畢業(yè)設(shè)計(jì)基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測的研究（含外文翻譯）

1、摘要本科畢業(yè)設(shè)計(jì)（論文）基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測的研究牛艷霞燕 山 大 學(xué)2009年6月本科畢業(yè)設(shè)計(jì)（論文）基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測的研究學(xué)院（系）： 里仁學(xué)院 專 業(yè)： 工業(yè)自動(dòng)化 學(xué)生 姓名： 牛艷霞 學(xué) 號：051203011009 指導(dǎo) 教師： 楊晟剛 答辯 日期： 燕山大學(xué)畢業(yè)設(shè)計(jì)（論文）任務(wù)書學(xué)院：電氣工程學(xué)院 系級教學(xué)單位：自動(dòng)化系 學(xué)號051203011009學(xué)生姓名牛艷霞專 業(yè)班 級工自1班題目題目名稱基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測的研究題目性質(zhì)1.理工類：工程設(shè)計(jì) （ ）；工程技術(shù)實(shí)驗(yàn)研究型（ ）；理論研究型（ ）；計(jì)算機(jī)軟件型（ ）；綜合型（ ）2.管理類（

2、）；3.外語類（ ）；4.藝術(shù)類（ ）題目類型1.畢業(yè)設(shè)計(jì)（ ） 2.論文（ ）題目來源科研課題（ ） 生產(chǎn)實(shí)際（ ）自選題目（ ） 主要內(nèi)容1建立電力系統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型。2根據(jù)模型進(jìn)行仿真實(shí)驗(yàn)。3撰寫畢業(yè)設(shè)計(jì)論文?；疽?學(xué)習(xí)和掌握神經(jīng)網(wǎng)絡(luò)的預(yù)測方法。2完成電力系統(tǒng)負(fù)荷仿真計(jì)算。3完成畢業(yè)設(shè)計(jì)論文。參考資料1電力系統(tǒng)相關(guān)資料。2預(yù)測理論相關(guān)資料。3神經(jīng)網(wǎng)絡(luò)理論相關(guān)資料。周 次第14周第58周第912周第1316周第17周應(yīng)完成的內(nèi)容查閱相關(guān)參考資料，了解電力系統(tǒng)負(fù)荷模型和神經(jīng)網(wǎng)絡(luò)理論。建立電力系統(tǒng)負(fù)荷預(yù)測模型。完成電力系統(tǒng)負(fù)荷預(yù)測的仿真實(shí)驗(yàn)。準(zhǔn)備資料，開始撰寫畢業(yè)論文完成畢業(yè)論文的撰寫

3、，繪制圖紙，準(zhǔn)備答辯。指導(dǎo)教師：楊晟剛職稱： 2008年12 月28 日系級教學(xué)單位審批： 年 月 日摘要電力系統(tǒng)對各類用戶盡可能地提供經(jīng)濟(jì)、可靠而合乎標(biāo)準(zhǔn)要求的電能，以隨時(shí)滿足各類用戶的要求。但由于電力的生產(chǎn)與使用具有其特殊性，即電能是不能儲(chǔ)存的，這就要求電力系統(tǒng)發(fā)電時(shí)刻緊跟系統(tǒng)負(fù)荷的變化，保持動(dòng)態(tài)平衡，否則，就會(huì)影響供用電的質(zhì)量，危及系統(tǒng)的安全與穩(wěn)定。由此負(fù)荷預(yù)測成為電力系統(tǒng)運(yùn)行調(diào)度中一項(xiàng)非常重要的內(nèi)容，它是保證電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和實(shí)現(xiàn)電網(wǎng)科學(xué)管理及調(diào)度的重要方面，也是今后進(jìn)行電網(wǎng)商業(yè)化運(yùn)營所必需的基本內(nèi)容。隨著科學(xué)技術(shù)的發(fā)展，負(fù)荷預(yù)測技術(shù)也有當(dāng)初的依賴電力調(diào)度人員技術(shù)的傳統(tǒng)預(yù)測方式發(fā)展

4、到現(xiàn)在的自動(dòng)預(yù)測技術(shù)，負(fù)荷預(yù)測能夠考慮到更多的影響負(fù)荷變化的因素，預(yù)測水平和精度不斷提高。本文側(cè)重于一種新興預(yù)測技術(shù)，基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測。本文首先簡單介紹幾種傳統(tǒng)的負(fù)荷預(yù)測技術(shù)，引出神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)。接著介紹負(fù)荷預(yù)測原理和神經(jīng)網(wǎng)絡(luò)原理，指出本文所用網(wǎng)絡(luò)模型bp網(wǎng)。然后具體介紹bp網(wǎng)絡(luò)相關(guān)原理及其設(shè)計(jì)，最后以南方某城市的電力負(fù)荷歷史數(shù)據(jù)為例介紹神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)。關(guān)鍵詞神經(jīng)網(wǎng)絡(luò)；負(fù)荷預(yù)測技術(shù)；bp網(wǎng)絡(luò)iii 燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文）abstractpower system provides economic, reliable and standardized power to

5、various type of user as much as possible to meet their requirements. however the unique strait of electric power that it can not be stored requires the power to keep pace with the load and to keep balance, or it will have bad affect of the quality and endanger the systems security and stability. the

6、 power system load forecasting has one of the important items of the scheduling of the system, and which is an important aspect lf ensuring systems safe and economic operation and realizing the scientific management and scheduling of the system, but also it is the necessary elements of the commercia

7、l operation of the power grid in the future.with the development of science and technology, load forecasting has developed by the traditional means relying on the experiences of the technician to the automatically forecasting technology, which is able to contain more factors impacting the changes of

8、 the load. the level and accuracy of load is increasing improved. this article focuses on a new prediction technique, the power system load forecasting basing on neural network.this paper introduces several traditional load forecasting techniques briefly for the first, and then leads out neural netw

9、ork prediction. the next two chapters are devoted to load forecasting theory and neural network theory, pointing out the network model bp network used in this paper. the last chapter relates to the principle of bp network and its design concretely, and finally takes a southern citys power load data

10、as an example to introduce the neural network forecasting technology.keywords neural network；load forecasting technology；bp network iii 目 錄摘要iabstractii第1章 緒論11.1 課題背景及意義11.2 國內(nèi)外研究現(xiàn)狀11.3 人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用61.4 本文的研究內(nèi)容71.5 本章小結(jié)7第2章 電力系統(tǒng)負(fù)荷預(yù)測分析92.1 負(fù)荷預(yù)測基礎(chǔ)知識92.1.1 負(fù)荷預(yù)測的基本原理92.1.2 負(fù)荷預(yù)測的特點(diǎn)102.1.3 影響負(fù)荷變化的因素10

11、2.2 負(fù)荷預(yù)測誤差分析102.3 負(fù)荷預(yù)測基本程序132.4 本章小結(jié)14第3章 神經(jīng)網(wǎng)絡(luò)基本原理163.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識163.1.1 人工神經(jīng)元模型163.1.2 人工神經(jīng)網(wǎng)絡(luò)模型193.1.3 人工神經(jīng)網(wǎng)絡(luò)的特性193.2 神經(jīng)網(wǎng)絡(luò)算法203.3 bp網(wǎng)絡(luò)203.3.1 bp網(wǎng)絡(luò)模型與結(jié)構(gòu)203.3.2 bp算法213.3.3 bp網(wǎng)絡(luò)的功能273.4 本章小結(jié)27第4章 基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測284.1 神經(jīng)網(wǎng)絡(luò)預(yù)測模型284.1.1 樣本集的設(shè)計(jì)284.1.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)294.1.3 參數(shù)的選擇304.1.4 輸入輸出數(shù)據(jù)預(yù)處理314.1.5 網(wǎng)絡(luò)訓(xùn)練與測試334.

