畢業(yè)論文-基于 神經(jīng)網(wǎng)絡(luò)的中期負(fù)荷預(yù)測(cè)

頁(yè)第1章緒論課題背景及意義電網(wǎng)與電力用戶構(gòu)成電力系統(tǒng)，電力系統(tǒng)盡可能對(duì)各類用戶提供經(jīng)濟(jì)、可靠而合乎標(biāo)準(zhǔn)要能。，也經(jīng)濟(jì)運(yùn)行的基礎(chǔ)，該問(wèn)題涉及到電力系統(tǒng)運(yùn)行的安全性、可靠性、，，。，，。所謂、經(jīng)濟(jì)、氣象等歷史數(shù)據(jù)，。：，其中短期負(fù)荷預(yù)測(cè)的內(nèi)容通常較單一，；而中期負(fù)預(yù)測(cè)則內(nèi)容更復(fù)雜，包括年(季、月)最大(小)負(fù)荷預(yù)測(cè)、年(季、月)。國(guó)內(nèi)外研究現(xiàn)狀，上世紀(jì)年代已開(kāi)始該課題的研究，年代中期開(kāi)始起步。，；雖然國(guó)內(nèi)基本兩者并重，。，總體而言，。，，，，，。。年代初期，，、，且已經(jīng)很好地應(yīng)用在實(shí)際中。此后，。，模型，(即模型的輸入量)。、最低和平均溫度和當(dāng)天的峰值負(fù)荷；；。，，且預(yù)測(cè)，，訓(xùn)練時(shí)間一般為小時(shí)。，電力系統(tǒng)的負(fù)荷預(yù)測(cè)中難以解決的建模問(wèn)題也不再棘手。從運(yùn)用、分析。近些年來(lái)，與，變成此。全文安排，。主要思想如下：，；，，，；，，分析了標(biāo)準(zhǔn)法的優(yōu)缺點(diǎn)；，利用語(yǔ)言編進(jìn)行實(shí)例仿真，至的實(shí)際數(shù)據(jù)。：第一章論述選題背景、研究意義及特點(diǎn)；；，詳細(xì)介紹了；第四章根據(jù)某市的歷史荷數(shù)據(jù)，建立了中期負(fù)荷測(cè)模型，并結(jié)合實(shí)際算例，用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行算例仿真，，驗(yàn)證了，。，。第2章負(fù)荷預(yù)測(cè)分析概念及分類。，而，。也可根據(jù)如下兩種方式分類：，?？煞譃槌唐?、短期、。個(gè)小時(shí)、，它主要反映負(fù)荷在短時(shí)間變化規(guī)律，、、下降趨勢(shì)和值。、安全、實(shí)時(shí)校正等中，。短期負(fù)荷預(yù)測(cè)是指未來(lái)天負(fù)荷的預(yù)測(cè)，需要天的負(fù)?？紤]的是負(fù)荷期性變化規(guī)律與天氣的影響該預(yù)測(cè)常用于日或周的預(yù)調(diào)劃、水火電分協(xié)調(diào)和。中期負(fù)荷預(yù)測(cè)是對(duì)接下來(lái)，、月最大負(fù)荷和月用電量。特點(diǎn)如下：①由于對(duì)其計(jì)算的無(wú)特別要求所以預(yù)測(cè)的時(shí)間長(zhǎng)；②一定的季節(jié)性、性或周期性；③和工農(nóng)業(yè)之間的比例有關(guān)。，，建和發(fā)展。長(zhǎng)期負(fù)荷預(yù)測(cè)是指未至數(shù)十年的用電負(fù)荷預(yù)測(cè)，。、人口、，，難度比。通?？梢苑譃槌鞘忻裼?、負(fù)荷、、商業(yè)負(fù)荷。城市負(fù)荷主要是居民的家用負(fù)荷，，農(nóng)村負(fù)荷是，、公用事業(yè)、等負(fù)荷。，如農(nóng)業(yè)負(fù)荷會(huì)節(jié)變化而變化；而工業(yè)負(fù)荷一般都被看受候影響較小的基礎(chǔ)負(fù)荷，所以。電力系統(tǒng)負(fù)荷預(yù)按表示的不同特性，常常又最高（最低）負(fù)荷、平均負(fù)荷、低谷、）、負(fù)谷差、全荷等類負(fù)荷預(yù)測(cè)，以滿足、用電部門(mén)的工作。