，尤其 是准确的短期负荷预测更具有重要的意义。负荷预测的影响因素较多，既由负荷本 身的历史表现决定，还要受众多非负荷因素的影响。 分析了电力系统负荷预测的意义和方法之后，在分析模糊推理和神经网络生物 学特性的基础上，本文提出了构造模糊神经网络模型的新方法，也即是将模糊推理 的过程融入到了b p 网络中。在新的模糊神经网络模型的构造中，本文提出了两类模 糊推理规则的抽取方法：一类是基于组合方式的规则抽取方法：另一类是基于树型结 构的模糊推理规则的抽取方法，同时给出了模糊规则树的定义。基于树型结构的模 糊规则的抽取方法在一定程度上可以避免组合方式带来的维数爆炸问题。同时，通 过在模糊神经网络模型中使用控制器对信息前馈进行控制，使得模糊推理和网络的 传递计算得到了很好的结合。本文对模型中的控制器、两类规则抽取和模糊神经网 络模型f , 3 0 1 1 练给出了详尽的算法，并对模型中的关键问题给出了证明和相应的数学 模型。 最后，本文将模糊神经网络模型应用于电力系统的短期负荷预测中。从负荷的 特性和负荷预测的依据出发，本文首先对负荷数据作了预处理，选择了4 个时间的 负荷值并生成了2 个变化率：利用相似变化率和趋势变化率作为模糊神经网络模型的 输入，在网络的输入层利用神经元t 实现控制器的功能：在网络的隐含层中设置了2 4 个神经元分别实现对不同时刻负荷的推理和传递运算。最后用实际负荷值对模糊神 经网络进行训练和模拟，达到了对系统短期负荷预测的目的。从预测的结果来看， 本文提出的模糊神经网络模型不但扩展了b p 网络的功能，加快了网络训练学习的速 度，而且符合实际应用的要求。 关键词人工神经网络：模糊系统；模糊神经网络；短期负荷预测；电力短期负荷 预测； 河北利技人。学硕+ 学伊论文 a b s t r a c t 。ih el e v e lo fl o a df o r e c a s t i n gj so n eo ft h em e a s u r e so fm o d e r n i z a t i o no fp o w e r s y s t e mm a n a g e m e n t s ol o a df o r e c a s t i n g a c c u r a t es h o r t - t e r ml o a df o r e c a s t i n gi so fg r e a t i m p o r t a n c et op o w e rs y s t e m t h e r ea r em a n yf a c t o r st h a ta f f e c ts y s t e ml o a d ，s u c ha s h i s t o r yd a t ao fl o a d m a n yn o n - l o a df a c t o r s a f t e ra n a l y z e dt h em e a n i n ga n dm e t h o do fp o w e rs y s t e ml o a df o r e c a s t i n g jb a s e do n t h ea n a l y s i so ff u z z yi n f e r e n c ea n dn e u r a ln e t w o r kb i o l o g yc h a r a c t e r i s t i c ? t h e p a p e r p r e s e n t san e wm e t h o do fc o n s t r u c t i n gf u z z y n e u r a ln e t w o r k sw h i c hm e r g e st h ef u z z y n e u r a ji n t ob pn e t w o r k i nt h ep a p e r t w ok i n d sr u l e - e x a c t e dm e t h o do f f u z z yi n f e r e n c ei s p r e s e n t e d ：o n ei sb a s e do nc o m b i n a t o r i a lp a t t e r n ；t h eo t h e ri sb a s e do nt r e ef o r m a t i o ni n w h i c ht h ed e f i n i t i o no ff u z z y r u l et r e ei sp r e s e n t e d t h ep r o b l e mo fd i m e n s i o ne x p l o s i o n a c c o m p a n i e db yc o m b i n a t o r i a lp a t t e r nc a nb ea v o i d e db yt h et r e ef o r m a ti o nr u l e - e x t r a c t e d i ns o m ed e g r e e a tt h es a m et i m e ，t h ew e l l i