【《BP神经网络的电力系统负荷预测分析案例》4600字】

BP神经网络的电力系统负荷预测分析案例目录TOC\o"1-3"\h\u5570BP神经网络的电力系统负荷预测分析案例 1311391.1短期负荷预测 1164861.1.1短期负荷预测的特点 17951.1.2影响短期负荷预测的因素 2275031.1.3短期负荷预测基本步骤 21981.2人工神经网络 2303911.2.1人工神经网络概述 2205331.2.2人工神经网络分类及应用 3149091.3BP神经网络 6243991.1.1BP神经网络的学习过程 7129371.1.2BP神经网络的学习算法 81.1短期负荷预测电力系统短期负荷预测根据历史性的负荷变化规律，对未来的负荷进行分析和预测，针对未来一天以至于一周时间内的电力系统负荷进行分析。通过短期预测能提高电力部门对于调度的计划以及工作效率。能够有效地制定调度计划，能够进一步提高经济性。1.1.1短期负荷预测的特点电力系统中短期预测是根据短期历史分析数据变化的趋势预测未来负荷，短期的电力系统负荷具有条件性，连续性以及周期性的特点，因此短期负荷预测具有如下的特点：（1）可知性：短期负荷的变化规律以及趋势是可知的，短期负荷随工业生产。假期以及人民生活规律等因素的变化而发生相应的改变。上述说明负荷的变化规律是能被认知的，具有明显的连贯性。时间上表示有延续的特点，在总结历史的短期负荷的特点以及发展趋势，进而推测未来的负荷值。（2）不确定性：短期负荷的数值受电力用户需求决定，在正常的情况下。而电力系统中用户的用电量需求受着多种可变的复杂因素的影响。其中包括可控性和不可控性。不可控性决定短期负荷发展趋势的随机性，导致最终负荷预测具有诸多不确定的因素，预测的结果不完全准确。（3）条件性：电力系统负荷的影响因素较多，因此电力系统中短期负荷预测模型只有在已知特定的情况下进行预测，其中包括包括已知的确定的条件和假设条件。（4）时间性：电力系统中短期负荷预测实质上是预测未来一周或者一天内的负荷变化趋势，不同的预测目的则使用的预测方法不同，能够推测出相应时间范围内不同的预测结果，超出预测范围的限制将导致准确性下降。（5）多方案性：影响电力系统负荷变化的因素众多，但是根据预测目的的不同，需要掌握活并且重点处理不同的已知因素，来推测负荷在不同的方案下的发展趋势，从未得到不同的负荷预测模型，保证预测的全面和准确性。1.1.2影响短期负荷预测的因素电力系统中短期负荷预测来说，电力系统的负荷变化不仅受到自身时间序列的影响还受到诸多外部因素的影响。为得到准确短期电力系统的预测结果，就必须对影响短期电力负荷相关的因素进行综合评估。本文在查阅相关文献的基础上，总结出影响电力系统负荷变化的几个主要的因素：（1）天气、温度因素在短期的负荷预测中，气候对短期负荷的影响占据着主要的作用。例如气温、温度以及空气湿度等都会造成电力系统的负荷突变，而其中温度对于负荷特性的影响是最重要的因素，它直接影响空调用电量的变化，通常情况下，根据电力行业调度的经验值，利用权值表示对电力短期负荷的影响程度，让系统的准确度和可靠性更高。（2）时间因素其中另一个重要的因素是时间，时间同时也是影响电力系统负荷的另一个重要因素，对电力系统短期负荷的影响主要分为以下三个方面：第一季节性的影响，不用季节由于昼夜长短以及一天中气温的变化不同，电力系统的短期负荷也随之发生不同程度的波动。另一发面是周期性的影响，主要是由于每日和每周内的影响。对于每日而言负荷最低出现在凌晨时分、负荷的最高值出现在黄昏；对于一周内的周期性波动，工作日的负荷明显高于休息日的负荷。最后就是节假日对负荷的影响，节假日的时间越长，其对负荷的值也相应的升高。（3）电价因素国内正在逐步发展推动电力市场的深化改革，电价的水平和结构对负荷的影响左右也十分的突出。