各類負(fù)荷預(yù)適應(yīng)性評(píng)估的常用據(jù)，，起著調(diào)度決策、支持系統(tǒng)作用。，，可根據(jù)一定方式排出不良數(shù)據(jù)，建立網(wǎng)絡(luò)模型，在模型位于一個(gè)穩(wěn)定的小誤差范圍內(nèi)時(shí)，用以預(yù)測(cè)某一年中各月負(fù)荷。誤差及判斷指標(biāo)負(fù)荷預(yù)測(cè)的指導(dǎo)意義與其確性呈正相關(guān)，后者越高對(duì)實(shí)際情況下電力系統(tǒng)的指導(dǎo)意義就越大。預(yù)測(cè)誤差與預(yù)測(cè)值的準(zhǔn)確性負(fù)相關(guān)，誤差越大則準(zhǔn)確越低；反之，情況相反。正確把握差大小可對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確程度有一個(gè)客識(shí)，進(jìn)而用已有的預(yù)測(cè)資料作決策；而對(duì)于負(fù)荷改進(jìn)，預(yù)測(cè)誤差計(jì)算和分析，其中較為常用的有以下幾種：1、平均絕對(duì)誤差：其中：表示平均絕對(duì)誤差；表示第點(diǎn)處實(shí)測(cè)的負(fù)荷值；表示第點(diǎn)處預(yù)測(cè)的負(fù)荷值；表示第點(diǎn)處實(shí)測(cè)值與預(yù)測(cè)值間的絕對(duì)誤差；表示個(gè)點(diǎn)構(gòu)成負(fù)荷數(shù)據(jù)；由于預(yù)測(cè)誤差可正可負(fù)，為避免互相抵消，誤差絕對(duì)值之后取平均值。2、相對(duì)誤差：其中：表示誤差；表示第點(diǎn)處實(shí)測(cè)的負(fù)荷值；表示第點(diǎn)處預(yù)測(cè)的負(fù)荷值；此誤差表法比較直觀，是電力系統(tǒng)常用的綜合指標(biāo)。3、均方誤差：其中：表平方和的平均數(shù)，也即均方；表示第點(diǎn)處實(shí)測(cè)的負(fù)荷值；表示第點(diǎn)處預(yù)測(cè)的負(fù)荷值；表示個(gè)點(diǎn)構(gòu)成負(fù)荷數(shù)據(jù)；它避免了正負(fù)誤能相加的的情況。4、均方根誤差：其中：表示均方根；表示第點(diǎn)處實(shí)際負(fù)荷值；表示第點(diǎn)處預(yù)測(cè)負(fù)荷值；表示個(gè)點(diǎn)構(gòu)成負(fù)荷數(shù)據(jù)。5、平均相對(duì)誤差：其中：表示相對(duì)誤差；表示第點(diǎn)處實(shí)際負(fù)荷值；表示第點(diǎn)處預(yù)測(cè)負(fù)荷值；表示個(gè)點(diǎn)構(gòu)成負(fù)荷數(shù)據(jù)。相較與絕對(duì)誤差的各個(gè)指標(biāo)，相對(duì)誤差的各指標(biāo)更直觀也更易于比較，故本文取相對(duì)誤差和平均相對(duì)誤差作為各預(yù)測(cè)結(jié)果的判斷根據(jù)。由于平均相對(duì)誤差提高了大數(shù)值誤差在指標(biāo)中的作用，這是明顯的優(yōu)點(diǎn)，同時(shí)也是電力系統(tǒng)的正式考核標(biāo)準(zhǔn)，因此本論文以之為主要依據(jù)。負(fù)荷的特性分析運(yùn)用人工神經(jīng)進(jìn)行負(fù)荷預(yù)測(cè)，即是依靠負(fù)歷史數(shù)據(jù)對(duì)負(fù)荷未來(lái)的情況做出預(yù)報(bào)；建立人工神經(jīng)網(wǎng)絡(luò)負(fù)測(cè)的模型，須先確響負(fù)荷變化的因素，人工神經(jīng)網(wǎng)絡(luò)的輸入量，也就是說(shuō)，找出其電力系統(tǒng)負(fù)荷平穩(wěn)的時(shí)間序列具有特征：一是負(fù)荷以年期發(fā)生波動(dòng)；二是負(fù)列其波動(dòng)的幅度較小時(shí)為取值較小，在波動(dòng)幅較大時(shí)取值較大；三是月荷的方差是發(fā)散非平穩(wěn)性的，并隨各社會(huì)因素影響有一定的增。