n t e g r a t i o no ff u z z yi n f e r e n c e a n d t r a m s c a l c u l a t i n g i so b t a i n e d t h r o u g h t h e c o n t r o l l i n g o fi n f o r m a t i o nf e e d f o r w a r d c o n t r o l l e ri nt h ef n nm o d e l t h ed e t a i l e da l g o r i t h m so fc o n t r o l l e r , t w ok i n d sr u l e e x t r a c t e d a n df wm o d e l t r a i n i n ga r ep r e s e n t e d m o r e o v e rs o m ep r o o f sa n dc o r r e s p o n d i n g m a t h e m a t i c a lm o d e l sa b o u tf n nm o d e la r ep r e s e n t e d i nt h el a s t t h ef n ni s a p p l i e dt of o r e c a s tt h es h o r t - t e r ml o a do fp o w e rs y s t e m b a s e do nt h ec h a r a c t e r i s t i c so fl o a da n dt h eb a s i so fl o a df o r e c a s t i n g t h ep r e t r e a ：m e n to f l o a d d a t ai s g i v e nf i r s t l y t h el o a dd a t ao f4h o u r sa r es e l e c t e da n dg e n e r a t e d2r a t e so f c h a n g e ：t h er a t e so fs i m i l a ra n dt r e n dc h a n g ea r eu s e da st h ei n p u to ff n nm o d e l ，t h e n e u r o n ti su s e da sc o n t r o l l e ri nt h ei n p u tl a y e r t h e2 4n e u r o n sa r es e ti nt h eh i d d e nl a y e rt o u n d e r t a k ee v e r yh o u r sf u z z yi n f e r e n c ea n dt r a p s - c a l c u l a t i n gr e s p e c t i v e l y f i n a l l yt h ef n n m o d e li st r a i n e da n ds i m u l a t e db yu s i n ga c t u a ll o a d t h e o b j e c to fs h o r t - t e r ml o a d f o r e c a s t i n gi sa c h i e v e d 。s e e nt h ef o r e c a s t i nr e s u l t ，t h ef n nm o d e li nt h ep a p e rn o to n l y e x p a n d st h ef u n c t i o no fb pn e t w o r ka n da c c e l e r a t e st h es p e e do ft r a i n i n g ，b u ta l s o c o n f o r m st od e m a n do fa c t u a la p p l i c a t i o n k q w o r d s a r t i f i c i a ln e u r a ln e t w o r k s ：f u z z ys 3 ，s t e m ；f u z z yn e u r a ln e t w o r k ：s h o r t t e r m l o a df o r e c a s t ；e l e c t r i cp o w e rs h o r t - t e r ml o a df o r e c a s t ； 河北科技大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工 作所取得的成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方 式标明。除文中已经注明引用的内容夕卜，本论文不包含任何其他个人或集体已经发 表或撰写过的作品或成果。本人完全意识到本声明的法律结果由本人承担。 