电价的高低主要影响电力用户对于电价的承受能力，电价制定的过高，人们对于用电量就会相对减少。如果电价定制的锅底，人们的用电量就会相应的增加。电价结果对于负荷的影响主要在电价的的峰谷值，以及阶梯性价格。1.1.3短期负荷预测基本步骤想要得到科学并且合理的负荷预测结果，除考虑短期负荷预测特点和相关的影响因素外还需要按照如下的几个步骤进行计算：（1）明确电力系统短期负荷的预测要求和预期的目标，制定合理的预测计划。由于电网的类型不停以及预测的要求也各异，因此在进行电力系统的短期负荷必须明确短期负荷预期的目标和内容，因此根据计划的不同。（2）充分调查相关的资料，整理分析得到有效的数据，根据全面可靠的分析，并从中得到具有预测价值的资料，其中包括当地的历史性负荷、温度等外部的环境相关信息，为模型预测提供真实有效的数据支撑。（3）建立短期负荷预测模型，确定模型的初始化数据，根据所确定的预测内容以及要求，结合预测对象运行情况合理构造预测模型。（4）根据的到的数据，训练并学习修正网络模型，依据预测结果和实际结果的偏差，不断迭代修正模型参数，最后达到预期的优化目标。1.2人工神经网络1.2.1人工神经网络概述20世纪80年代人工神经网络模型逐步地开始使用，并在应用中达到快速的发展，同时也是将人工智能算法运用到STLF的应用中重要的应用。ANN是根据人类神经的活动特点进行模拟得到输出，即对人类大脑神经传播的过程进行数学上的抽象和化简。通过等效成一个复杂网络特点得到，通过对生物大脑过程抽象得到简化的模型，因为其与人脑的信息处理方式累死，故ANN模型具有很强的非线性映射以及优化计算等能力。在计算机控制、机器人等领域有着重要的应用。ANN预测模型由于高度的非线性以及自主学习能力和适应性等要求，在电力系统的短期负荷预测中展现巨大的优势和良好的误差特性。如图3-1所示为神经元模型的结构图。。。。。。。。。。。。。图3-1神经元模型结构如图3-1所示，神经元的基本工作原理是由多个输入端和多个输出端组成，后经过权值和阈值不断地叠加，最后经过激励函数得到相应的输出结果。具体过程为：（3-1）其中，输入向量为，权值向量表示各个输入量所占的比重，为神经元阈值，输入量、权值这两个值的乘积与阈值的和决定着神经元激活或者抑制的程度，为神经元的激励函数，一般为sigmoid、purelin等函数。1.2.2人工神经网络分类及应用ANN的种类繁多，通常可按照网络拓扑结构、学习方式、网络性能等规则将ANN分类，具体分类情况。如图3-2所示为人工网络的分类情况。图3-2人工神经网络的分类在电力系统短期的负荷预测中，首先对ANN模型进行设计，往往根据ANN模型的特点和网络结构进行考虑，目前主要采用如下的三种模型：（1）前馈神经网络ANN神经网络中结构最简单的是前馈神经网络，如图3-3所示的前馈神经网络结构图。将模型分为输入层和输出层以及隐藏层三个次序进行排列，并且前层和后层的神经元之间存在连接，呈现发射装的连接状态，此种连接方式可利于不同信息直接的传递。FNN输入层收到外城输入数据后，通过神经元内激励函数的作用转化为改变数据状态，最后经过隐含层得到期望的输出值。目前常用的神经网络模型有反向传播和径向基函数等神经网络模型。隐含层输出层输入层隐含层输出层输入层图3-3前馈神经网络结构图（2）反馈神经网络目前常用的反馈神经网络模型主要有Hopfield神经网络和Elman神经网络等，反馈神经网络是包含时间动态变化的隐状态时间网络，通过将历史输出状态进行记忆，并将历史记忆作为动力学体系实现反馈信息的调节输出。与前一节的FNN模型相比，反馈神经网络存在反馈机制，相比FNN还存在能够反向输入或者前一层神经元的概率，如图3-4所示为简单的反馈神经网络模型。