毕业论文---BP算法的Matlab工具箱在短期负荷预测中的应用.doc

题 目：BP算法的Matlab工具箱在短期负荷预测中的应用院 系：西南交通大学网络教育学院 专 业：电气工程及其自动化 姓 名： 林 韬 指导教师： 贺建闽 西 南 交 通 大 学 网 络 教 育 学 院院系 西南交通大学网络教育学院 专 业 电气工程及其自动化 年级 2010春专本 学 号 10820801 姓 名 林韬 学习中心 福建学习中心 指导教师 贺建闽 题目 BP算法的Matlab工具箱在短期负荷预测中的应用 指导教师评 语 是否同意答辩 过程分(满分20) 指导教师 (签章) 评 阅 人评 语 评 阅 人 (签章)成 绩 答辩组组长 (签章) 年 月 日 毕 业 设 计 任 务 书班 级 电气工程及其自动化 2010春专本 学生姓名 林韬 学 号 10820801 发题日期：2012 年 04 月15 日 完成日期：2012 年 05月 12日题 目 BP算法的Matlab工具箱在短期负荷预测中的应用 题目类型：工程设计 技术专题研究 理论研究 软硬件产品开发一、 设计任务及要求分析BP算法的基本原理及主要的理论基础，构建一个3层的BP网络模型并确定了其中的相关参数，通过Matlab算例进行了仿真实验，将仿真值与实际值比较说明本文所提出的BP神经网络算法在电力系统短期负荷中应用的是可行性与可靠性 二、 应完成的硬件或软件实验 三、 应交出的设计文件及实物（包括设计论文、程序清单或磁盘、实验装置或产品等） 毕业设计、毕业论文 四、 指导教师提供的设计资料 五、 要求学生搜集的技术资料（指出搜集资料的技术领域） 六、 设计进度安排第一部分熟练课题，收集、整理课题相关资料 （ 1 周）第二部分 电力系统短期负荷预测的基本情况 （ 2 周）第三部分 BP算法的基本概念和理论依据 （ 2 周）第四部分 详细设计、建模、仿真实验 （ 3 周）第五部分 毕业设计论文文档编写整理 （ 2 周）评阅及答辩 （ 1 周） 指导教师： 年 月 日学院审查意见：审 批 人： 年 月 日 诚信承诺一、 本设计是本人独立完成；二、 本设计没有任何抄袭行为；三、 若有不实，一经查出，请答辩委员会取消本人答辩资格。承诺人（钢笔填写）：年月日目 录第1章 绪论21.1研究背景21.2研究概况21.3研究意义21.4研究内容3第2章 电力系统负荷预测概述32.1负荷预测的构成及作用42.1.1电力负荷的种类42.1.2 电力负荷预测的分类及作用42.2 短期负荷预测基本方法52.3 负荷特性分析72.3.1 日负荷周期性的分析72.3.2 周负荷周期性的分析8第3章 基于BP神经网络的短期负荷预测93.1 人工神经网络93.1.1 人工神经网络基本概念93.1.2 人工神经网络的结构93.1.3 人工神经网络的特性103.2 BP神经网络103.2.1 BP网络基本介绍103.2.2 BP算法的基本原理113.2.3 基本BP算法123.3 BP算法的短期负荷预测133.3.1 模型设计133.3.2 负荷数据的预处理143.3.3 负荷数据的归一化处理14第4章 算例分析164.1 数据处理164.2 MATLAB程序184.3 结论分析18结束语20致谢21参考文献22附录1 某市2007年3月1-18日历史负荷数据24附录2 具体程序及说明26西南交通大学网络教育毕业设计（论文） 30摘 要摘要：电力系统的短期负荷预测是指以周、天为单位的负荷预测，它是现代电力系统运行研究中的重要课题之一。电力系统短期负荷预测的结果是研究电力系统规划、电力系统经济运行及其调度自动化的重要依据。随着电力市场化改革的不断深入，短期负荷预测在电力系统中更显得日益重要。实践证明，在电力系统发展日趋复杂的今天，各种传统的负荷预测技术已经越来越难以满足电力部门越来越高的负荷预测精度要求，所以应用神经网络技术进行电力系统的短期负荷预测，具备传统算法所不具备的优点，对提高负荷预测的精度和稳定性，具有十分重要的意义。本文首先概述了电力系统短期负荷的原理、特点、研究现状及发展趋势，对电力系统的短期负荷预测的各种传统方法及现代方法进行了综述，并重点研究了人工神经网络在短期电力负荷预测中的应用。