12、2 網(wǎng)絡(luò)仿真結(jié)果334.3 bp網(wǎng)絡(luò)的改進(jìn)354.4 本章小結(jié)35結(jié)論36參考文獻(xiàn)37致謝39附錄15附錄26附錄37附錄417iii章及標(biāo)題 第1章 緒論1.1 課題背景及意義電力系統(tǒng)的任務(wù)是給用戶不間斷地提供優(yōu)質(zhì)電能，滿足各類負(fù)荷的需要。負(fù)荷預(yù)測是在考慮各種影響的條件下，利用一套系統(tǒng)地處理過去與未來負(fù)荷的數(shù)學(xué)方法，在滿足一定精度要求的條件下，確定未來某特定時(shí)刻的負(fù)荷值。負(fù)荷預(yù)測按時(shí)間期限進(jìn)行分類，通常分為長期、中期、短期、超短期負(fù)荷預(yù)測。電力系統(tǒng)負(fù)荷預(yù)測是電力生產(chǎn)部門的重要工作之一，對于電力系統(tǒng)控制、運(yùn)行和計(jì)劃的意義非常重要。負(fù)荷預(yù)測的結(jié)果對于機(jī)組啟停的安排及新的發(fā)電機(jī)的安裝，對于電網(wǎng)的增

13、容和改建，對于旋轉(zhuǎn)備用容量大小的安排、檢修計(jì)劃安排的合理性、發(fā)電成本及經(jīng)濟(jì)效益都有重要影響。未來時(shí)刻的電力系統(tǒng)調(diào)度安排取決于負(fù)荷預(yù)測的結(jié)果，因此其結(jié)果的準(zhǔn)確性直接影響調(diào)度結(jié)果，進(jìn)一步對電力系統(tǒng)的安全運(yùn)行及其經(jīng)濟(jì)性帶來重要影響。電力負(fù)荷變化受多方面影響。在為解決電力壟斷而實(shí)行的市場化運(yùn)營條件下，由于電力交易更加頻繁及經(jīng)營主體的差別，會(huì)出現(xiàn)各種不確定性因素，另外電價(jià)對于負(fù)荷變化的影響逐漸增強(qiáng)，是的負(fù)荷預(yù)測更加困難。市場各方更加重視信息的獲取，準(zhǔn)確的預(yù)測結(jié)果對于電力經(jīng)營主體的運(yùn)行效益有直接影響，因而對負(fù)荷預(yù)測精度又提出更高要求。但目前的負(fù)荷預(yù)測是人工進(jìn)行的，是調(diào)度人員根據(jù)經(jīng)驗(yàn)尋找相似日直觀的預(yù)測，且

14、僅限于提前一天的預(yù)測。因此需要一個(gè)自動(dòng)的預(yù)測系統(tǒng)，以滿足機(jī)組調(diào)動(dòng)及經(jīng)濟(jì)效益的需求，且該系統(tǒng)要能減少對調(diào)度人員經(jīng)驗(yàn)的依賴性并適應(yīng)于不同的精度要求。因此，電力負(fù)荷預(yù)測水平成為衡量一個(gè)電力企業(yè)的管理是否走向現(xiàn)代化的標(biāo)志之一，尤其在電力事業(yè)高度發(fā)展的今天，用電管理走向市場，電力負(fù)荷預(yù)測問題的解決也成為我們面臨的艱巨而重要的任務(wù)。1.2 國內(nèi)外研究現(xiàn)狀國內(nèi)外許多學(xué)者對此進(jìn)行了研究，發(fā)展至今，已提出了許多測試方法，并在預(yù)測中應(yīng)用最新的數(shù)學(xué)成果，預(yù)測水平得到迅速提高，預(yù)測研究取得了很大進(jìn)展。負(fù)荷預(yù)測的核心問題是預(yù)測的技術(shù)方法，即預(yù)測數(shù)學(xué)模型的建立。隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展，預(yù)測理論技術(shù)得到了很大改進(jìn)，理論研究

15、得到逐步深入。例如在國內(nèi)，華北電力大學(xué)的陳志業(yè)、牛東曉教授等先后對此進(jìn)行了研究，開發(fā)了適合短、中、長期各類負(fù)荷預(yù)測的應(yīng)用軟件包，分別通過了電力工業(yè)部和有關(guān)網(wǎng)省局的技術(shù)鑒定，鑒定認(rèn)為負(fù)荷預(yù)測模型的研究達(dá)到了國際先進(jìn)水平，并已廣泛的應(yīng)用于華北電網(wǎng)各個(gè)地區(qū)1?，F(xiàn)已有的預(yù)測技術(shù)可分為定性的經(jīng)驗(yàn)預(yù)測技術(shù)及依賴于數(shù)量模型、定量的預(yù)測技術(shù)。在實(shí)際應(yīng)用中，經(jīng)驗(yàn)技術(shù)方法的預(yù)測精度并不比定量方法的預(yù)測精度差，甚至比某些定量方法的預(yù)測精度更高，尤其是在含有天氣突變、重大事件等不確定性因素的特殊情況下。經(jīng)驗(yàn)技術(shù)方法不是依靠模型分析，而主要是依靠專家的判斷，其結(jié)果只是給出一個(gè)方向性的結(jié)論，這個(gè)結(jié)論也可能是數(shù)值型的。常用

16、經(jīng)驗(yàn)技術(shù)有專家預(yù)測法（通過召開專家會(huì)議，面對面討論問題或采用匿名方式獨(dú)立發(fā)表各自的意見）、類比法（對類似事物作類比分析，通過已知事物預(yù)測未知事物）、主觀概率預(yù)測法（綜合若干專家估計(jì)的特定事件發(fā)生地主觀概率p=q/n）。經(jīng)典技術(shù)包括：單耗法（平均單位用電量*該產(chǎn)品產(chǎn)量）、負(fù)荷密度法（某地區(qū)用電密度*人口數(shù)或土地面積）、比例系數(shù)法（假定以后與過去有相同的電力負(fù)荷增長比例，用歷史數(shù)據(jù)求出比例系數(shù)，按比例預(yù)測未來發(fā)展）、彈性系數(shù)法1。以下簡單介紹一下實(shí)際應(yīng)用中的傳統(tǒng)技術(shù)方法。（1）平滑預(yù)測方法 平滑預(yù)測法是對收集到的負(fù)荷變化的t期數(shù)據(jù)，根據(jù)預(yù)測中“重近輕遠(yuǎn)”的原則，加以不等權(quán)，加大新近數(shù)據(jù)的權(quán)系數(shù)，減