指导教师签名： 记建傻 劲孑年么月多日 河北科技大学学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留 并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本 人授权河北科技大学可以将本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和汇编本学位论文。 口保密，在年解密后适用本授权书。 本学位论文属于 ， 、囱不保密。 ( 请在以上方框内打“” 指导教师签名；彩毫霞 硼年| 2 ，黾参b 第1 章绪论 第1 章绪论 1 1负荷预测的背景和意义 电力系统负荷的大小与特征，无论是对于电力系统设计或是对于运行研究而言， 都是极为重要的因素。电力系统的作用就是对各类用户尽可能经济地提供可靠而合 乎标准要求的电能，以随时满足各类用户的要求，也就是要满足负荷要求。因此， 对负荷的变化和特征有个事先的估计，是电力系统发展与运行研究的重要内容。电 力系统负荷预报理论就是因此而发展起来的，在现代电力系统工程科学中它己经成 为占有重要地位的研究领域。 电力负荷预测在电力系统规划、计划、调度等部门都有应用，它不仅直接关系着 电力系统的规划设计和安全、经济运行，也关系到用电管理工作的顺利丌展。电力 负荷的变化受到社会经济、政治、气象等因素的影响，因此，随着社会的进步，经 济的发展，电力负荷预测越来越受到电力部门的重视，同时随着电力企业改革的深 入和电力市场化进程的开展，它又被赋予了新的内涵。电力负荷预测已经成为实现 电力系统管理现代化的重要内容之一。 短期负荷预测一般是指预测未来几周、几天、几小时甚至更短时间的负荷情况， 预测的重要目的是要尽可能满足提高预测的精度要求。就目前看来，短期负荷预测 的意义在于： 1 ) 为了能对运行中的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，对于装机不大的孤立电网，短期负荷预测是必要的。 2 ) 对于一个大电网，为了经济和合理地安排本网内各发电机组的起停，以使系统 在要求的安全范围内，为保证必要的旋转储备容量的耗费为最小，短期的负荷预测 是必须的。 3 ) 当电网进行计算机在线控制时，应当用短期负荷预测的信息来实现发电容量的 合理调度，满足给定的运行方案，同时使发电成本最小。 4 ) 在当今的市场化运蓍条件下，电力交易更加频繁，负萄对电价的敏感性会随着 市场的完善而逐渐增强，准确的预测对于提高电力经营者的运行效益有直接的作用， 短期负荷预测的重要性就更加突出。 1 2 负荷预测的研究现状 在长期的实践中，人们开发了许多种负荷预测的方法。可分为定性的经验预测 技术及依赖于数量模型、定量的预测技术。 经验预测方法包括专家预测法( 专家会议法、德尔菲法等) 、类比法、主观概率法 l 河北科技人学硕十学位论文 等方法。专家预测法主要是依靠专家或专家组的判断，仅给出一个方向性的结论， 如预测未来哪个电力技术将有突破性发展、某地区哪一时期用电水平将有何等显著 变化、未来一年或几年全国或地区发电量及用电量预测等。类比法是对类似负荷作 对比分析，通过己知同类负荷对未知负荷做出预测。主观概率法则是请若干专家来 估计具体负荷预测达到某特定值的主观概率。当然经验预测的结果也不可能是数值 型的。在实际应用中，从对人类经验的应用来说，定性方法的预测具有其独有的意 义，在一定情况下甚至比某些定量方法的预测精度更高，尤是在大气突变、重大事 件等特殊情况下。 比较常用的定量预测技术有经典技术( 单耗法、负荷密度法、比例系数增长法、 弹性系数法等) 、趋势外推预测技术、回归模型预测技术、时间序列预测技术、模糊 预测技术、狄色模型预测技术、专家系统预测技术、人工神经网络预测技术、优选 组合预测法等。 1 2 1 经典技术 单耗法：即单位产品电耗法，是通过某一工业产品的平均单位产品用电量及该产 品的产量，得到这种产品的总用电量。一个地区的工业生产用电，可以按照行业划 分为若干部门，如煤炭、石油、冶金、机械、建筑、纺织、化纤、造纸、食品等， 再对每个部门统计出主要产品的单位产品耗电量，根据其产量，就可以得到所有统 计的工业产品的总用电量。 单耗法需要作大量细致的统计调查工作，近期预测效果好，但实际工作统计量 太大，有时考虑用国民生产总值或工农业生产总值，结合其电量单耗，计算出用电 量，即为产值单耗法。 负荷密度法：是从地区人口或土地面积的平均耗电量出发作预测的方法，方法与 单耗法类似。 比例系数增长法：假定今后的电力负荷与过去有相同的增长比例，用历史数据求 比例系数，按比例预测未来的发展。 弹性系数法：电力弹性系数就是用电量的相对变化率与国民生产总值的相对变 化率之比。如果预测到未来若干年的弹性系数、国民生产总值的增长率，就可得到 电力需求增长率，应用比例系数预测法得到预测年的用电量。 预测的模型又可以有直接弹性系数法模型、取对数法模型、对数与倒数模型、 线性函数形式模型等。 1 2 2 趋势外推预测技术 按照负荷的变化趋势，对未来负荷情况做出判定，就是趋势外推预测技术。 