然后介绍了目前最为成熟的BP算法的基本原理及主要的理论基础，构建了一个3层的BP网络模型并确定了其中的相关参数。因为在BP网络中最初的权值和网络的构造对预测结果的精度影响最大，所以初始权值和隐层节点数的选取至关重要。最后利用某市2007年3月的历史负荷数据，通过Matlab算例进行了仿真实验，将仿真值与实际值比较说明了本文所提出的BP神经网络算法在电力系统短期负荷中的应用是可行的，也是可靠的。关键词：短期负荷预测，神经网络，BP算法，Matlab第1章 绪论1.1研究背景电力系统负荷预测是指，在充分考虑一些重要的系统运行特性、增容决策与自然条件的情况下，利用一套系统地处理过去与未来负荷的方法，在一定精度意义上，决定未来某特定时刻或某些特定时刻的负荷值1。电力系统负荷预测是电力系统发电计划的重要组成部分，也是电力系统经济运行的基础。在现代负荷预测的几种主要方法中，神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。而BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。1.2研究概况电力负荷预测中经常按时间期限分类，通常分为长期、中期、短期和超短期负荷预测。短期电力负荷预测是运用过去的历史负荷数据来进行对未来某一天或数个小时的电力负荷数值预测。负荷预测的方法和模型种类都是多种多样的，在过去的几十年里，从事负荷预测研究的学者们提出了多种负荷预测的算法，主要分为经典预测方法和现代预测方法。经典法主要有：指数平滑法，趋势外推法，时间序列法，回归分析法；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。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。 其中神经网络理论的方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场；但其缺点是学习收敛速度慢，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模糊知识。1.3研究意义短期电力负荷预测是随着现代能源管理系统(EMSEnergy Management System)发展起来的，EMS系统有效运行依赖于短期负荷预测的准确性。因此短期负荷预测是电力系统管理现代化的重要内容之一，是对发电、输电和电能分配等合理安排的必要前提，对提高电力系统的经济效益和社会效益，保障电力系统的安全经济运行与国民经济的发展具有非常重要的影响。由于对安全和经济发、配电有重大意义，短期负荷预测是对电力系统最为重要的负荷预测。因此，寻求有效的负荷预报方法，提高预测结果的准确度具有重要意义。由于人工神经网络本身是一种非线性系统，它可以很好地反映负荷的非线性特性和动态特性，它能通过“学习”历史负荷数据，用一隐含的非线性函数映射出负荷与影响其行为的各变量之间的关系，而不需考虑各变量之间的复杂关系，仅由神经网络自动“学习”出；由于电力负荷变化受天气的情况和人们的社会活动等因素的强烈影响，存在大量非线性映射关系，因此把神经网络算法引入到电力系统负荷预测中来，对于提高负荷预测的精度是非常有利的，并且具有良好的发展前景。1.4研究内容本文利用Matlab建立神经网络模型，对电力系统未来几天的负荷进行预测仿真，再和原始数据比较。本文完成的主要工作：(1)概述负荷预测的基本内容。主要包括其基本概念，目的，意义，负荷预测的各种基本方法简述，着重分析人工神经网络在负荷预测中的应用。(2)介绍了神经网络的基本原理和方法，阐述了其中最常用的BP算法的基本概念，原理及意义，利用Matlab建立BP网络的负荷预测模型。(3)将原始数据进行预处理，修正不良数据，并且将数据归一化后用Matlab进行仿真，在与实际值对比，仿真结果表明提高了预测精度。第2章 电力系统负荷预测概述负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，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据，其中负荷是指电力需求量（功率）或用电量；负荷预测是电力系统经济调度中的一项重要内容，是能量管理系统(EMS)的一个重要模块。