17、小遠(yuǎn)期數(shù)據(jù)的權(quán)數(shù)，以加強(qiáng)近期數(shù)據(jù)的作用，弱化遠(yuǎn)期數(shù)據(jù)的影響。（2）回歸模型預(yù)測技術(shù) 電力負(fù)荷回歸模型預(yù)測技術(shù)就是根據(jù)負(fù)荷的歷史資料，用數(shù)理統(tǒng)計(jì)中的回歸分析方法，建立回歸模型，對觀測數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，研究隨機(jī)變量與可控量之間的關(guān)系，對未來負(fù)荷進(jìn)行預(yù)測?；貧w預(yù)測包括線性回歸與非線性回歸。由于在實(shí)際中，負(fù)荷受多方面影響，分析變量間關(guān)系就要用到多元回歸。多元線性回歸模型的數(shù)學(xué)表達(dá)式： （1-1）其中是線性可控量，是與可控量無關(guān)的未知參數(shù)，是未知誤差。模型經(jīng)參數(shù)估計(jì)與檢驗(yàn)后，既可用于預(yù)測。設(shè)定預(yù)測點(diǎn)，代入式（1-1）得觀察值為，其預(yù)測值為 （1-2）預(yù)測誤差為 （1-3）以上介紹的是線性回歸模型，但在實(shí)

18、際中多是非線性的變量關(guān)系，有些特殊情況可以通過適當(dāng)?shù)淖兞看鷵Q，轉(zhuǎn)換線性相關(guān)問題，以簡化研究過程2?；貧w分析具有原理簡單，預(yù)測速度快等特點(diǎn)，但其具有下述弱點(diǎn)，使其應(yīng)用具有較大的局限性：1）要求大量的樣本；2）要求樣本有較好的分布規(guī)律與確定的發(fā)展趨勢；3）計(jì)算工作量大；4）可能出現(xiàn)量化結(jié)果與定性分析結(jié)果不符的現(xiàn)象。此類方法實(shí)用于電力系統(tǒng)的中期負(fù)荷預(yù)測3。（3）時(shí)間序列預(yù)測技術(shù) 一個(gè)隨著時(shí)間變量變化的量，在不同時(shí)刻的觀察組成的離散有序集，稱為一個(gè)時(shí)間序列。電力負(fù)荷的歷史數(shù)據(jù)即為有序集合，這個(gè)集合就是一個(gè)時(shí)間序列，用這個(gè)序列模型分析負(fù)荷變化規(guī)律并對該序列在未來時(shí)刻的變量作出預(yù)報(bào)，就是負(fù)荷預(yù)測的時(shí)間序列

19、法1。在經(jīng)過模型識別、參數(shù)估計(jì)及模型檢驗(yàn)后，該模型用于負(fù)荷預(yù)測。該方法計(jì)算速度快，能反映負(fù)荷近期變化的連續(xù)性，但對模型的平穩(wěn)性要求較高，且沒有考慮天氣變化對負(fù)荷的影響。（4）灰色預(yù)測技術(shù) 灰色預(yù)測是用灰色模型gm(1，1)、gm(1，n)進(jìn)行定量的分析?；疑碚撚美奂由伞⒗蹨p生成、均值化生成、及比生成、灰數(shù)的白化函數(shù)生成等灰色系統(tǒng)生成方式把原始數(shù)據(jù)進(jìn)行整理求得隨機(jī)性化弱化、規(guī)律性強(qiáng)化了的生成數(shù)。用此生成數(shù)建立微分方程即為灰色建模。對模型的精度和可信度進(jìn)行校驗(yàn)并修正后即可據(jù)此模型預(yù)測未來的負(fù)荷。此法適用于短、中、長三個(gè)時(shí)期的負(fù)荷預(yù)測?；疑A(yù)測具有要求負(fù)荷數(shù)據(jù)少、不考慮分布規(guī)律、不考慮變化趨勢、

20、運(yùn)算方便、短期預(yù)測精度高，易于檢驗(yàn)等優(yōu)點(diǎn)。但也存在當(dāng)數(shù)據(jù)離散程度越大，即數(shù)據(jù)灰度越大，預(yù)測精度越差這樣的缺點(diǎn)。因此其應(yīng)用也存在一定的局限性。為了解決這一問題，人們對灰色預(yù)測做了很多改進(jìn)，希望這一技術(shù)成為研究負(fù)荷變化規(guī)律的新型有效技術(shù)5。隨著預(yù)測理論技術(shù)的不斷發(fā)展，新的預(yù)測方法不斷出現(xiàn)，以下簡單介紹幾種預(yù)測技術(shù)的新方法。（1）優(yōu)選組合預(yù)測技術(shù) 優(yōu)選組合預(yù)測是預(yù)先選擇若干預(yù)測模型，計(jì)算每一種預(yù)測模型在近期的預(yù)測誤差，可采取一定的加權(quán)方式對這些誤差進(jìn)行加權(quán)組合，也可在這些模型中選擇擬合優(yōu)度最佳或標(biāo)準(zhǔn)誤差最小的預(yù)測模型進(jìn)行預(yù)測的方法4。常用組合技術(shù)有：等權(quán)平均組合預(yù)測法、方差協(xié)方差優(yōu)選組合預(yù)測法、回歸

21、組合預(yù)測法、模型群優(yōu)選組合預(yù)測法。在單個(gè)預(yù)測模型不能完全正確地描述預(yù)測量的變化規(guī)律時(shí)采用組合預(yù)測方法，取各個(gè)預(yù)測模型之長而避其之短。因其建立在最大信息利用的基礎(chǔ)上，最優(yōu)組合了多種單一模型所包含的信息，從而改善預(yù)測效果。但優(yōu)選組合預(yù)測法在建立模型時(shí)也受到兩方面的限制：一是不可能將所有在未來起作用的因素全包含在模型中；二是很難確定眾多參數(shù)之間的精確關(guān)系。所以其預(yù)測精度的提高很受限制。（2）專家系統(tǒng)預(yù)測技術(shù) 對于各種可能引起負(fù)荷變化的情況，還需要預(yù)測人員的經(jīng)驗(yàn)與判斷力。專家系統(tǒng)預(yù)測是一個(gè)用基于知識的程序設(shè)計(jì)方法建立起來的計(jì)算機(jī)系統(tǒng)，它擁有某個(gè)領(lǐng)域內(nèi)專家的知識和經(jīng)驗(yàn)，并能像專家那樣運(yùn)用這些知識，通過推

22、理，在那個(gè)領(lǐng)域內(nèi)做出智能決策。一個(gè)完整的專家系統(tǒng)由四個(gè)部分組成：知識庫、推理機(jī)、知識獲取部分和界面，其中最重要的部分是知識庫。專家系統(tǒng)法是將人類的不可量化的經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)化的一種較好的方法，從前述專家的觀點(diǎn)找出歷史負(fù)荷數(shù)據(jù)和溫度之間的對應(yīng)關(guān)系，運(yùn)用知識、經(jīng)驗(yàn)和經(jīng)驗(yàn)系統(tǒng)操作器的模擬推理負(fù)荷預(yù)測。若能將它與其他方法有機(jī)地結(jié)合起來，構(gòu)成預(yù)測系統(tǒng)，將可得到滿意的結(jié)果。此方法能克服單一算法的片面性，且具有快速判斷的優(yōu)點(diǎn)。但把專家知識和經(jīng)驗(yàn)等準(zhǔn)確的轉(zhuǎn)化為一系列規(guī)則是非常不易的，因此應(yīng)用又不方便。（3）小波分析預(yù)測技術(shù) 小波分析（wavelet）是本世紀(jì)數(shù)學(xué)研究中最杰出的代表，由于其在理論上的完美性及在應(yīng)用上的