負(fù)荷歷史數(shù)據(jù)的預(yù)處理電力負(fù)荷是依賴于大量歷史數(shù)據(jù)與影響的被動(dòng)型預(yù)測(cè)，其精度與原始數(shù)據(jù)的完度成正比，而原始數(shù)據(jù)的收整理瑣碎且較難，原據(jù)的正誤往往決定著預(yù)測(cè)結(jié)果的。目前，我國(guó)，系量測(cè)、記錄、轉(zhuǎn)換和與大觀測(cè)值態(tài)勢(shì)；方面該系統(tǒng)正常運(yùn)行時(shí)特殊事切負(fù)荷停電、線路檢修浮電等)也可能引異常值，若進(jìn)而負(fù)荷預(yù)測(cè)模型的建立產(chǎn)生誤導(dǎo)，使預(yù)測(cè)不能保證其可靠性。由于我們神經(jīng)網(wǎng)絡(luò)的原理是類似輸入得到類出，本的質(zhì)與量是學(xué)習(xí)速和效果因素，樣本包含太多異常數(shù)據(jù)會(huì)對(duì)將要進(jìn)行的中期負(fù)荷預(yù)測(cè)造成如下的消極：訓(xùn)練時(shí)，異常數(shù)據(jù)產(chǎn)生大的訓(xùn)練誤差會(huì)使網(wǎng)絡(luò)無(wú)法收斂到理想誤差，還可能導(dǎo)致預(yù)測(cè)算法發(fā)散；預(yù)測(cè)時(shí)，由于建立荷預(yù)測(cè)模型無(wú)法真實(shí)反應(yīng)負(fù)荷變化的規(guī)律，即便網(wǎng)絡(luò)可以預(yù)差也較大；預(yù)測(cè)，當(dāng)不良為人工神經(jīng)網(wǎng)絡(luò)的輸入量時(shí)，即使網(wǎng)絡(luò)按正常完成訓(xùn)練也會(huì)較大誤差。因此為避免上述，在使用人經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)時(shí)，無(wú)論歷史負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本之前把該數(shù)據(jù)作為網(wǎng)絡(luò)的輸入量用以預(yù)測(cè)之前，都應(yīng)先先對(duì)其進(jìn)行預(yù)，去除或修正“不據(jù)”。，：趨勢(shì)性，即指；波動(dòng)性，即指波勢(shì)。同時(shí)，年負(fù)荷曲線也具向與橫向的相似性，的大致形狀相似；橫向相指相近時(shí)刻的電力系統(tǒng)負(fù)荷具有平，一般不會(huì)化太，但若有異常數(shù)據(jù)存在，識(shí)及調(diào)整方法，利用基于統(tǒng)計(jì)學(xué)原理的求出樣本均值及方差，，。電力負(fù)荷的數(shù)學(xué)描述電力系統(tǒng)負(fù)荷的數(shù)學(xué)描述可用下述矢量等式表示：其中非線性函數(shù)和中各字母代表的均是向量，是維狀態(tài)向量，表示的導(dǎo)數(shù)，是維輸出向量，是噪聲與隨機(jī)干擾綜合作用的向量，是維參數(shù)向量，是時(shí)序。由于電力系統(tǒng)負(fù)荷計(jì)算選用的是離散觀測(cè)值，故將式的連續(xù)模型寫(xiě)成如下的離散模型：其中、、含義同上，、、為狀態(tài)方程的參數(shù)矩陣。由于電力系統(tǒng)的數(shù)據(jù)中負(fù)荷均是一維的隨機(jī)變量，其變化規(guī)律又可表示為：其中為實(shí)際負(fù)荷值，為觀測(cè)值，為隨機(jī)干擾的綜合作用值。一般情況下，假定的均值為，方差為。