要对电力负荷进行科学的预测，首先要找出电力负荷变化的规律和特性，分析电力负荷的组成部分和对短期负荷曲线变化影响的因素。因此，本章主要介绍了负荷的分类、基本组成以及作用。2.1负荷预测的构成及作用2.1.1电力负荷的种类用电分类是负荷预测和电力分配的依据。按经济行业的用电分类，电力系统负荷一般可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其他负荷等，不同类型的负荷具有不同的特点和规律。(1)城市居民负荷主要是家用电器，具有年增长和季节波动的特点，此外和居民日常生活和工作息息相关；(2)商业负荷主要是商业部门的照明，空调，动力等负荷，覆盖面积广，用电增长平稳，且同样具有季节波动性。所占比重虽然不如居民和工业负荷，但照明类负荷占电力系统的高峰时段，此外节假日额外的营业使之成为影响电力负荷的重要因素之一。(3)工业负荷是指用于工业生产的用电，其在用电负荷中居于首位，它不仅取决于工作方式，而且与各行业的特点、季节因素相关。一般负荷较为恒定。(4)农村负荷主要指农村的居民生产用电，受气候、季节等影响较大，也受农作物种类及耕作方式的影响。2.1.2 电力负荷预测的分类及作用电力负荷预测通常按时间进行分类，一般分为超短期、短期、中期和长期负荷预测。超短期负荷预测是指未来一个小时以内的负荷预测。用于安全监视，一般需要5-10秒或1-5分钟的预测值，用于预防控制和紧急状态处理，一般需要10-60分钟的预测值，使用对象是调度员。短期负荷预测通常是指日负荷预测和周负荷预测。其主要用于机组起停、水火电协调、负荷经济分配和设备检修等，通常需要1-7天的负荷值，使用对象是编制周调度计划的工程师。中期负荷预测是指月到年的用电负荷预测，预测指标有月平均最大负荷、月最大负荷等。其主要用于运行方式、水库调度、机组检修等。一般需要1-12个月的负荷值，使用对象是编制中长期运行计划的工程师。长期负荷预测是指未来3-5年或更长时间的用电负荷预测，主要用于电网的改造与扩建等远景规划，使用对象是规划工程师。2.2 短期负荷预测基本方法用于短期负荷预测方法有很多，常用的方法主要有：时间序列预测法、回归分析法、最小二乘法、指数平滑法等。近年来，预测理论技术取得了长足的进步，新技术层出不穷，综合起来主要有：灰色预测法、专家系统预测法、小波分析预测法、模糊预测技术、混沌理论预测技术、神经网络预测技术、组合优化算法等。以下简要分析几种主要方法：(1)灰色系统理论(Grey Theory)灰色系统理论是将一切随机变化量看作是在一定范围内变化的灰色量，常用累加生成和累减生成的方法，将杂乱无章的原始数据整理成规律性较强的数据列，用灰色模型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，即为所求的灰色预测模型2，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，此法适用于短、中、长三个时期的负荷预测。其缺点是其预测精度与被预测对象的变化规律密切相关，当原始数据波动情况如上下连续波动、指数波动、倍数波动时，预测的精度就差，此时就不宜使用灰色预测模型3。(2)专家系统(Expert System)专家系统是一个应用基于知识的程序设计方法建立起来的计算机系统，它拥有某个特殊领域专家的知识和经验，并能像专家那样运用这些知识，通过推理，在该领域内做出智能决策24。将专家系统技术用于负荷预测时，能对所收集整理的常规的预测模型逐一进行评估决策, 可以避开复杂的数值计算，快速地做出最佳预测结果，避免了人工推理的繁琐和人为差错的出现。然而，把专家的知识和经验等精确地表达并转化为一系列规则往往是很困难的，而且建立专家系统的工作量要比一般预报算法大得多，并且对于某些复杂的因素，通用性较差，缺乏学习能力和自适应推理能力。(3)小波分析法(Wavelet)在负荷预测中，通过选择合适的小波，对不同性质的负荷进行分类。从而可以针对某种性质的负荷，根据其规律采用相应的预测方法，对分解出的序列分别进行预测，再将预测得到的序列进行重构，得到负荷的预测结果56。由于重构可能造成误差的累加，因此对各小波系数序列的预测精度要求较高，也增加了模型的复杂性。