23、廣泛性，受到了科學(xué)界、工程界的高度重視。小波分析是一種時(shí)域-頻域分析方法，它在時(shí)域、頻域內(nèi)同時(shí)具有良好的局部化性質(zhì)，且能根據(jù)信號的頻率自動(dòng)調(diào)節(jié)采樣疏密。它容易捕捉和分析微弱信號以及信號、圖像的任意細(xì)小部分。以下優(yōu)點(diǎn)決定了小波分析可以有效地用于負(fù)荷預(yù)測的研究：1）能對不同的頻率成分采用逐漸精細(xì)的采樣步長，從而可以聚焦到信號的任意細(xì)節(jié)；2）對奇異信號很敏感，能很好地處理微弱或突變的信號；3）能將一個(gè)信號的信息轉(zhuǎn)化成小波系數(shù)，從而能方便地加以處理、存儲(chǔ)、傳遞、分析或用于重建原始信號。電力系統(tǒng)負(fù)荷具有周期性，即以天、周、年為周期發(fā)生波動(dòng)，大周期中套有小周期。由于小波信號能將不同頻率的混合信號分解成不同

24、頻帶上的塊信號，因此對負(fù)荷序列進(jìn)行小波變換將負(fù)荷序列投影到不同的尺度上，這樣各個(gè)尺度上的子序列代表了原序列中的不同頻域分量，更清楚地表現(xiàn)了負(fù)荷序列的周期性。對不同的子序列進(jìn)行預(yù)測，最后通過序列重組，得到完整的負(fù)荷預(yù)測結(jié)果，其精確性比直接用原負(fù)荷序列進(jìn)行預(yù)測有一定改進(jìn)6。（4）神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù) 負(fù)荷曲線是與很多因素相關(guān)的一個(gè)非線性函數(shù)，對于抽取和逼近這種非線性函數(shù)，神經(jīng)網(wǎng)絡(luò)是一種合適的方法。神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)是剛剛興起的一種方式。它可以模擬人腦對各種信息進(jìn)行智能化處理，具有學(xué)習(xí)和自適應(yīng)功能，是以往算法和技術(shù)所不具備的。預(yù)測被當(dāng)做人工神經(jīng)網(wǎng)絡(luò)（ann）最具潛力的應(yīng)用領(lǐng)域之一。利用人工神經(jīng)網(wǎng)絡(luò)（ann

25、），選取過去一段時(shí)間的負(fù)荷作為訓(xùn)練樣本，構(gòu)造適宜的網(wǎng)絡(luò)結(jié)構(gòu)，用某種訓(xùn)練算法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，學(xué)習(xí)訓(xùn)練數(shù)據(jù)中所蘊(yùn)涵的規(guī)律，并將這種規(guī)律保存在自己的權(quán)值矩陣中，滿足精度要求之后，用于負(fù)荷預(yù)測。一般而言，ann應(yīng)用于短期負(fù)荷預(yù)測要比應(yīng)用于中長期負(fù)荷預(yù)測更為合適。因?yàn)槎唐谪?fù)荷變化可以認(rèn)為是一個(gè)平穩(wěn)隨機(jī)過程，而長期負(fù)荷預(yù)測與國家或地區(qū)的政治、經(jīng)濟(jì)、政策等因素密切相關(guān)，通常會(huì)有些大的波動(dòng)，而并非是一個(gè)平穩(wěn)隨機(jī)過程7。1.3 人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用人工神經(jīng)元網(wǎng)絡(luò)（ann）適于解決時(shí)間序列的預(yù)測問題，尤其是平穩(wěn)隨機(jī)過程的預(yù)測。其在負(fù)荷預(yù)測中的應(yīng)用理論上是可行的。（1）首次采用ann進(jìn)行電力系統(tǒng)負(fù)荷預(yù)測采

26、用的是bp模型，用不同的輸入預(yù)測不同的負(fù)荷。采用的模型結(jié)構(gòu)比較簡單，且只限于預(yù)測日。用于網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)據(jù)為歷史數(shù)據(jù)，但未做適當(dāng)?shù)念A(yù)處理，訓(xùn)練時(shí)間較長。一些學(xué)者在此基礎(chǔ)上進(jìn)行研究，提出了bp模型的自適應(yīng)算法，適于解決樣本數(shù)據(jù)不太平穩(wěn)時(shí)的訓(xùn)練問題且速度快，在短期負(fù)荷預(yù)測方面比標(biāo)準(zhǔn)算法有效。（2）對于樣本的選取，有關(guān)文獻(xiàn)提出了在歷史數(shù)據(jù)中選取與預(yù)測時(shí)間的特征量相似的數(shù)據(jù)，以減少樣本數(shù)據(jù)，加快訓(xùn)練速度。有關(guān)文獻(xiàn)還提出了對樣本數(shù)據(jù)進(jìn)行處理的一些方法，并設(shè)計(jì)了bp模型的一種變形結(jié)構(gòu)，在輸入輸出間增加線性連接，大大改善了bp網(wǎng)的性能。（3）利用自適應(yīng)線性元件（adaline）提前一周預(yù)測某天的負(fù)荷，采用譜

27、分析法對負(fù)荷進(jìn)行分解，每個(gè)分量都用一個(gè)adaline模型。這種模型算法速度快，但只能解決線性問題8。但人工神經(jīng)網(wǎng)絡(luò)方法具有難以科學(xué)確定網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)速度慢、存在局部極小點(diǎn)、記憶具有不穩(wěn)定性等固有缺陷。目前，研究負(fù)荷預(yù)測偏重于將各種算法的優(yōu)點(diǎn)結(jié)合從而提高預(yù)測的精度。如將模糊算法與隨機(jī)時(shí)間序列（armax過程）相結(jié)合、將模糊和專家系統(tǒng)相結(jié)合、將模糊算法和神經(jīng)網(wǎng)絡(luò)結(jié)合。這些算法對于負(fù)荷預(yù)測的精度有一定的提高，但同時(shí)也增加了負(fù)荷模型的復(fù)雜性。1.4 本文的研究內(nèi)容本文以南方某城市的負(fù)荷數(shù)據(jù)為研究對象，介紹基于神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測系統(tǒng)。研究的前提是已知該地區(qū)的歷史負(fù)荷數(shù)據(jù)，即2004年7月10日到7月

28、20日的正點(diǎn)有功負(fù)荷和預(yù)測日的天氣特征，即2004年7月11日到7月21日的天氣特征。本文所做的工作可以歸納為以下幾點(diǎn):（1）本論文根據(jù)該城市的歷史負(fù)荷數(shù)據(jù)，分析影響預(yù)測的各種因素，如負(fù)荷的組成，負(fù)荷區(qū)域以及影響負(fù)荷變化的天氣因素，提出負(fù)荷類型。本文所做預(yù)測為短期負(fù)荷預(yù)測。（2）介紹負(fù)荷預(yù)測，總結(jié)國內(nèi)外負(fù)荷預(yù)測技術(shù)，主要包括負(fù)荷預(yù)測的分類、特點(diǎn)及特性的分析；負(fù)荷預(yù)測的基本模型的概述；總結(jié)國內(nèi)外負(fù)荷預(yù)測的傳統(tǒng)技術(shù)及新技術(shù)，重點(diǎn)分析人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用。依據(jù)功能要求，提出誤差反傳播算法。通過介紹神經(jīng)網(wǎng)絡(luò)原理，引出bp網(wǎng)絡(luò)，介紹bp網(wǎng)絡(luò)及其誤差反傳播算法，及其改進(jìn)。（3）介紹網(wǎng)絡(luò)設(shè)計(jì)過程，