對(duì)負(fù)荷預(yù)處理的可行方案如下：先選取適合的閾值，當(dāng)觀測(cè)值與實(shí)際負(fù)荷值的誤差絕對(duì)值大于時(shí)，就認(rèn)為為壞數(shù)據(jù)；當(dāng)觀測(cè)值與實(shí)際負(fù)荷值的誤差的絕對(duì)值小于時(shí)，就認(rèn)為為正常觀測(cè)數(shù)據(jù)。目前的問(wèn)題是：未知，此時(shí)我們應(yīng)假定大多數(shù)觀測(cè)到的負(fù)荷數(shù)據(jù)是正常值，利用這些數(shù)據(jù)通過(guò)數(shù)理統(tǒng)計(jì)理論估計(jì)出，再根據(jù)上述思想計(jì)算。判斷與修正異常的負(fù)荷數(shù)據(jù)2.4.2.1利用負(fù)荷的縱向相似性判斷異常負(fù)荷數(shù)據(jù)一段時(shí)間內(nèi)的年負(fù)荷曲線是相對(duì)近似的，故可利用該特性來(lái)求得負(fù)荷的樣本均值及相應(yīng)各處的方差，并利用實(shí)際負(fù)荷與樣本之間的差值來(lái)判斷此處負(fù)荷是否為壞數(shù)據(jù)。設(shè)負(fù)荷以序列表示，表示某年的個(gè)月，表示取年負(fù)荷的歷史數(shù)據(jù)。那么我們可以通過(guò)式求出年負(fù)荷在個(gè)月中每個(gè)月的均值及方差。我們定義為負(fù)荷的偏離率，其表達(dá)式如下：據(jù)此還可計(jì)算負(fù)荷的偏離率，其中，在實(shí)際處理負(fù)荷數(shù)據(jù)是，可根據(jù)以下判據(jù)：當(dāng)時(shí)，負(fù)荷點(diǎn)異常；當(dāng)時(shí)，負(fù)荷點(diǎn)正常。當(dāng)負(fù)荷數(shù)據(jù)為異常值時(shí)，需要剔除。2.4.2.2利用負(fù)荷的橫向相似性修正異常負(fù)荷數(shù)據(jù)相鄰時(shí)段的電力系統(tǒng)負(fù)荷一般不發(fā)生很大的變化，也就是說(shuō)，具有粘性或者平滑性，可用此特性來(lái)修正負(fù)荷歷史數(shù)據(jù)序列，即對(duì)原始數(shù)據(jù)采用三點(diǎn)平滑處理法，將數(shù)據(jù)的人為主觀性與偶然性的干擾削弱，生成新的預(yù)測(cè)序列。為避免產(chǎn)生循環(huán)小數(shù)，采用三點(diǎn)平滑處理公式形式如下：兩端點(diǎn)負(fù)荷值分別用下式修正：負(fù)荷預(yù)測(cè)預(yù)處理中異常數(shù)據(jù)的辨識(shí)與修正處理的流程圖如下：圖4.1異常數(shù)據(jù)的辨識(shí)與修正處理的流程圖第3章神經(jīng)網(wǎng)絡(luò)算法研究傳的負(fù)荷預(yù)測(cè)法是以負(fù)荷與相關(guān)因素的歷史數(shù)據(jù)為基礎(chǔ)，選類具體數(shù)學(xué)模型之后，利用計(jì)算技術(shù)建立模型，并用該模型預(yù)測(cè)、分析并修測(cè)值。而采用人工神經(jīng)進(jìn)行負(fù)荷預(yù)測(cè)則不用事先選擇某種的數(shù)學(xué)模型，只需通過(guò)練樣本的學(xué)習(xí)，自動(dòng)建立起比常規(guī)方法更準(zhǔn)確的模型。神經(jīng)網(wǎng)絡(luò)在處復(fù)雜問(wèn)題時(shí)顯現(xiàn)出其勢(shì)，所以被廣泛應(yīng)用于如負(fù)荷、與動(dòng)態(tài)安全分析、警報(bào)處故障診斷等電的許多研究領(lǐng)域中。