(4)模糊集理论(Fuzzy Set)模糊集理论是介于逻辑计算和数值计算之间的一种数学工具，形式上利用规则进行逻辑推理，但其逻辑取值可以在0与l之间连续变化，采用数值的方法进行处理。由于模糊集理论适合描述广泛存在的不确定性，同时具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数，并且能够从大量的数据中提取它们的相似性78。但是模糊理论在负荷预测中的预测精度往往不尽如人意，这主要是由于模糊理论缺乏学习能力，这一点对不断变化的电力负荷来说，是极其不利的。(5)混沌理论(Chaos Theory)混沌学并非是无序和紊乱，它是非线性系统所产生的复杂的不规则行为，研究的是无序中的有序910。近年来，国内外许多学者将非线性变化的混沌理论引入电力系统负荷预测中来，提出了一系列的方法，显示了较好的效果。(6)人工神经网络法(Artificial Neural Network)人工神经网络是通过对人脑或者生物神经系统的结构模拟来实现预测的，具有非线性、自组织、自适应、大规模并行处理等优点，是目前使用较多的一种方法11。人工神经网络具有任意逼近非线性函数的特性，负荷曲线是与诸多因素有关的一个非线性函数，用人工神经网络对负荷历史数据进行拟合。是抽取和逼近负荷曲线进行负荷预测的有效方法。人工神经网络的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定，不要求知道输入输出变量间的函数关系，只要通过对输入输出数据的训练，获得输入输出之间的映射关系，从而进行负荷预测12。人工神经网络法被认为是一种非常有效的负荷预测技术，本论文主要针对其在短期负荷预测中的应用进行讨论。2.3 负荷特性分析从对电力系统的负荷的构成的分析中看出电力负荷的特点是时刻变化的，不但按小时变、按日变，而且按周变、按月变、按年变。因为负荷以天为单位不断起伏，所以负荷变化具有周期性、随机性、连续性等特点，一般不出现大的跃变。其中在短期负荷预测中周期性表现为电力负荷以天或周为一个周期发生波动，大周期中包含小周期；波动性表现为电力负荷序列在取值较小的时段，其波动幅度较小；在取值较大的时段，波动幅度较大；随机性表现负荷受到各种不同社会因素的影响，且具有一定增长的趋势。另外电力负荷对季节、温度、天气等是敏感的，不同的季节，不同的气候，温度的变化都会对负荷造成明显的影响。以下重点对负荷的周期性进行分析。2.3.1 日负荷周期性的分析基本负荷分量具有周期变化的特点。周期变化描述以天、周为周期的变化规律。下面本文以山西某市某年的历史负荷数据为例，对电力负荷特性进行分析。3月1日至3月3日的3天日负荷曲线如图2-1所示。图2-1 日负荷曲线图从图2-1可以看出电力日负荷的变化具有明显的周期规律，每天的电力负荷曲线形状都相似。这是因为每天都经历相同的昼夜变换，人每天的活动也随之相似，而电力负荷都是由人的活动产生的。在实际系统中，每日的负荷曲线可以分为峰荷、谷荷、腰荷。由于这三个时段负荷的组成是不同的，因此它们的变化规律也不同。低谷期对应的时间是夜间，在这个时段中，大多数人都处于休息的状态，负荷组成主要是那些必须运行的不间断的负荷，它们组成了负荷的基础部分，是一天负荷的较低部分；峰荷期对应的时间是在白天，这个时段人们的活动较多，负荷的种类也具有多样性，总体负荷的幅值变化也明显高于其它时段；腰荷期对应负荷变化的过渡过程，此时负荷的组成正在发生变化，并且它的持续时间也相对比较长，因此这个阶段的负荷处于一种上升状态或下降状态。从图2-1中不难看出同负荷曲线的这种变化趋势。2.3.2 周负荷周期性的分析2007年3月1日至3月28日的每日平均负荷曲线如图2-2所示。图2-2 四周的每日平均负荷曲线图从图2-2可以看出电力负荷曲线以星期一至星期日这7天作为一个周期变化的。一般说来，周负荷的周期是比较明显的，这与人们的日常生产、生活和学习大都是以周为单位安排有关。但一般工作日和周末的负荷值不同，这是因为负荷的构成有所区别。在工作日期间，负荷主要组成为工业负荷。工业负荷在工作日期间通常处于稳定的运转中，因此工作日的负荷变化具有相似性。而在周末，工业负荷所占比重大幅度下降，居民生活和商业用电所占比重明显上升，因此周末负荷同工作日就有所不同了。正常情况下，休息日负荷明显较工作日负荷低。