趋势外推技术包括水平趋势预测技术( 全平均法、一次滑动平均预测法、一次指 2 第1 章绪论 数平滑预测法、一阶自适应系数预测法等) 、线性趋势预测技术( 二次滑动平均法、 二次指数平滑技术、二阶自适应系数法等) 、多项式趋势预测技术( 三次指数平滑预 测技术、累计预测法等) 、季节型趋势预测技术、增长趋势预测技术( 指数曲线模型、 非齐次指数模型等) ，文献就是线性外推法研究负荷预测的应用。 这些技术的共同特点是作趋势外推，不对其中的随机成分作统计处理，是筠单 实用的预测方法。 l ，2 3回归模型预测技术 就是根据负荷过去的历史资料，建立可以进行数学分析的数学模型，对未来的 负荷进行预测。其特点是将影响预测目标的因素作为自变量，将预测目标作为困变 量。回归分析法中，自变量是可控变量，因变量是随机变量，又给定的多组自变量 和因变量资料。研究各种变量之间的相关关系。利用得到的经验回归方程式束表示 变量之问的定量关系，预测系统将来的负荷值。回归预测包括线性回归和非线性回 归。 1 2 4 时间序列预测技术 出于电力负荷是一个随机变量，这个变量描述的过程就是一个随机过程，电力 负荷的历史资料就是按定时间间隔进行采样记录下来的有序集合，它是一个时f 自j 序列，用这个序列对电力负荷变化的规律和特性进行分析并对未来负荷做出预报， 就是时间序列法预报。 具体方法是对过去_ 段时间的历史负荷纪录，提取出基本负荷分量、天气敏感 负荷分量和特别事件负荷分量后，剩余的缓差( 平稳随机时间序列) 即为各时刻随枧 负荷分量，可以看成是随机时间序列。目前最有效办法是b o x j e n k i n s 的时间序列法， 可分为4 种不同的模型： 1 ) 自回归模型( a r ) ： 2 ) 滑动平均模型( m a ) ； 3 ) 自回归滑动一平均模型( a r m a ) ： 4 ) 累计式自回归一滑动平均模型( a 刚m a ) ： 其中a r m a a r m a 过程的时间序列被称为平稳过程( 其均值和 9 j - 方差不随时 间变化) ，如果实际负荷宇列是非平稳的过程，可对这个序列进行差分，使其变成平 稳随机】芋列。 趋势外推预测、回归模型预测及时问亭列预测等几种技术基本原理都是用线性 或非线性函数束逼近非线性动态的系统负荷，是根掘电力负荷的统计特征完成预测 的方法，由于电力负荷具有非线性、时变性和不确定性，影响负荷的因素很多，错 综复杂，如负荷和影响负荷的变量之间的关系难以用精确的数学模型加以描述，增 3 河北利技人学硕十学何论文 加了预测模型的复杂化：另一个重要的问题是模型参数难以及时、准确地估计和调 整，不能反映负荷的突然变化。所以建立一个适合的数学模型依然是目前广泛研究 的课题 1 2 5 模糊预测技术 应用模糊逻辑和预报人员的专业知识，通过对负荷历史数据进行识别、隶属度 计算和聚类分析，根据模糊聚类参数与预测因子的前期特征值，确定相应的类别变 量特征值，建立类别变量特征值与预测对象之间的相关关系，应用这种确定的相关 关系进行负荷预测。也就是将数据和语言形成模糊规则库，然后选用一个线性模型 逼近非线性动态的系统负荷。 1 2 6 灰色模型预测技术 狄色系统理论将一切随机变化量看作是在一定范围内变化的灰色量，常用累加 生成( a g o ) 、累减生成( i a g o ) 均值生成、级比生成等方法将杂乱无章的原始数掘整 理成规律性较强的生成数据列。用狄色模型( g m ) 的微分方程作为电力系统单一指标 ( 如负荷) 的预测时，求解微分方程的时间响应函数表达式即为所求的耿色预测模型， 对模型的精度和可信度进行校验并修正后即可据此模型预测未来的负荷。狄色模型 预测技术适用于短、中、长三个时期的负荷预测。 灰色模型法在建模时不需要计算统计特征量，从理论上讲，可以使用于任何非 线性变化的负荷指标预测，但其不足之处是其微分方程指数解比较适合于具有指数 增长趋势的负荷指标，对于具有其它趋势的指标则有时拟合狄度较大，精确度难以 提高。 1 2 7 专家系统预测技术 对数据库旱存放的过去几年的每小时的负荷和天气数据进行细致的分析，汇集 有经验的负荷预报人员的知识，提取有关规则，按照一定的规则推理进行负荷预测。 专家系统是对人类的不可量化的经验进行转化的一种较好的方法，若能将它与其他 方法有机地结合起来，构成预测系统，将可得到满意的结果。 专家系统法是一个很耗时的过程，对某些复杂的因素( 如天气因素) 要准确、定 量地确定他们对负荷的影响也常常是很困难的事。 1 2 8 人工神经网络法 利用人工神经网络( a n n ) ，选取过去一段时间的负荷作为训练样本，然后构造 适宜的网络结构，用某种训练算法对网络进行训练，使其满足精度要求之后，用a n n 作负荷预测。一般而言，a n n 应用于短期负荷预测要比应用于中长期负荷预测更为 4 第1 章绪论 适直。 人工神经网络法被认为是一种非常有效的负荷预测技术，己经取得了许多成就。 本论文主要针对其在短期负荷预测中的应用进行讨论。 1 2 9 优选组合预测法 优选组合预测有两类概念：一是指将几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。二是指在几种预测方法中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，它最 优组合了多种单一模型所包含的信息。 