【《基于BP神经网络的电力负荷预测分析案例》2600字】

基于BP神经网络的电力负荷预测分析案例目录TOC\o"1-3"\h\u16396基于BP神经网络的电力负荷预测分析案例 1186381.1数据预处理 116091.2短期电力系统负荷预测流程 1160691.3基于神经网络的电力系统负荷预测分析 266451.4预测误差分析 51.1数据预处理在电力系统的负荷预测中，经常存在着这些影响因素影响最终电力负荷预测结果精度的情况，比如时间和气候。同时，也存在着一些随机因素带来的影响，比如一些用电设备的故障引起的负荷减小等情况。时间因素主要是指对负荷使用有影响的时间节点，比如节假日或者周末工厂停工，负荷使用较少。气候因素主要是指夏季或者冬季天气极端，使用制冷或者保暖设备较多，会造成用电负荷较大的情况发生等。因为这些影响因素会对模型的训练产生影响，继而影响预测结果，所以为了减少这种影响，首先应对输入数据进行处理，这种处理常用的就是将输入数据归一化，当模型输出的时候，再对输出结果进行反向的归一化处理，处理的公式如下：(4-1)式中：x为归一化之后的数据，xin为没有归一化之前的输入数据，xmin为输入数据中的最小值，xmax为输入数据中的最大值，xout为初始的输出结果，y则为反向归一化之后输出的数据，带入公式将数据处理之后，反向归一化的输出数据y的范围为0至1之间的数。BP神经网络需要大量数据进行样本训练，当大量样本的输入输出具有某一种统一的规律的时候，证明该系统就具有这种规律，因此再进行预测的时候给定输入，得到的输出就与真实值比较接近。查阅资料，得知经过长期的观察以及记录，温度等因素对电力系统负荷的影响比较大，本文输入的环境因素选取为与负荷相关度较大的“温度”、“湿度”，以及“气压”。将历史数据的“温度”、“湿度”、“气压”作为输入，对应时刻的“电力系统负荷”作为输出，进行BP神经网络的训练，用以获得BP神经网络进行负荷预测的预测模型。1.2短期电力系统负荷预测流程运用BP神经网络进行短期电力系统负荷预测流程如图4-1所示。图4-1基于BP神经网络的短期电力系统负荷预测流程图运用上述流程图对输入数据进行训练，可以求得固定的权值，也就是BP神经网络预测模型的参数，在需要预测的时候，输入相应的环境因素后可以得出对应时间的负荷预测结果。1.3基于神经网络的电力系统负荷预测分析本预测在MATLAB环境下，调用程序包进行预测。在MATLAB中，可以方便的进行数据计算以及结果的可视化处理，使用神经网络工具箱可以方便高效的完成预测任务。本文中的电力系统负荷预测时间尺度为10分钟，一天24小时，共144个数据。模型输入的环境因素有三个，分别为：温度、湿度、气压，同时以该时刻的电力系统负荷为输出。利用30天的数据作为模型的训练集，共计4320个训练样本（30246=4320），每个样本为三个输入变量，所以训练样本的维度为12960（43203=12960）。本文中，选取预测日为一天，共计144个点作为测试集（246=144）。利用训练样本对BP神经网络进行训练，因为输入的环境因素有三个，输出的结果为一个负荷，所以模型有三个输入和一个输出。本文中，选取BP神经网络的最大收敛次数为100次，收敛误差为0.0001，学习率为0.1。利用训练完毕的神经网络模型进行电力系统负荷的预测，图1.2为BP神经网络数据训练的过程图，可以从图中看出本文中BP神经网络的隐含层设置为5层。图4-2BP神经网络训练图经过30天数据的训练，得到BP神经网络预测模型，在得到的神经网络模型的基础上，输入第31天的温度、湿度，以及气压数据作为输入数据，得到BP神经网络的电力系统负荷预测结果(144个点)。计算结果为表4-1所示。表4-1BP神经网络预测结果与实际数据对比表序号123456789101112output_test12.93013.59011.38011.30011.69017.73017.29018.17018.34017.68019.14020.190BP_output13.17213.88313.48411.25311.45615.61517.07017.03417.37016.89817.71718.125序号131415161718192021222324output_test19.14018.96018.52019.40018.26017.38017.16018.87018.43019.18017.60017.860BP_output17.91617.82717.56917.76016.90317.03017.11717.38517.32218.00917.18217.127序号252627282930313233343536output_test18.92017.86018.12018.96019.0906.95018.83018.56019.14018.92017.90018.040BP_output17.89417.56617.18417.71717.8823.55217.42117.88517.96117.59216.88317.419序号373839404142434445464748output_test17.73019.05018.83019.27020.59019.80019.66019.40018.96019.18018.65019.220BP_output