29、根據(jù)負(fù)荷特性及其影響因素，確定本文所用具體神經(jīng)網(wǎng)絡(luò)模型。（4）以該城市為例進(jìn)行負(fù)荷預(yù)測，通過matlab神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行模型仿真計(jì)算，進(jìn)行訓(xùn)練網(wǎng)絡(luò)及測試，確定神經(jīng)網(wǎng)絡(luò)算法的可行性。1.5 本章小結(jié)本章主要介紹了該課題的研究背景和意義，介紹了負(fù)荷預(yù)測研究的國內(nèi)外研究現(xiàn)狀，其中包括傳統(tǒng)預(yù)測方法和隨著科學(xué)技術(shù)發(fā)展產(chǎn)生的新技術(shù)方法，并介紹了一種新技術(shù)-神經(jīng)網(wǎng)絡(luò)技術(shù)在負(fù)荷預(yù)測中的應(yīng)用。最后引出本文的研究內(nèi)容。 25 章及標(biāo)題 第2章 電力系統(tǒng)負(fù)荷預(yù)測分析電力負(fù)荷預(yù)測是電力系統(tǒng)用電、調(diào)度、計(jì)劃、規(guī)劃等管理部門的重要工作之一。提高負(fù)荷預(yù)測水平，有利于規(guī)劃電源建設(shè)，有利于計(jì)劃用電管理，有利于降低發(fā)電成本，提

30、高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益，在當(dāng)前電力系統(tǒng)市場化的趨勢下，負(fù)荷預(yù)測已成為電力市場交易管理系統(tǒng)中必不可少的一部分。2.1 負(fù)荷預(yù)測基礎(chǔ)知識負(fù)荷指電力需求量或者用電量，即發(fā)電廠或電網(wǎng)在某一瞬間所承擔(dān)的工作負(fù)荷，或連接在電網(wǎng)的用電設(shè)備在某一瞬間所消耗的功率之和。負(fù)荷預(yù)測是根據(jù)現(xiàn)有歷史數(shù)據(jù)，在考慮各種影響負(fù)荷預(yù)測因素及滿足一定精度要求的條件下，分析負(fù)荷變化規(guī)律，以確定未來某時(shí)刻的負(fù)荷值。負(fù)荷預(yù)測有多種分類標(biāo)準(zhǔn)，例如按時(shí)間分為：長期、中期、短期、超短期負(fù)荷預(yù)測。2.1.1 負(fù)荷預(yù)測的基本原理負(fù)荷預(yù)測是根據(jù)負(fù)荷變化規(guī)律，預(yù)測和判斷負(fù)荷未來變化趨勢和狀況，用于指導(dǎo)工作。其基本原理有：（1）可知性原理 對

31、于電力負(fù)荷的發(fā)展規(guī)律，其未來的發(fā)展趨勢是可以根據(jù)現(xiàn)有數(shù)據(jù)預(yù)測到的。（2）相似性原理 相似性原理是指根據(jù)一個(gè)已知的相似事物的發(fā)展?fàn)顩r預(yù)測某事物的發(fā)展過程?？梢愿鶕?jù)已建成的具有可比性的開發(fā)區(qū)的用電負(fù)荷去預(yù)測一個(gè)將要建設(shè)的開發(fā)區(qū)的用電量，據(jù)此進(jìn)行對象地區(qū)的電力規(guī)劃與建設(shè)。（3）反饋性原理 反饋是利用輸出信號反饋到輸入端，進(jìn)而調(diào)整預(yù)測系統(tǒng)精度，提高系統(tǒng)預(yù)測的準(zhǔn)確性。（4）系統(tǒng)性原理 預(yù)測對象是無論本身還是與外界相聯(lián)系都是一個(gè)完整的系統(tǒng)，因而進(jìn)行負(fù)荷預(yù)測時(shí)，只有系統(tǒng)整體最佳預(yù)測，才是高質(zhì)量的預(yù)測。2.1.2 負(fù)荷預(yù)測的特點(diǎn)電力負(fù)荷預(yù)測是根據(jù)電力負(fù)荷的過去和現(xiàn)在值推測它的未來值。所研究的對象是不確定事件，

32、因此需要采用適當(dāng)?shù)念A(yù)測技術(shù)，推知其發(fā)展?fàn)顩r。這就使得負(fù)荷具有以下特點(diǎn)：（1）預(yù)測結(jié)果的不確定性 電力負(fù)荷的發(fā)展受多種復(fù)雜因素的影響，這些因素是發(fā)展變化的，如社會(huì)經(jīng)濟(jì)發(fā)展、人口增長、全球氣候變化等。人們對有些因素能預(yù)先估計(jì)，有些因素則不能或很難被準(zhǔn)確預(yù)見，同時(shí)，預(yù)測方法與理論的不斷更新，也將影響到預(yù)測的精度。（2）預(yù)測的條件性 各種電力負(fù)荷預(yù)測都是在一定條件下做出的。這些條件有必然條件和假設(shè)條件，按必然條件做出的負(fù)荷預(yù)測是可靠的，按假設(shè)條件做出的預(yù)測準(zhǔn)確性具有條件性。多數(shù)情況下，負(fù)荷未來發(fā)展是不確定的，需要假設(shè)。給預(yù)測結(jié)果加以一定的前提，更有利于用電部門使用預(yù)測結(jié)果。（3）預(yù)測的時(shí)間性 負(fù)荷預(yù)測

33、屬于科學(xué)預(yù)測的范圍，因此需要指明預(yù)測時(shí)間。（4）預(yù)測的多方案性 由于預(yù)測的不準(zhǔn)確性和條件性，且負(fù)荷預(yù)測受一定預(yù)測條件的制約并具有精度要求，再加上預(yù)測手段及理論模型的多樣性，使得預(yù)測的結(jié)果并非是唯一的。2.1.3 影響負(fù)荷變化的因素影響負(fù)荷變化的因素很多，且它們之間沒有確定的關(guān)系，對負(fù)荷預(yù)測的準(zhǔn)確性造成很大影響。影響負(fù)荷預(yù)測的因素有：（1）天氣因素，如溫度、濕度、風(fēng)力、降雨等氣象因素。（2）負(fù)荷構(gòu)成，如電力用戶類型及其某地區(qū)所占比例不同。（3）價(jià)格因素。（4）重大節(jié)日，如春節(jié)，國慶節(jié)等重大節(jié)日的用電。2.2 負(fù)荷預(yù)測誤差分析負(fù)荷預(yù)測值即期望值與實(shí)際值存在一定的差距，這個(gè)差距就是預(yù)測誤差。分析誤差