而預(yù)測(cè)被認(rèn)為是神經(jīng)網(wǎng)絡(luò)潛力的一個(gè)應(yīng)用領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)基礎(chǔ)人工神經(jīng)網(wǎng)絡(luò)的發(fā)展根據(jù)已有的生物學(xué)知識(shí)，細(xì)胞體、軸突、突觸和樹(shù)突構(gòu)成一個(gè)神經(jīng)細(xì)胞，其中心是細(xì)胞體，用來(lái)處理接收到的信息。而細(xì)胞體周圍是分別用來(lái)接發(fā)信息的兩類有一一對(duì)應(yīng)關(guān)系的纖維，即可連接大量神經(jīng)元構(gòu)成神經(jīng)網(wǎng)絡(luò)橋梁的樹(shù)突和軸突。人工神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層則分別與神經(jīng)元的軸突、突觸和樹(shù)突相對(duì)應(yīng)，且每一層都有各自對(duì)應(yīng)的節(jié)點(diǎn)數(shù)目。JohnHopfield。目前神經(jīng)網(wǎng)絡(luò)，、。(即算法)，、。近年來(lái)，，。人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)神經(jīng)網(wǎng)絡(luò)是在，它不僅在模式識(shí)別、非線性動(dòng)態(tài)處理及自動(dòng)控制等方面顯示出特別強(qiáng)的生命力，也在預(yù)測(cè)、。：神經(jīng)網(wǎng)絡(luò)是由簡(jiǎn)單的自適應(yīng)單元及其層次組織的大規(guī)模并行聯(lián)結(jié)構(gòu)造的網(wǎng)絡(luò)，它致力于按照與生物學(xué)神經(jīng)系統(tǒng)相同的方式處理來(lái)真實(shí)世界的客觀事物，從而反映是生物的、抽象和模擬人腦功能的若干特征人工神經(jīng)網(wǎng)絡(luò)顯著的特征有如下四點(diǎn)：首先是、非線性、，對(duì)整體而言；且它具有強(qiáng)大的非線性逼近能力，即。：，，經(jīng)過(guò)一段時(shí)間的訓(xùn)練與學(xué)習(xí)，使得對(duì)特定輸入能夠產(chǎn)生期望輸出。很強(qiáng)的抗噪音能力：人工神經(jīng)網(wǎng)絡(luò)通過(guò)自身結(jié)構(gòu)，，，也不會(huì)從根本上影響網(wǎng)絡(luò)的整體性能。網(wǎng)絡(luò)訓(xùn)練成功之后，就可在一定的誤差范圍之內(nèi)，，，、。四是高度的并行性：，而。人工神經(jīng)元模型人工神經(jīng)元是用于處理的基本單元，可將其看做一個(gè)模擬與簡(jiǎn)化生物學(xué)上神經(jīng)元的一種性元，且此結(jié)構(gòu)具有多向輸入、單向輸出的特性。對(duì)單個(gè)神經(jīng)元而言，不但多個(gè)輸入信號(hào)可決定其，而且其內(nèi)因素也可對(duì)輸出產(chǎn)生影響，故除通過(guò)歷史負(fù)荷數(shù)據(jù)賦予的輸入信號(hào)之外還特殊的輸入信號(hào)在該模型中，我們將這一額外的輸入稱為偏差，有閾值。每個(gè)人工神經(jīng)元權(quán)值，所有輸入的加該神經(jīng)元的激活狀態(tài)。圖表示單個(gè)神經(jīng)元模型，其基本要素如下：1、表示從第個(gè)到第個(gè)神經(jīng)的連值的連接強(qiáng)度，每一個(gè)連接上的若是正權(quán)值表示激勵(lì)，若為負(fù)則表制。圖神經(jīng)元模型2，用于求取各輸在各類型線性組合下的加權(quán)和的和單元。3，起非線性映射作用并將神經(jīng)出幅度限制在某個(gè)范圍的非線性函數(shù)(通常范圍是或)。上述作用方式可通過(guò)閾值(或偏置)表示如下：式中為輸入信號(hào)，為線性組果，為閾值。為激勵(lì)函數(shù)，為神經(jīng)元的輸出。