优选组合预测法在建立模型时受到两方面的限制：一个是不可能将所有在未来起 作用的因素全包含在模型中，另一个是很难确定众多参数之间的精确关系。所以其 预测的精度提高受到限制。 1 3负荷预测的分类和特征 1 3 1电力系统短期负荷分类 电力系统负荷预测工作根据其最终的预测目标按预测时间的远近电力系统规划 目标时间的长短可划分为长期负荷预测，中长期负荷预测，近期负荷预测，短期负 荷预测，以及超短期预测。各自的特点如下： 1 3 1 1长期负荷预测指未来l o 到3 0 年内以年为单位的负荷预测 主要用来制定电力工业战略规划。包括：燃料需求量、一次能源平衡、电力网络 的远景规划、电力系统最终发展目标和规模以及必要的技术更新科研规划等。 1 3 1 2 中期负荷预测指未来5 年左右1 0 年以内以年为单位的负荷预测 主要用于电力系统建设规划。包括：发电设备及输变电设备所需的容量配置、电 力设备空间的合理分布以及在现有电力工业设施基础上的新建、计划扩建、计划退 役等，使最终的电力系统规划设计布局与实际的电力需求布局发展相一致。 1 3 1 3 短期负荷预测指一年以内或一天以上的负荷预测 主要为电力系统的调度。按用户的需求来编订发电机维的_ 丌停机计划、发电和 输变电设备的检修计划等，以保证电力设备的可靠运行。 1 3 1 4 超短期负荷预测指一天以内按小时或分钟进行的负荷预测 这种负荷预测主要用于电力系统调度和经济运行。其意义在于：可以对电网实行 实时计算机在线控制，实现对现有发电容量的合理调度与管理，满足给定运行状态 下的可靠供电，同时优化发电成本使之达到最小。 1 3 2 电力系统负荷预测的特点 短期负荷预测的一个突出特点就是：为系统负荷进行预报，要对过去的负荷历史 5 河北利技人学硕十学位论文 资料( 例如过去若干年的负荷记录) 进行分析。短期负荷预测要密切注意到上述的负 荷的三个重要特征，有针对性地提出一整套实际可行的预测方法。 另外由于负荷预测是根掘电力系统负荷的过去推测它未来的数值，所以负荷 预测工作所研究的对象是不确定事件。也只有不确定事件、随机事件，刊。需要人们 采用适当的预测技术，推知负荷的发展趋势和可能达到的状况，这就使得负荷预测 具有以下一般时间序列预测的特点。 1 3 2 1 可知性原理： 也就是说预测对象的发展规律，其在未来的发展趋势和状况是可以为人们所知道 的，人们不但可以认识到它的过去和现在，而且可以通过总结它的过去和现在推测 未来，这是人们进行预测活动的基本依据。 1 3 2 2 不确定性： 因为电力负荷未来的发展是不确定的，它受到多种复杂因素的影响，而且多种影 响因素也是发展变化的。人们对于这些发展变化有些能够预先估计，有些却很难预 见到，加上一些临时变化的影响，因此就决定了预测结果的不确定性或不完全准确 性。 1 3 2 3 条件性： 各种负荷预测都是在一定的条件下作出的，就条件而言，可以分为必然条件和 假设条件两种。 1 3 2 4 时间性： 各种负荷预测都是有一定的时间范围，因为负荷预测属于科学预测的范畴，因此， 要求有比较确切的数量概念，往往都需要指明预测的时间。 1 3 2 5 多方案性： 由于负荷预测的不准确性和条件性，所以有时要对负荷在各种可能发展情况下进 行预测，就会得到各种条件下不同负荷预测方案。 1 3 2 6 连续性原理： 是指预测对象的发展是一个连续统一的过程，其未来发展是这个过程的连续。电 力系统的发展存在惯性，这种惯性正是我们进行负荷预测的主要依扼。 1 3 2 7 相似性原理： 客观世界中有一些事物发展之间存在相似之处，人们可以利用这种相似性进行预 测。例如：当我们预测一个新的经济开发区的用电量的时候没有历史数据可用，这时 可以参考一个早已建成，规模和条件具有可比性的其他经济开发区，以其发展时期 相对应的用电量作为预测新区的参考。 1 3 2 8 反馈性原理： 反馈性原理就是利用输出返回到输入端，再调节输出结果。预测的反馈性原理实 6 第1 章绪论 际上是为了提高预测的准确性而进行的反馈调节：当预测结果和经过一段实践所得 到的实际值存在差距的时候，可以利用这个差距，对远期预测值进行反馈调节以提 高预测的准确性。 1 3 2 9 系统性原理： 这个原理认为对象是个完整的系统，它本身有内在的系统和外部的联系又形成 它的外在系统，这些系统综合成一个完整的总系统，都要进行考虑。即预测对象的 未来发展是系统整体的动态发展，而且整个系统的动态发展和它的各个组成部分和 影响因素之间的相互作用和相互影响密切相关。系统原理强调整体最佳才是高质量 的预测。 1 4目前电力负荷预测存在的问题 1 4 i负荷历史数据的坏数据处理 负荷的历史数据一般来源于s c a d a 数据库，由于系统中各终端的各种误差， 数据库中的数据经常会受到污染。常见的有毛刺、某一段数掘突然变大或变小、和 数据的不正常波动等。而冲击负荷比较大的地区，负荷数掘的过分波动不利于掌握 负荷的变化趋势，增加了负荷分析的难度。因此在用历史数掘进行训练和预测前， 坏数据的辩识与修正是必须要做的工作。即确定某条曲线中存在坏数据，然后找出 坏数据在曲线中的位置，将其剔除掉并进行修正。 