34、產(chǎn)生的原因，認(rèn)識預(yù)測的準(zhǔn)確度，對于改進(jìn)預(yù)測工作，檢驗(yàn)預(yù)測方案具有重要的指導(dǎo)意義。誤差產(chǎn)生原因有以下幾方面：（1）負(fù)荷預(yù)測要用到數(shù)學(xué)模型。對于復(fù)雜的電力系統(tǒng)，模型是一種簡化了的系統(tǒng)，只考慮所研究現(xiàn)象的主要因素，沒有也不可能包含所有的相關(guān)因素。與實(shí)際負(fù)荷存在差距，用它進(jìn)行負(fù)荷預(yù)測，將不可避免地產(chǎn)生誤差。（2）負(fù)荷變化受各式因素的影響，進(jìn)行預(yù)測的目的與要求不同，如果預(yù)測模型選擇不當(dāng)，就會(huì)產(chǎn)生誤差。（3）意外事件和突發(fā)情況會(huì)對負(fù)荷預(yù)測值產(chǎn)生影響，產(chǎn)生預(yù)測誤差；計(jì)算或判斷上的錯(cuò)誤也會(huì)造成誤差。（4）負(fù)荷預(yù)測要用到大量的數(shù)據(jù)資料，而各項(xiàng)資料不能保證其準(zhǔn)確可靠性，這也勢必帶來誤差。了解預(yù)測誤差產(chǎn)生原因后，可

35、以對預(yù)測模型或預(yù)測技術(shù)加以改進(jìn)。同時(shí)還必須對預(yù)測誤差進(jìn)行計(jì)算分析，進(jìn)而可以檢驗(yàn)所選的預(yù)測模型。常用的計(jì)算和分析預(yù)測誤差的方法主要有：（1）絕對誤差與相對誤差 這是一種直觀的表示方法，在實(shí)際應(yīng)用中作為一項(xiàng)考核指標(biāo)常被應(yīng)用。設(shè)為實(shí)際值，為預(yù)測值，則稱絕對誤差，或?yàn)橄鄬φ`差。（2）平均絕對誤差 （2-1）其中，；（3）均方誤差 （2-2）其中，。均方誤差是預(yù)測誤差平方之和的平均數(shù)，避免了正負(fù)誤差不能相加的問題。（4）均方根誤差 （2-3） 其中，此誤差方程的優(yōu)點(diǎn)是對絕對誤差進(jìn)行了平方，加強(qiáng)了數(shù)值大的誤差的作用，提高了其靈敏性。（5）標(biāo)準(zhǔn)誤差 （2-4）其中，（6）關(guān)聯(lián)度誤差分析 關(guān)聯(lián)度是分析系統(tǒng)中各

36、因素關(guān)聯(lián)程度的方法，根據(jù)曲線間相似程度來判斷關(guān)聯(lián)程度。用此方法來比較預(yù)測模型的優(yōu)越性。比較幾種預(yù)測模型對應(yīng)的預(yù)測曲線與實(shí)際曲線的擬合程度，關(guān)聯(lián)度越大，擬合度越高，說明模型越優(yōu)越。設(shè)參考數(shù)列，預(yù)測數(shù)列，則 （2-5）為在第點(diǎn)的關(guān)聯(lián)系數(shù)。其中，為兩數(shù)列在 點(diǎn)的絕對差；為兩級最小差，其中是第一級最小差，表示先在曲線上找各點(diǎn)與的最小差，在此基礎(chǔ)上找條曲線中的最小差；是兩級最大差；稱為分辨系數(shù)，一般取為0.5。總和各點(diǎn)關(guān)聯(lián)系數(shù)，得出兩曲線關(guān)聯(lián)度 （2-6）對于單位不同，或初值不同的數(shù)列比較時(shí)，用每個(gè)數(shù)列的第一個(gè)數(shù)除其他數(shù)進(jìn)行初始化。由上述分析可見，關(guān)聯(lián)度分析是把關(guān)聯(lián)程度量化的方法。2.3 負(fù)荷預(yù)測基本程

37、序進(jìn)行電力負(fù)荷預(yù)測，必須考慮預(yù)測程序問題，因?yàn)樗且粋€(gè)用于指導(dǎo)電力調(diào)度工作的科學(xué)預(yù)測范疇，只有清楚其過程，才能做好預(yù)測工作。其基本程序如下：（1）確定預(yù)測目的，制定預(yù)測計(jì)劃。首先負(fù)荷預(yù)測目的一定要明確，才能制定合理的預(yù)測工作計(jì)劃。以下問題要包括在計(jì)劃內(nèi)：預(yù)測時(shí)期，所需資料類型、來源及資料量，預(yù)測方法，預(yù)期完成時(shí)間，預(yù)測經(jīng)費(fèi)等。（2）調(diào)查資料和選擇資料。盡可能地多方收集資料，包括已發(fā)表的和未發(fā)表的，然后把這許多資料按照直接相關(guān)性、可靠性、最新性的標(biāo)準(zhǔn)濃縮到最小，深入研究。在我國目前的情況下，收集資料尚存在一定的難度，如果資料收集得不全面活不好會(huì)影響預(yù)測結(jié)果的準(zhǔn)確性。（3）整理資料。1）衡量統(tǒng)計(jì)資

38、料質(zhì)量的標(biāo)準(zhǔn)有以下幾個(gè)方面：資料完整無缺，各期指標(biāo)齊全； 數(shù)字準(zhǔn)確無誤，反映的都是正常狀態(tài)下的水平，資料中沒有異常“分離項(xiàng)”； 時(shí)間數(shù)列各值間有可比性； 歷史資料的表現(xiàn)形式即計(jì)量單位是否規(guī)范。2）資料的整理包括以下內(nèi)容： 資料的補(bǔ)缺推算，用前后兩項(xiàng)推算中間項(xiàng)，或用比例計(jì)算第一項(xiàng)； 對不可靠資料加以核實(shí)調(diào)整。能找出原因的加以更正，否則刪除； 對時(shí)間數(shù)列中不可比資料加以調(diào)整。處理可比性問題時(shí)所有資料在時(shí)間上保持可比性。資料整理的目的是為了保證資料的質(zhì)量，從而保證預(yù)測質(zhì)量。（4）對資料的初步分析。1）畫出動(dòng)態(tài)折線圖或散點(diǎn)圖，研究資料變動(dòng)軌跡，分析其異常值和轉(zhuǎn)折值產(chǎn)生的原因。2）對異常值加以處理：設(shè)歷

39、史數(shù)據(jù)為，令，若，取，使數(shù)據(jù)數(shù)列趨于平穩(wěn)。3）計(jì)算相關(guān)系數(shù)等統(tǒng)計(jì)量，進(jìn)一步辨明資料軌跡性質(zhì)，為以后建模作準(zhǔn)備。（5）建立預(yù)測模型。預(yù)測模型反映的是資料內(nèi)部特征。預(yù)測模型的多樣化，要求研究人員依據(jù)具體資料選擇適當(dāng)?shù)念A(yù)測模型。必要時(shí)采用幾種模型進(jìn)行比較，選擇最佳模型。（6）綜合分析，確定預(yù)測結(jié)果。 根據(jù)選擇的預(yù)測模型，計(jì)算初步預(yù)測值。對影響預(yù)測對象的各種因素的發(fā)展趨勢，經(jīng)過綜合分析、對比、推理和評價(jià)，最終調(diào)整和修正初步預(yù)測值，確定糾正后的預(yù)測值。（7）編寫預(yù)測報(bào)告，對預(yù)測中的各種情況加以說明。報(bào)告應(yīng)包括數(shù)據(jù)資料、報(bào)告分析、數(shù)學(xué)模型、預(yù)測結(jié)果及必要的圖標(biāo)，便于使用。（8）負(fù)荷預(yù)測管理9。2.4 本章