通过对负荷特性的分析，为后面的负荷预测奠定了基础。第3章 基于BP神经网络的短期负荷预测随着人工智能技术的发展，人工神经网络(ANN)在负荷预测中得到越来越广泛的应用。其优点是能够模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点13。本章介绍了神经网络的概念，结构，特性，着重分析了其中最常用的BP网络的特点及BP算法的基本理论，将BP算法应用到电力负荷预测中。3.1 人工神经网络3.1.1 人工神经网络基本概念人工神经网络(Artificial Neural Network，简写为ANN)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目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。神经网络是由大量的简单神经元组成的非线性系统，每个神经元的结构和功能都比较简单，但大量神经元组合产生的系统行为却很复杂。它具有较强的学习能力、计算能力、变结构适应能力、复杂映射能力、记忆能力、容错能力及各种智能处理能力。目前，研究和应用最多的是以下四种基本模型和它们的改进模型，即Hopfield神经网络、多层感知器、自组织神经网络和概率神经网络。3.1.2 人工神经网络的结构神经元是神经网络的基本处理单元，图3-1是一个人工神经元的典型结构图。Sf( )yi x1x2xn-1wj1wj2wji图3-1 神经元模型该神经元由多个输入xi，i=1,2，n和一个输出y组成。中间状态有输入信号的权和表示，而输出为 (3-1)式中，j为神经元单元的阈值，wji为连接权系数，n为输入信号数目，yi为神经元输出，t为时间，f( )为输出变换函数(激活函数)。激活函数常用S形函数表达。一种常规的S型函数可由下式表示： (3-2)3.1.3 人工神经网络的特性人工神经网络可以说是具有下列特性的有向图：(1)对于每个节点i存在一个状态变量xi(2)从节点j，至节点i，存在一个连接权系数wji(3)对于每个节点i，存在一个阈值j；(4)对于每个节点i，定义一个变换函数fi(xi，wji，i)，ij；对于最一般的情况，此函数取fi(wjixi-j)形式。3.2 BP神经网络3.2.1 BP网络基本介绍BP(Back Propagation)网络是1986年由Rumelhart和McClelland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，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入输出模式映射关系，而无需事前揭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下降法，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、隐层和输出层，在各层次之间的神经元之间形成全互连接，但同一层次的神经元之间也没有反馈连接14。一个常规的三层BP网络的结构图如图3-2所示：输入层隐含层输出层图3-2 BP网络结构图对于任何在闭区间内的一个连续函数都可以用包含一个隐含层的BP网络来拟合，因而一般选用三层的BP网络进行训练学习。3.2.2 BP算法的基本原理BP网络，即误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止15。3.2.3 基本BP算法设BP网络的输入层有n个节点，隐含层有q个节点，输出层有m个节点，输入层与隐含层之间的权值为vki，隐含层与输出层之间的权值为wjk，。隐含层的传递函数为f1()，输出层的传递函数为f2()，则隐含层节点的输出为： k=1,2，q (3-3)输出层节点的输出为： j=1,2，m (3-4)输入p个学习样本，第p个样本输入到网络后得到输出ypj j=1，2，m。采用平方型误差函数，可以得到第p个样本的误差EP，式中tpj为期望输出。 (3-5)对于p个样本，全局误差E为： (3-6)采用累计误差算法调整wjk，使全局误差E变小，即： (3-7)定义误差信号为： (3-8)其中第一项为： (3-9)第二项是输出层传递函数的偏微分，于是： (3-10)输出神经元调整公式为： (3-11)隐含层权值的变化： (3-12)定义误差信号为： (3-13)其中第一项： (3-14)第二项是传递函数的偏微分，于是： (3-15)由链定理得： (3-16)从而得到隐含层权值调整公式为： (3-17)3.3 BP算法的短期负荷预测3.3.1 模型设计建立一个基于神经网络的短期负荷预测系统，首先要选择一个适当的网络结构。Kolmogorov定理已经证明，对于任何一个区间内的一个连续函数，都可以用一个隐含层的BP网络来逼近16，本文采用3层BP神经网络的预测模型。隐含层和输出层的激活函数选用Sigmoid型函数，其函数表达式如(3-2)。 Sigmoid型函数连续光滑，具有严格单调的特性，函数图像关于(0，0.5)中心对称，值域在(0，1)之间，其导函数处处可导，能节约计算时间。模型中输入节点m=24，24个输入节点表示预测日前一天的实际负荷数据的整点值，输出节点n=1，1个输出接点表示预测日的预测负荷数据的平均值。 在三层BP网络中隐含层节点个数的确定是一个十分复杂的问题。文献17认为在保证预测精度的前提下，隐含层节点数量可在一定的数值范围内变化。文献18认为隐含层节点个数在输入层节点个数的两倍左右。实验证明，神经网络隐含层节点数目与预测精度有很大的关系。一般情况下，隐含层节点个数越多，网络结构就越复杂，学习过程花费时间越长，同时也降低了预测模型的归纳概括能力，从而使模型预测精度大大降低。但如果隐含层神节点数量过少，模型就不能很好的拟合数据。恰当的节点个数不但能提高预测的精度，还能提高神经网络的预测速度。所以，在保证精度的前提下，应尽量采用简单的模型。本文采用 (3-18)来确定隐含层节点的初始数量，根据模型输入和输出节点的数量，得到隐含层节点的初始数量为5，然后利用逐步增长法进行试验，所谓逐步增长是先从一个较简单的网络开始，若不符合要求则逐步增加隐层单元数到合适为止19。当隐含层节点数量为9时，网络收敛速度不再加快。最终模型中隐含层节点数目选择9。(式中m和n分别代表输入节点数和输出节点数) (3-18)3.3.2 负荷数据的预处理由于原始的历史负荷数据的数据在采集有时会出现通道故障、堵塞等现象，相应的数据采集程序就会中断，造成了原始数据的错误与不真实。数据采集系统中的测量环节也可能因为故障而出现数据异常甚至丢失，或者由于特殊事故引起负荷的异常突变。这些错误和不真实的负荷数据通常称之为不良数据或坏数据，它们或者在数量级上与正常值相差很大，或者虽然在量级上没有显著差别，但是误差却越过了证常的范围。为了提高短期负荷预测的精度，必须修改或补全这些不良数据。3.3.3 负荷数据的归一化处理由于直接以原始数据对网络进行训练会引起神经元饱和, 因此在对网络进行训练之前必须对数据进行处理, 以消除原始数据形式不同所带来的不利。通常的做法是归一化处理。研究20表明, 以恰当的方式对数据进行归一化处理可以加速神经网络的收敛。归一化有好几种方法，本文采用日负荷数据的最大值与最小值进行标准化。设L=(L1,L2,Ln)为日负荷向量，Lmax=max(L1,L2,Ln ，Lmin=(L1,L2,Ln ,用公式3-19 将数据转换成在0,1的标准日负荷数据(x1,x2,xn)。 (3-19)第4章 算例分析由于短期电力负荷预测是一个复杂的过程，包括数据处理、建立模型以及误差分析等等，单纯的人工操作不但劳动强度大，而且预测的效果并不理想。因此使用相应的软件来完成这些复杂的工作显得很有必要。本章使用MATLAB7.0的神经网络工具箱，通过一个具体的算例来检验BP算法在负荷预测中的应用。利用某市2007年3月115日的历史负荷数据，用Matlab的神经网络工具箱来预测16,17,18三日的日平均负荷值，并与实际值比较，并得出结论。