1 4 2 节假日的负荷预测 在国家法定节假同( 元旦、春节、五一和国庆) 期间负荷与平时相比明显降低， 尤其是春节更是持续长时间、大幅度的曲线下降和变形。节假同负荷一般要求提前 十天到半个月左右作出预测，节假同的预测一直是负荷预测的难点之所在。由于数 据量较少，参考上一节假同相隔时间又长达一年，无法形成足够有效的样本集使得 神经网络方法不能使用于节假同预测中，需要结合传统的多种方法另找途径。 1 4 3 单一预测模型的缺陷 传统的预测方法不能考虑气象或者考虑气象不充分，神经网络的权值训练需要大 量的时问，对样本集的要求也比较高，必须建立合理的辅助模型来弥补各个模型的 缺点。 1 5 本论文的主要工作 本文在进行电力系统负荷预测时主要做了以下几个方面的工作： 1 ) 本文首先介绍了负荷预测的概念、意义及分类，然后对介绍了现代常用的几种 负荷预测方法，并分析了各种方法的优缺点。 7 河北科技人学硕十学伊论文 2 ) 对人工神经网络的基本概念、基本原理进行了简要的简述。针对传统的人工神 经网络白g t j l i 练速度对大多数实际应用来说都太慢的缺点，本文介绍了人工神经网络 一些变形和改进，使之能显著提高训练速度并使算法实用化。 3 ) 本文将各种改进的人工神经网络算法应用于电力系统负荷预测。研究工作主要 有历史负荷数据的准备、负荷数据的预处理和模糊神经网络的结构设计等等。结果 表明在训练相同次数的情况下改进后的神经网络性能较传统的b p 神经网络有明显的 提高。 4 ) 将人工神经网络和模糊系统进行结合在现代得到了迅速的发展。本文对模糊神 经网络的基本理论进行了介绍，并研究了人工神经网络和模糊系统的异同点和融合 的各种形态。 5 ) 在简单的介绍了人工神经网络和模糊系统结合的产物一自适应模糊神经网络 后，再将其应用于电力系统负荷预测。主要研究了基于减法聚类在自适应模糊神经 网络的学习算法和应用。 1 6 本章小结 本章介绍了电力系统负荷预测尤其是短期负荷预测的意义和主要方法，对石家 庄市电网负荷构成及特性进行了深入的分析，结合本地实际选择合适的算法，并就 本文主要工作及预测中主要问题的解决方法进行了初步的设定。 8 第2 章b p 神经网络介纠 第2 章b p 神经网络介绍 2 1神经网络的基本概念 2 1 1a n n 的产生与发展 神经网络的产生发展史同时包含了概念创新和实现丌发的进步。但是这些成就 的取得却并不是一帆风顺的。人工神经网络诞生半个多世纪以来，经历了以下几个 发展阶段 2 1 1 1 奠基阶段 神经网络领域研究的背景工作始于1 9 世纪术和2 0 世纪初。它源于物理学、心 理学和神经生理学的跨学科研究，主要代表人物有h e r m a nv o nh e l m h o l t s 、e r n s tm a c h 和i v a np a v l o v 。这些早期研究主要还是着重于有关学习、视觉和条件反射等一般理 论，并没有包含有关神经元工作的数学模型。 现代神经网络的研究可以追溯到2 0 世纪4 0 年代，心理学家w a r r e nm c c u l l o e h 和数理逻辑学家w a l t e rp i r t s 从信息处理的角度出发，采用数理模型的方法，对生物 神经细胞的动作进行研究，提出了形式神经元模型，称为m p 模型。通过m p 模型 提出了神经元的形式化数学描述和网络结构方法，并从原理上证明了人工神经网络 可以计算任何算术和逻辑函数，从而开创了人工神经网络研究的时代。 在m c c u l l o c h 和p i t t s 之后，心理学家d o n a l dh e b b 在行为科学( t h e o r g a n i z a t i o n o fb e h a v i o u r ) 一书中，明确提出了突触联系强度可变假设，认为突触联 系强度是随前后神经元的活动而变化，从而说明了神经元连接强度是可修正的，提 出了生物神经元的一种学习机制。为神经网络的产生奠定了基础。 2 1 1 2 第一次高潮阶段 人工神经网络的第一个实际应用出现在2 0 世纪5 0 年代后期，f r a n kr o s e n b l a t t 首次引入感知器( p e r c e p t i o n ) 网络和联想学习规则。r o s e n b l a t t 和他的同事构造了一 个感知机网络，它由值型神阈经元组成，试图模拟动物和人脑的感知和学习能力。 试验表明，感知器通过训练可用作某些模式的分类器，这次早期的成功引起了许多 人对神经网络研究的兴趣。 同时期，美国斯坦福大学教授b e r h a r dw i d r o w 提出了自适应线性神经元 ( a d a p t i v el i n e a r n e u r o n ，简称a d a l i n e ) ，并与m a r c i a nh o f f 一起提出了一个新的 学习规则，称为w i d r o w h o f f 学习规则。此规则可减少训练过程中神经网络输出的 误差平方和。自适应线性神经元及其扩展而来的多自适应线性神经元( m a n y a d a l i n e ，简称m a d a l 烈e ) ，早期主要应用于模式识别、天气预报和自适应控 9 河北科技人学硕十学伊论文 制。 