為使閾值可被包括進(jìn)去也可將提升一個(gè)維度：神經(jīng)元在獲得特定的輸入后，它須給出的輸出。為使系統(tǒng)有更廣的適用性，故需人工神經(jīng)一般化的變換函數(shù)，用來(lái)執(zhí)行網(wǎng)絡(luò)經(jīng)元所獲輸入的變換，這活函數(shù)，也可稱之為激勵(lì)函活化函數(shù)，用表示為：激活函數(shù)有如下3個(gè)激活作用；對(duì)輸入、和；將無(wú)指定范圍的輸指定的有限范輸出；典型的激活函數(shù)有線性函數(shù)、閾值函數(shù)和型函數(shù)：，閾值型這種函數(shù)將任意輸入轉(zhuǎn)化為或的輸出，，如圖所示，與輸出的關(guān)系如下：它與帶限幅的線性放大器相類似，工作于線性區(qū)時(shí)其放大倍數(shù)為。，線性型：如圖所示，此函數(shù)的輸入與輸出的關(guān)系如下：，型型數(shù)可使所有輸入值變換至的圍內(nèi)，如圖所示，此激活函數(shù)保持單調(diào)性并，，如對(duì)數(shù)型函數(shù)關(guān)系為：雙曲正切型曲線的輸入出函數(shù)關(guān)系為：閾值型；線性型；、為型。圖3.2傳輸函數(shù)，其函數(shù)的連續(xù)可導(dǎo)性使，。神經(jīng)網(wǎng)絡(luò)模型及算法BP網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，具有穩(wěn)定的工作狀態(tài)，同時(shí)其結(jié)構(gòu)與操作均很簡(jiǎn)單，因此適用于系統(tǒng)模型的建立，是目前應(yīng)用最為廣泛的一種人工神經(jīng)網(wǎng)絡(luò)。誤差反向傳播神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱網(wǎng)絡(luò)，輸入層、隱含層、輸出層這三個(gè)神經(jīng)元層次組成，各層間的各神經(jīng)元形成全互連接，而神經(jīng)元之間的連接又被稱為權(quán)或者權(quán)系數(shù)，且其中的隱含層層數(shù)沒(méi)有限制，其層數(shù)為一層或者多層均可。在輸入信號(hào)來(lái)臨之后，某一特定的函數(shù)會(huì)作用于隱節(jié)點(diǎn)并在此處產(chǎn)生相應(yīng)的輸出信號(hào)，而后該信號(hào)被傳輸?shù)捷敵鰧庸?jié)點(diǎn)處，在處理之后獲得輸出結(jié)果。，。一個(gè)典型的三層網(wǎng)絡(luò)結(jié)構(gòu)模型如圖所示，到輸出的映射，輸入節(jié)點(diǎn)數(shù)目為，輸出節(jié)點(diǎn)數(shù)目為，則可表示為從到的映射，即有：輸出模式輸入模式圖典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，閾區(qū)間內(nèi)的任意連續(xù)函數(shù)都可用含一個(gè)隱含層的網(wǎng)絡(luò)逼近，故網(wǎng)絡(luò)適用于電力系統(tǒng)的負(fù)荷預(yù)報(bào)。訓(xùn)練，，經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)可直接用于負(fù)荷預(yù)報(bào)。，其學(xué)習(xí)框圖如圖所示，這種學(xué)習(xí)方式需要外界。此學(xué)習(xí)方式下網(wǎng)絡(luò)的輸出會(huì)與希望的輸出(即教師信號(hào))進(jìn)行比較，，使最終的差值最小。圖有教師指導(dǎo)的學(xué)習(xí)框圖算法的實(shí)現(xiàn)步驟綜上所述，：始化，各連接權(quán)值、及閾值分別被隨機(jī)賦予中值。(包括閾值)，最好，以保證工作在變化較靈敏的激活區(qū)。2，，，。