输入层输出层隐含层输入层输出层隐含层图3-4反馈神经网络结构图（3）自组织竞争神经网络在基于生理学和脑科学的最新研究成果提出自组织竞争神经网络，是目前最接近人类大脑活动的人工神经模型网络，其能够自动识别寻找数据输入控制中本质的规律以及固有的属性，在无监督以及检查的情况下。能够自发组织、自适应地改变网络学习过程和参数。竞争层中通过对输入模式进行响应，让输入的数据形成竞争机制，最终通过竞争只有一个神经网络能够胜出，最后胜出神经元按照输入代表以及输入模式进行分类。通过不断调整获胜神经元之间的权值，更有利于加强自身竞争能力的方向调整，增强在下一轮竞争的能力，提高获胜的概率。如图3-5所示为两层神经元自竞争结构，在网络上自竞争网络通过输入层与自竞争层两部分组成。输入层竞争层输入层竞争层图3-5自组织竞争神经网络结构图目前人工神经网络已经在各个学科和工程领域取得大规模的应用和研究，特别是在电力系统的负荷预测的研究过程中，由于人工神经网络具有很强的学习能非线性逼近的能力等特性，使得在电力系统的负荷预测过程中起到至关重要的作用。目前这种方法电力系统中常用的方法，在电力系统的预测过程中，预测的流程为；首先对历史负荷数据和相关的影响因子进行归一化的处理，将得到的结果作为样本的训练空间，确定合理的神经网络模型结构，并采用优化算法反复对网络结构模型参数进行优化；1.3BP神经网络Rumelhart等人在1986年研究分布式信息的基础上提出一种基于误差反向传播算的简单网络模型，即BP神经网络。BP神经网络是目前应用最广泛、效果最好的一种前馈型的神经网络，通过误差反向传播算法对网络进行学习。理论上，BP神经网络可求解非线性以及复杂的函数模型，根据误差的反向算法对网络进行学习和训练，在此基础上能很好地解决输入以及输出的问题，将训练好的网络模型视为是对复杂函数的描述，而不需要对求解出的表达式就可得到需要的预测结果。BP神经网络不但具有良好的稳定性和逼近性。因此形成电力系统短期预测领域中应用最广泛的智能化的算法。常见的BP神经网络模型通常有输入层、隐含层以及输出层三层结构组成，并且每一个平层之间没有直接的联系，层与层之间的神经元是通过连接，如图3-6所示为BP神经网络的结构图。其中输入层与直接输入层数据直接相连，模型中神经元的个数根据具体对象决定；其中隐藏层在整个网络中有着至关重要的作用，输出层表达整个网络的输出。输出层隐含层输入层输出层隐含层输入层图3-6BP神经网络结构图1.1.1BP神经网络的学习过程BP神经网络的学习过程执行以下步骤：（1)首先对神经网络的权值进行初始化，连接各神经元所取的权值，随机选取非零的数值,,。（2）确定BP神经网络的参数，定义变量为,K为训练的样本数。并规定第N次计算后输出的实际值为。并定义一个神经元期望输出量，选择神经元的输入信息，将数据导入，则可以计算出所有神经网络神经元的输出值。（3）通过数据对期望输出值和实际输出值进行比较，计算出样本的误差分析。（4）通过误差，将输出数值反馈给隐含层，将减少误差作为第一准则，对其中的阈值和权值进行调整，以判断是否结束训练。BP神经网络学习过程流程图如图3-7所示图3-7BP神经网络学习流程图1.1.2BP神经网络的学习算法BP神经网络是一种监督学习的算法，其中模型的训练主要存在数据的正向传播以及误差的反向传播过程两个过程。BP神经网络的输入信号从输入层输入，经过BP神经网络将权值以及神经元的阈值函数和激励函数共同的作用和转化下，最终通过输出层将最后的结果进行输出，这个过程就是数据的正向传播过程。输入数据为m维度的输入量，和分别为输入层与隐含层、隐含层与输出层之间的连接权值为n维输出向量。假设BP神经网络中隐藏层中神经元的个数为q，则过程中正向传递信息过程可概括为：对于输入矩阵中一个特定的变量，输入层到隐藏层第j神经元传递的信息为：（3-2）则隐含层第j个神经元的输出为：（3-3）其中为j个神经