2 1 1 3 持续阶段 1 9 6 9 年m a r v i nm i n s k 3 ，和s e y m o u rp a p e r t 出版了感知器( p e r c e p t i o n ) 一书， 该书指出：简单的感知器只能局限于处理线性问题，对于像x o r ( 异或) 这样简单的非 线性问题都无能为力。他们提出了构造含有隐层的多层感知器的方案，但对隐层神 经元的学习规则并不清楚，并对此持悲观态度。加之当时v o nn e u m a n n 数字计算机 和人工智能正处于发展的黄金时期，暂时掩盖了发展新型计算机和人工智能新途径 的必要性和迫切性，使人工神经网络的研究一度处于低潮。 2 1 1 4 第二次高潮阶段 1 9 8 2 年，美国加州工学院物理学家j o h nh o p f i e l d 提出了h o p f i e l d 神经网络模型， 引入了“能量函数”的概念，给出了网络稳定性的判据，并成功地解决了著名的“旅 行商问题”，成为人工神经网络走向成熟的罩程碑。1 9 8 4 年，他又提出了连续时间 h o p f i e l d 神经网络模型，为神经计算机的研究做了丌拓性的工作，开创了神经网络用 于联想记忆和优化计算的新途径，有力地推动了神经网络的研究。 1 9 8 6 年，d e r u m e l h a r t 和j l m c c l e l l a n d 提出多层网络学习的误差反向传播算 法，实现了m i n s k y 引入隐层的设想。这为多层感知机找到了一个有效的学习算法， 从而把人工神经网络的研究进一步推向深入。与此同时，基于v o nn e u m a r m 原理的 数字计算机在处理形象思维、语音图像识别以及联想记忆等模糊信息时屡受挫折， 而神经网络能够处理模糊信息的特点使人们认识到人工神经网络的重要价值。 2 1 1 5 新发展阶段 随着人工神经网络理论研究的不断成熟，神经网络的发展进入了一个新时期， 应用研究也得到迅速发展，应用领域趋于广泛。进入2 0 世纪9 0 年代，人工神经网 络作为新学科、新方法和新技术，在自然科学和社会科学各个领域得到了广泛的应 用，取得了丰硕的成果。神经网络研究也随之得到飞速发展，各种网络结构和算法 系统应运而生，逐渐构成了较为完善的人工神经网络理论体系。同时，人工神经网 络的学术交流同益频繁，形成了良好的学术氛围。 2 1 世纪神经网络理论同益变得更加外向，不断产生具有重要意义的概念和方法， 推进神经网络向更高阶段发展。 2 1 2a n n 的一般原理 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k s ) 是模仿人脑工作方式而设计的一种机 器，它可以用电子或光电元件实现，也可以用软件在常规的计算机上仿真。美国研 究神经网络的著名学者r o b e i h e c h tn i e l s e n 在“神经计算”一书中将人工神经网络定 义为：神经网络是由处理单元组成的一种并行、分布式信息处理结构，处理单元可以 1 0 第2 章b p 神经网络介2 f 具有局部记忆并能进行局部化信息处理操作，处理单元之f n j 可以按称为连接的单向 信道相互连接。每个处理单元有一个输出连接，视需要它可以伸展( “扇出”) 出许 多侧向连接，每个侧向连接都传载相同的信号，即处理单元的输出信号，处理草元 输出信号可以是任意一种数学形式。每个处理单元所进行的信息处理可以任意定义， 唯一的要求是，它必须是完全局部的。即它只能按相应的连接到达该单元的输入信 号的当前值及存储在处理单元中的值来决定。 人工神经元( 即处理单元) 是神经网络的基本计算单元，它模拟了人脑中神经元的 基本特性。它一般是多输入单输出的非线性单元，它可以有定的内部状态和阈值。 在上面a n n 的发展史上提到的m p 模型，是c u h o c h 和p i n s 首先于1 9 4 3 年提出了 神经元的一种数学模型，从而奠定了神经计算和神经建模的基础。 图2 1 表示了作为a n n 的基本单元的神经元模型。 幽2 - 1 人1 ：神经元模耻 f i g 2 - 1 a r t i f i c i a ln e u r o nm o d e l 其中，p r 为神经元的内部状态，日一为闽值，y j 为输出信号，而为输入信号，w r 表 示从雎到纷的连接权值。j ，表示外部输入信号。 q = 。+ 工一只 ，11(2-1、 “l = ，扭i ( 2 2 z = g ( h ) = a ( 口，) f 2 3 ) 式中a t 是神经元f 的所有信号的代数和，“) 和西：- ) 均为作用函数。当神经元 没有内部状态时，可令z = “，h = ，。此时，f 称为神经元节点函数。常用自勺节点函 数有如下四种。如图2 - 2 所示。 2 1 2 1 阶跃函数 如图2 2 ( a ) 所示。 河北科技人! 学硕十学位论文 2 1 2 2 准线形函数 如图2 - 2 ( b ) 所示。 2 1 2 3 s i g m o i d 函数 如图2 - 2 ( c ) 所示。 2 1 2 4 双曲正切函数 如图2 - 2 ( d ) 所示。 f1 夕= 加) 篁 口 f0 、 仃口 0s 仃 口 口 0 寮专 他) = 扣历 j l _ w l 少。 