3，對(duì)激活值即的，是輸入樣本、連接權(quán)與閾值若需要計(jì)層各組：則可通過(guò)激活函數(shù)完成：其中：，對(duì)(激活值)，則通過(guò)利用隱含層各組成部分的輸出、連接權(quán)和閾值完成。然后用：式中：，通過(guò)神經(jīng)網(wǎng)絡(luò)的目標(biāo)向量以及，：，通過(guò)連接權(quán)、隱含層的輸出和：，通過(guò)連接權(quán)、輸出層的一般化誤差來(lái)修正連接權(quán)和值。式中：一一學(xué)習(xí)次數(shù)。，通過(guò)]，隱含層各單元的一般化誤差來(lái)修正連接權(quán)和閾值。，，返回到步驟直到個(gè)訓(xùn)練樣本訓(xùn)練完畢。，重新從，返回步驟直到網(wǎng)絡(luò)全局誤差一個(gè)極小值，則網(wǎng)絡(luò)收斂。網(wǎng)絡(luò)無(wú)法收斂。，學(xué)習(xí)結(jié)束。在以上的學(xué)習(xí)步驟中為學(xué)習(xí)模式的“順傳播過(guò)程”，為網(wǎng)絡(luò)誤差的“逆?zhèn)鞑ミ^(guò)程”，和。所示：圖學(xué)習(xí)過(guò)程流程圖第4章基于神經(jīng)網(wǎng)絡(luò)的中期負(fù)荷預(yù)測(cè)研究基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)模型電統(tǒng)負(fù)荷是相當(dāng)復(fù)雜的非線性系統(tǒng)，，，。但是實(shí)現(xiàn)這些要求在某些情況下是有比較大難度的，如某些因素的資料收集，、，這些比較難得到精確值。，詳細(xì)考慮這些因素之后可發(fā)現(xiàn)，，，。因此，，。目前負(fù)荷預(yù)測(cè)已知的一般方法主要有趨勢(shì)外推法和回歸分析法兩類，但本文僅別從月度負(fù)荷的預(yù)測(cè)模型入手介紹神經(jīng)網(wǎng)絡(luò)在中期負(fù)荷預(yù)測(cè)中的應(yīng)用。網(wǎng)絡(luò)輸入、輸出節(jié)點(diǎn)的選取人工神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)負(fù)荷預(yù)測(cè)，所以若想要，須先輸出節(jié)點(diǎn)，，。電力系統(tǒng)的負(fù)荷值往往具有季節(jié)波動(dòng)性，即前幾年的某個(gè)月可能與目前所在年份的同一個(gè)月氣溫相差很大，那么商業(yè)用電量和居民用電量就差別很大，因此僅僅利用前幾年的某個(gè)月來(lái)預(yù)測(cè)今年的某個(gè)月是不準(zhǔn)確的，基于這個(gè)考慮，本文在輸入中加入季節(jié)負(fù)荷，計(jì)及了相鄰月份的相似性，最大程度的提高精確度。為了減小訓(xùn)練的規(guī)模，加快訓(xùn)練速度并充分利用符合數(shù)據(jù)，對(duì)于年到年的數(shù)據(jù)，本文所建立的模型利用每連續(xù)三年的相同月份的三個(gè)以及以這個(gè)月為中心的相鄰3個(gè)月加權(quán)之后的實(shí)際負(fù)荷值共6個(gè)值作為輸入，以接下來(lái)的一年作為輸出，這樣便確定了個(gè)訓(xùn)練樣本。具體來(lái)說(shuō)，由于溫度是漸變的而不是突變的，并不是同一個(gè)季度溫度就差不多，故本文的模型取加權(quán)后負(fù)荷值的方法如下：假設(shè)目前所預(yù)測(cè)的是年3月份的負(fù)荷值，令根據(jù)公式（其中：a代表3月所占的權(quán)重，且因?yàn)?月是所預(yù)測(cè)的中心故其權(quán)重為0.5；x表示2003到2005任一年3月份的負(fù)荷實(shí)際值；b=c表示相鄰月份即2、4月份所占的權(quán)重值，且值均為0.25；y表示2003到2005任一年2月份的負(fù)荷實(shí)際值；z表示2003到2005任一年4月份的負(fù)荷實(shí)際值），可以得到這三個(gè)加權(quán)值分別為：，，；也即此次需要輸入的值為。