40、小結(jié)針對本文所要研究的內(nèi)容，本章對負(fù)荷預(yù)測進(jìn)行了具體分析。首先介紹了負(fù)荷預(yù)測的概念、特點(diǎn)、原理及其影響因素。預(yù)測就必然存在誤差，本章介紹了負(fù)荷預(yù)測的各種誤差計(jì)算方法。用于預(yù)測過程中的誤差計(jì)算。最后負(fù)荷預(yù)測是一項(xiàng)科學(xué)研究，是電力部門能源調(diào)度的依據(jù)，必須保證其正確度，首先就必須清楚其基本程序。章及標(biāo)題 第3章 神經(jīng)網(wǎng)絡(luò)基本原理3.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識人工神經(jīng)網(wǎng)絡(luò)（artificial neutral network，ann）是由大量簡單的基本元件-神經(jīng)元相互連接，通過模擬大腦神經(jīng)處理信息的方式，進(jìn)行信息并行處理和非線性轉(zhuǎn)換的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，是在現(xiàn)代神經(jīng)生物學(xué)基礎(chǔ)上提出的模擬生物過程，反映人腦特性的一

41、種計(jì)算結(jié)構(gòu)，不是人腦神經(jīng)系統(tǒng)的真實(shí)描寫，只是它的某種抽象、簡化和模擬，具有記憶和學(xué)習(xí)能力，經(jīng)過一定的訓(xùn)練后，能夠?qū)o定的輸入做出相應(yīng)處理。3.1.1 人工神經(jīng)元模型在人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元被稱為“處理單元”或“節(jié)點(diǎn)”。人工神經(jīng)元是對生物神經(jīng)元的一種形式化描述，用數(shù)字語言描述生物神經(jīng)元的信息處理過程；用模型圖表達(dá)生物神經(jīng)元的結(jié)構(gòu)和功能。人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)最基本的處理單元，模擬神經(jīng)細(xì)胞的構(gòu)成。每個(gè)神經(jīng)元接收來自其它多個(gè)神經(jīng)元的信號，是一個(gè)多輸入/單輸出的非線性器件，按其傳遞函數(shù)產(chǎn)生一個(gè)輸出信號，這個(gè)輸出信號通過連接權(quán)值的作用后作為其他神經(jīng)元的一個(gè)輸入。人工神經(jīng)元網(wǎng)絡(luò)就是大量神經(jīng)元按不同拓?fù)浣Y(jié)

42、構(gòu)連接而成的網(wǎng)絡(luò)12。 圖3-1 單個(gè)神經(jīng)元模型從圖3-1可以看出，神經(jīng)元是一個(gè)多輸入單輸出的器件。神經(jīng)元接收輸入信號、加權(quán)、整合，最后經(jīng)非線性變換輸出。由此得出神經(jīng)元數(shù)學(xué)模型： （3-1）其中，表示時(shí)刻神經(jīng)元接收的來自神經(jīng)元的輸入信號；表示神經(jīng)元j的輸出；表示輸入輸出間的突觸時(shí)延；表示神經(jīng)元到的權(quán)值；表示神經(jīng)元的閾值。輸入總和，即凈輸入用下式表示 （3-2）當(dāng)時(shí)神經(jīng)元被激活。如令，則有，輸入與閾值之差表示為 （3-3）若無特殊說明，本文以后各章節(jié)中采用此種表示形式。神經(jīng)元的的信息處理特性取決于所采用的變換函數(shù)，其變換函數(shù)反映了神經(jīng)元輸出與激活狀態(tài)的關(guān)系。以下介紹幾種常用變換函數(shù)。（1）閾值型

43、 （3-4）當(dāng)時(shí)，神經(jīng)元為興奮狀態(tài)；當(dāng)時(shí)，神經(jīng)元輸出為0，為抑制狀態(tài)。1.00圖3-2 單極性閾值型變換函數(shù)（2）非線性變換函數(shù) 常用非線性變化函數(shù)是單極性的s型函數(shù)，即sigmoid函數(shù)，該函數(shù)連續(xù)可導(dǎo)，且其導(dǎo)數(shù)也是連續(xù)的。 （3-5）00.51.0圖3-3 單極性s型變換函數(shù)（3）分段線性函數(shù) 該具有該傳遞函數(shù)特性的神經(jīng)元的輸入與輸出在一定區(qū)間內(nèi)滿足線性關(guān)系。 （3-6）1.00圖3-4 單極性分段線性變換函數(shù)（4）線性函數(shù) 線性函數(shù)可將輸入轉(zhuǎn)化為任意值輸出，即將輸入原值輸出。 （3-7）（5）概率型變換函數(shù) 采用這種變換函數(shù)的神經(jīng)元其輸入輸出間的關(guān)系是不確定的，需用一個(gè)隨機(jī)函數(shù)來描述其輸

44、出狀態(tài)。設(shè)輸出為1的概率為 （3-8）3.1.2 人工神經(jīng)網(wǎng)絡(luò)模型神經(jīng)元按照一定的規(guī)則連接成神經(jīng)網(wǎng)絡(luò)，并使網(wǎng)絡(luò)中神經(jīng)元的權(quán)值按照一定的規(guī)則變化。下面以三層網(wǎng)絡(luò)結(jié)構(gòu)。按網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)分類：（1）前向網(wǎng)絡(luò)。神經(jīng)元分層排列，組成輸入層、隱含層(或稱中間層，可以有若干層)、輸出層。每一層的神經(jīng)元只能接受來自前一層神經(jīng)元的輸出信號，輸入模式經(jīng)過各層次順序傳播，在輸出層輸出。感知器網(wǎng)絡(luò)和bp網(wǎng)絡(luò)屬于前向網(wǎng)絡(luò)。（2）有反饋的前向網(wǎng)絡(luò)。網(wǎng)絡(luò)仍由前述三部分組成，但從輸入層到輸出層有反饋信號，這種網(wǎng)絡(luò)結(jié)構(gòu)用于存儲(chǔ)某種模式序列。神經(jīng)認(rèn)知機(jī)和回歸bp網(wǎng)絡(luò)屬于這種類型。（3）層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)。這種網(wǎng)絡(luò)基本結(jié)構(gòu)仍

45、然有三層，但同一層內(nèi)的神經(jīng)元之間又互相結(jié)合。這種結(jié)構(gòu)在同一層內(nèi)引入神經(jīng)元間的側(cè)向作用，使得能同時(shí)激活的神經(jīng)元數(shù)可控，以實(shí)現(xiàn)神經(jīng)元的自組織。（4）互相結(jié)合型網(wǎng)絡(luò)。這種網(wǎng)絡(luò)的任意兩個(gè)神經(jīng)元之間都可能有連接，信號在神經(jīng)元之間反復(fù)往返傳遞，網(wǎng)絡(luò)處于一種動(dòng)態(tài)過程中，從某一初態(tài)開始，經(jīng)過若干次變化，才會(huì)達(dá)到某種平衡狀態(tài)。根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元的特性，網(wǎng)絡(luò)還有可能進(jìn)入周期振蕩或其它如混沌等平衡狀態(tài)11。在實(shí)際應(yīng)用中，bp網(wǎng)絡(luò)因其結(jié)構(gòu)簡單，應(yīng)用廣泛，本文用的就是這種網(wǎng)絡(luò)。3.1.3 人工神經(jīng)網(wǎng)絡(luò)的特性神經(jīng)網(wǎng)絡(luò)（ann）采用物理可實(shí)現(xiàn)的器件或計(jì)算機(jī)模擬生物神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能。它汲取了生物神經(jīng)網(wǎng)絡(luò)的部分優(yōu)點(diǎn)