4.1 数据处理附录1是某市2007年3月1-18日的历史负荷数据，求出最大值，最小值，平均值后，利用公式(3-19)对其归一化处理后，其结果如表4-1至4-4所示：表4-1 1-8日整点负荷数据归一化结果时间1日2日3日4日5日6日7日8日0:000.36330.09850.21120.27240.28690.27770.34090.36331:000.27260.03810.12090.16170.16120.19840.25110.23382:000.20160.01980.08750.13310.12760.15930.18040.19253:000.14530.01310.04680.08180.11180.10940.13920.16834:000.12570.00030.03230.06830.11610.08530.12690.14635:000.12600.00270.04960.08960.12190.12270.16880.17796:000.27660.17350.24880.26140.28090.30350.32720.25057:000.32650.25820.32530.35020.39730.43790.42660.38278:000.42270.41860.45810.48730.52320.56100.56940.47029:000.49030.52060.58240.60530.65000.65540.65480.560110:000.57330.61800.66970.66180.71700.72250.71560.604911:000.70070.54080.78420.77720.83380.82210.85400.720712:000.49350.49460.53850.53670.60630.60310.58300.487613:000.44380.48840.50830.49530.56310.57090.54460.449514:000.47280.51670.52690.51420.58420.59360.57650.472815:000.58220.52710.53620.54910.58570.61530.56690.459116:000.65570.63470.61770.62970.65970.70430.65590.524717:000.83160.78490.79160.74960.79150.82500.77930.648418:000.61820.79080.80320.79590.82080.86140.80980.684919:000.67860.79930.84260.85570.86260.93220.88710.801020:000.57640.69730.78520.79420.80860.84140.83430.755221:000.47590.60850.69620.72090.72860.73880.72460.685822:000.37910.51250.63020.62530.63010.70270.65540.597023:000.21350.31900.42250.43840.42820.49740.50370.4292表4-2 9-17日整点负荷数据归一化结果9日10日11日12日13日14日15日16日17日0.27080.33000.30800.36790.39870.44080.40810.36030.42760.20460.23420.23890.27900.30150.32750.27920.25390.29790.13680.18000.17340.21980.23550.27900.21410.21610.25940.11660.14890.13310.20240.20390.21860.18640.17620.22570.09750.12430.14490.18250.22070.20870.19010.13170.20450.13580.15660.18710.21620.22670.25830.19840.17940.23640.36400.35420.37940.44860.44550.40520.32530.38210.40980.46260.41820.45880.50220.54740.47030.36000.41530.49410.57630.59320.60760.63580.67430.59760.46660.57050.60100.67560.67510.71170.73720.75520.68960.53540.68720.72300.74290.75590.75720.82010.78570.77380.62930.7598