图2 2 神经元状态转移函数 f i g 2 - 2 n e u r o nc o n d i t i o nt r a n s f e r f u n c t i o n ( 2 - 4 ) ( 2 - 5 ) ( 2 - 6 ) ( 2 7 ) a n n 由大量的人工神经元互联而成，连接方式有前馈、反馈和混和型三种。b p 模型和多层感知机属第一种，h o p f i e l d 模型和b o l t z m a n 机属第二种，属于第三种的 0 0 o 和任意如函数厂：【o t l 】褂_ ，存在一个三层b p 网络， 它可在任意平方误差精度内逼近f 。b p 定理说明，有单个隐蔽层的b p 模型可实 现任意复杂的映射问题。这为b p 模型的应用研究提供了理论上的保证。b p 网络就 是没有反馈的前向网络。人工神经网络有很多种模型，但按神经元的连接方式只有 两种型态：没有反馈的前向网络和相互结合型的网络。b p 网络即为前一种。前向网 络是多层映射网络，经元的信号，层前向网络，信号的传播是单方向的。所以，b p 网络也可以称作单向传播的多层前向网络，其结构如图2 5 所示。网络除输入输出节 点外，有一层或多层的隐层节点，同层节点间没有任何耦合。输入信号从输入层节 2 0 点，依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节 点的输出。 d 图2 5b p 网络结构图 f i g 2 5 b pn e t w o r ks t r u c t u r ed r a w i n g 输出层 隐含层 输入层 x o = ， 图2 巧神经元结构模型 f i g 2 - 6 n e u r o ns t r u c t u r a lm o d e l 除输入层外，每个节点都具有图2 - 6 所示的单个神经元结构，它是一个多输入、 单输出的非线性元件，其输入输出关系可描述为： 0 = p - a , i # o ，睾f ( j ，) 2 1 f 2 - 1 4 ) ( 2 - 1 5 ) 河北科技大学硕士学位论文 其中i 为后一层神经元( 输入为后，输出为前) ，k 为后一层神经元个数，i ，0 分别为神经元的输入输出，为神经元i 与j 的连接权值，够为神经元j 的阈值。 f ( ) 为节点作用函数，用s i g m o i d 型函数表示： m 卜赢 亿1 6 1 若令： 只2k 吒，q 1 = 1 f 2 1 7 1 即在后层增加一个第k + l 号节点，其输出为1 ，相应的权值为“，如图2 7 所示。 _ y 7 y 2 y m 图2 - 7以节点表不阈值的b p 网络 f i g 。2 7 b pn e u r on e t w o r k 显然，作为神经网络最基本的处理单元，神经元的结构简单，处理能力也比较 单一。然而，由大量这样的结构、功能简单的神经单元所构成的神经网络结构却表 现出许多无比优越的特性。神经网络的计算是由大量神经元集体完成的，是一种集 体活动，与之相适应的是信息的分布或存贮记忆结构以及联想记忆的存取方式。大 规模并行互连、非线性处理、互连结构的可变性等固有结构特性决定了神经网络信 息处理的快速性和强有力功能。 2 5b p 算法存在的问题 近年来，随着科学技术的不断发展，神经元网络理论的研究与应用己引起普遍 关注，实践也证明了人工神经元网络的特殊功能能够解决许多学科的难题，尤其以 b p 网络的应用和研究最多，但是由于技术的限制，常规的方法总是存在着一些不足， 使b p 网络结构没有得到很好的优化，使得出的结果并不理想，不能满足人们的需要。 b p 网络实际应用中存在的问题： 2 5 1 b p 网络建模过程中，出现“过拟合 现象 在神经网络的应用过程中，由于被逼近样本的性质往往不能精确知道，因此即 第2 章b p 神经网络介绍 使在网络误差为零的条件下，也未必能保证达到要求。这就是所谓的“过拟合”现 象，“过拟合 现象直接影响网络的泛化能力，使得网络最终失去实用价值。要解决 这一问题的一般方法是增加隐层数，这样可以降低网络误差，提高精度，但也使网 络复杂化，从而增加了网络的训练时间。 2 5 2 网络的初始权值的选择缺乏依据 传统的权值获取方法都是随机给定一组初始的权值，然后采用某个确定的变化规 则，在训练中逐步调整，最终得到一个较好权值分布。由于b p 算法是基于梯度下降 方法，旦取值不当，就会引起网络振荡或不收敛，或者训练时间增长，再加之实 际问题往往是极其复杂的多维曲面，存在多个局部极值点，使得b p 算法极易陷入局 部极值点。这些会导致b p 神经网络最终得不到适当的权值分布，从而影响网络的泛 化能力。 2 5 3 b p 神经网络算法收敛慢 网络对各种参数( 包括初始权值、学习速率、动量参数) 极为敏感，稍小的变动就 会引起拟合和泛化能力的振荡，在反复实验中确定各种参数，这样的过度训练会提 高网络的拟合能力，同时也拟合了训练数据中的噪声和训练样本中没有代表行的特 征，最终导致过拟合现象，从而影响网络的泛化能力。 2 。6b p 人工神经网络的改进方法 基本的反向传播算法收敛速度很慢，用基本的反向传播算法去进行负荷预测