46、，具有如下特性：（1）ann由大量功能簡單的處理單元相互連接而成，這些處理單元集體的、并行的活動(dòng)得到預(yù)期的識別、計(jì)算結(jié)果，運(yùn)行速度快。（2）ann具有很強(qiáng)的容錯(cuò)功能，即使部分單元受到破壞，不會(huì)對全局活動(dòng)造成很大影響。（3）ann通過學(xué)習(xí)得到的信息存儲(chǔ)在神經(jīng)元之間的連接權(quán)值上，且信息存儲(chǔ)采用分布式。（4）ann均有很強(qiáng)的學(xué)習(xí)功能，它的拓?fù)浣Y(jié)構(gòu)和神經(jīng)元間的連接權(quán)值都可以通過學(xué)習(xí)得到。3.2 神經(jīng)網(wǎng)絡(luò)算法神經(jīng)網(wǎng)絡(luò)的功能特性由其拓?fù)浣Y(jié)構(gòu)和連接強(qiáng)度，即連接權(quán)值決定。神經(jīng)網(wǎng)絡(luò)連接權(quán)值可用一個(gè)w矩陣表示，反應(yīng)神經(jīng)網(wǎng)絡(luò)對于所解決問題的知識存儲(chǔ)。神經(jīng)網(wǎng)絡(luò)對樣本的學(xué)習(xí)訓(xùn)練，實(shí)質(zhì)是調(diào)整權(quán)值的過程。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程

47、分兩個(gè)階段：第一個(gè)階段是訓(xùn)練階段。各計(jì)算單元狀態(tài)不變，通過學(xué)習(xí)改變權(quán)值；第二個(gè)階段是測試階段。連接權(quán)值不變，改變輸入，使其達(dá)到某穩(wěn)定狀態(tài)。概括來說，訓(xùn)練的目的是從訓(xùn)練樣本中提取隱含的規(guī)律存儲(chǔ)于網(wǎng)絡(luò)中供工作階段使用。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法很多，可歸納為以下三種：（1）有導(dǎo)師學(xué)習(xí)。這種學(xué)習(xí)方式需要一組訓(xùn)練樣本。學(xué)習(xí)過程中，網(wǎng)絡(luò)根據(jù)本身輸出和期望輸出結(jié)果之間的誤差來調(diào)節(jié)系統(tǒng)的權(quán)值和閾值。期望輸出作為學(xué)習(xí)評價(jià)的標(biāo)準(zhǔn)。（2）無導(dǎo)師學(xué)習(xí)。其學(xué)習(xí)評價(jià)標(biāo)準(zhǔn)隱含于網(wǎng)絡(luò)內(nèi)部。網(wǎng)絡(luò)根據(jù)特有的內(nèi)部結(jié)構(gòu)和學(xué)習(xí)規(guī)則去發(fā)現(xiàn)環(huán)境所提供的某些統(tǒng)計(jì)規(guī)律來調(diào)整權(quán)值，這是一種自組織過程，使網(wǎng)絡(luò)能夠?qū)儆谕活惖哪Ｊ竭M(jìn)行自動(dòng)分類。（3）灌輸

48、式學(xué)習(xí)。這種學(xué)習(xí)方式中網(wǎng)絡(luò)的權(quán)值是通過某種設(shè)計(jì)方法得到的，一旦輸入就固定不變12。3.3 bp網(wǎng)絡(luò)基于誤差反向傳播(back propagation，簡稱bp)算法的多層前向人工神經(jīng)網(wǎng)絡(luò)-bp網(wǎng)絡(luò)，是目前最成熟的人工神經(jīng)網(wǎng)絡(luò)。3.3.1 bp網(wǎng)絡(luò)模型與結(jié)構(gòu)一個(gè)多層神經(jīng)網(wǎng)絡(luò)模型分為三層：輸入層、輸出層、中間層。中間層不與實(shí)際的輸入輸出相聯(lián)系，也稱隱含層，可以由若干層組成。采用誤差反向傳播算法的神經(jīng)網(wǎng)絡(luò)稱為bp網(wǎng)。以下是三層bp網(wǎng)絡(luò)模型。圖3-9 三層bp網(wǎng)絡(luò)模型3.3.2 bp算法（1）bp算法簡介 從數(shù)學(xué)意義上講，bp網(wǎng)絡(luò)是利用訓(xùn)練樣本實(shí)現(xiàn)從輸入到輸出的非線性映射，bp算法是典型的有導(dǎo)師學(xué)習(xí)方

49、式，基本過程為：輸入模式由輸入層經(jīng)過中間層向輸出層傳播的“模式順傳播”過程，由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程，網(wǎng)絡(luò)趨向收斂，即網(wǎng)絡(luò)的全局誤差趨向最小值的“學(xué)習(xí)收斂”過程。歸結(jié)起來為，“模式順傳傳播”“模式逆?zhèn)鞑ァ薄坝洃浻?xùn)練”“學(xué)習(xí)收斂”的過程。設(shè)三層bp網(wǎng)絡(luò)參數(shù)如下：輸入向量,是為隱層神經(jīng)元引入閾值設(shè)置的；隱層輸出向量，是為輸出層神經(jīng)元引入閾值設(shè)置的；輸出層向量為；期望輸出為。輸入層到隱層之間的權(quán)值矩陣用表示，其中列向量為隱層第個(gè)神經(jīng)元對應(yīng)的權(quán)向量；隱層到輸出層的權(quán)值矩陣用表示，其中列向量為輸出層第個(gè)神經(jīng)元對應(yīng)的權(quán)向量。對于輸出層，有 （3-9） （3-10

50、）對于隱層，有 （3-11） （3-12）變換函數(shù)具有連續(xù)可導(dǎo)的特點(diǎn)：對于輸出層，變換函數(shù)為單極性的sigmoid函數(shù) （3-13）對于隱層，變換函數(shù)為雙極性正切函數(shù)tansig （3-14）（2）網(wǎng)絡(luò)誤差與權(quán)值調(diào)整 實(shí)際輸出輸出與期望輸出不相等時(shí)，存在誤差： （3-15）將式（3-9）、（3-10）代入式（3-15），將其展開至隱層： （3-16）將式（3-11）、（3-12）代入（3-16），將其進(jìn)一步展開至隱層： （3-17）由此可見，調(diào)整權(quán)值、即可改變誤差，使用梯度下降法，使權(quán)值與誤差下降成正比，即 （3-18） （3-19）其中負(fù)號表示梯度下降，是學(xué)習(xí)速率。（3）bp算法推導(dǎo) 式（3-18）、（3-19）可改寫為如下形式： （3-20） （3-21）對輸出層和隱含層各給出一個(gè)誤差信號： （3-22） （3-23）則輸出層權(quán)值調(diào)整式為： （3-24）隱層權(quán)值調(diào)整式為： （3-25）可以看出，只需計(jì)算誤差信號，、即可求出。計(jì)算、：由于傳遞函數(shù)可導(dǎo)，則 （3-26）對于輸出層有： （3-27）由式（3-15）得， （3-28）由式（3-22）、（3-26）、（3-28）得， （3-