16.55817.57417.68017.73317.73617.97117.69917.93517.45217.88317.78217.920序号495051525354555657585960output_test17.77016.85017.42017.64016.94016.50017.02017.11016.89017.07017.11016.980BP_output17.03817.04217.00617.07815.74216.06016.43416.76516.85616.43116.95717.163序号616263646566676869707172output_test16.98016.94015.40016.06015.66017.51016.41016.45016.36015.88015.04011.910BP_output16.48416.01915.06415.54315.59316.13015.70416.59916.50715.99515.68215.628序号737475767778798081828384output_test11.91011.08011.65011.30012.98013.02012.36012.23012.62012.54013.11012.890BP_output11.76213.32515.21311.42712.79212.21112.39512.06512.83112.18913.25313.108序号858687888990919293949596output_test13.24012.45012.71012.36011.96012.10011.92012.27012.10011.61013.20012.710BP_output13.05812.41412.74512.38511.86011.59311.30011.78212.52711.81012.18112.220序号979899100101102103104105106107108output_test12.76012.71013.20013.28013.24013.02011.03013.99013.90011.25012.84013.940BP_output12.40312.26112.57012.77113.15013.27513.40313.92413.91413.77713.27013.672序号109110111112113114115116117118119120output_test13.28013.28013.42011.16013.72013.77013.46013.72012.67012.67012.14011.790BP_output13.41512.71613.38513.73212.92213.40112.78913.16212.83412.05711.62311.729序号121122123124125126127128129130131132output_test11.83011.48011.48011.48010.42011.48010.60011.04011.17011.88012.14011.920BP_output11.11111.12311.13311.19810.82311.36110.74310.93110.84311.97612.19913.062序号133134135136137138139140141142143144output_test12.45012.05012.93011.96012.62012.76012.76012.05012.49013.68013.33013.370BP_output13.47612.64013.50211.97013.43512.55912.60012.38011.48911.28413.75613.971将预测结果与实际数据在统一坐标轴中对比，如图4-3所示：图4-3BP神经网络预测输出由图4-3可以看出，预测数据基本上和实际数据吻合，除了个别点数据误差较大以外，基本上数据变化趋势一致，具有较好的相似性。由此表明，基于BP神经网络的短期电力系统负荷功率预测结果与实际结果十分相近。1.4预测误差分析对于电力系统负荷预测误差的分析，可以有不同的分析方法，常见的有单点误差、均方根误差、平均绝对误差等。本文分别从这三个方面对本次基于BP神经网络的电力系统负荷预测结果进行分析。单点误差，指预测值与实际值的差，其公式表达式(4-2)(4-2)式中：为预测绝对误差，yout为预测的输出值，ytest为实际值。图4-4为单点误差图。图4-4BP神经网络单点误差值图由图4-4中可以看出，预测的单点误差基本上维持在零上下，最大误差绝对值也不超过4，毕竟预测过程中有一些随机因素的影响，很难每个点都保持在很小的误差之内，总体判断本次预测较为准确。BP神经网络预测单点误差百分比计算公式为：(4-3)式中：yout为预测的输出值，ytest为实际值。单点预测误差百分比更能反映出来预测误差在预测结果中所占有的比例，能直观的反映出来预测的准确性，由图4-5可知，本次预测除个别点的预测误差稍大以外，均误差较小。图4-5BP神经网络绝对误差百分比均方根误差RMSE均方根误差的计算是通过预测结果与真实情况的差值求平方，然后与观察次数求比值，再进行开方，所计算的结果，其表达式如下