利用這六個(gè)輸入-輸出量，訓(xùn)練出神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，用訓(xùn)練好的模型來(lái)預(yù)測(cè)2013年的負(fù)荷值。表4.1為7個(gè)訓(xùn)練樣本。表神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)訓(xùn)練樣本訓(xùn)練樣本序號(hào)輸入輸出12003-2005年的某月負(fù)荷值及以其為中心的加權(quán)負(fù)荷值2006年的負(fù)荷值22004-2006年的某月負(fù)荷值及以其為中心的加權(quán)負(fù)荷值2007年的負(fù)荷值32005-2007年的某月負(fù)荷值及以其為中心的加權(quán)負(fù)荷值2008年的負(fù)荷值42006-2008年的某月負(fù)荷值及以其為中心的加權(quán)負(fù)荷值2009年的負(fù)荷值52007-2009年的某月負(fù)荷值及以其為中心的加權(quán)負(fù)荷值2010年的負(fù)荷值62008-2010年的某月負(fù)荷值及以其為中心的加權(quán)負(fù)荷值2011年的負(fù)荷值72009-2011年的某月負(fù)荷值及以其為中心的加權(quán)負(fù)荷值2012年的負(fù)荷值網(wǎng)絡(luò)輸入樣本的歸一化處理函數(shù)作（其函數(shù)曲線如圖所示），。圖Sigmoid函數(shù)曲線圖、神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)目的確定。到目前為止還未找到一個(gè)能夠確定網(wǎng)絡(luò)中隱含層神經(jīng)元的數(shù)目的理想的解析式若想精確地實(shí)現(xiàn)任意一個(gè)連續(xù)的函數(shù)可利用一個(gè)服從特定規(guī)律的三層網(wǎng)絡(luò)模型，若此模型含有輸入層有個(gè)隱含層單元將理論上的隱含層節(jié)點(diǎn)取值確定之后根據(jù)試湊法與隱含層節(jié)點(diǎn)數(shù)目確定規(guī)則）內(nèi)的數(shù)值利用仿真來(lái)處理從而得出神經(jīng)網(wǎng)絡(luò)模型的最佳隱含層節(jié)點(diǎn)數(shù)目。在表示的是輸入層的節(jié)點(diǎn)數(shù)目表示的是隱含層的節(jié)點(diǎn)數(shù)目表示的是理論隱含層的節(jié)點(diǎn)數(shù)目；表示的是輸出層節(jié)點(diǎn)數(shù)目本文中的取值是6，取值是1，基于上面的論述，隱含層層數(shù)取值是1，隱含層節(jié)點(diǎn)數(shù)目取值是10.仿真研究以四川省電網(wǎng)中奇數(shù)年的歷史負(fù)荷數(shù)據(jù)為例，負(fù)荷曲線見(jiàn)圖所示，由圖可知，近些年來(lái)負(fù)荷的總體發(fā)展趨勢(shì)是逐年上升的，說(shuō)明近年來(lái)由于溫室效應(yīng)的作用、經(jīng)濟(jì)發(fā)展以及各行各業(yè)的進(jìn)步對(duì)電力的需求在增加。相較而言，每一年的夏季與冬季由于氣溫極熱與極寒都是用電的高峰期，而春秋兩季則用電量會(huì)更緩和些。圖平滑處理前的負(fù)荷值應(yīng)用本文所述的以神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型為基礎(chǔ)的方法，對(duì)這五個(gè)奇數(shù)年份的負(fù)荷數(shù)據(jù)進(jìn)行異常值的識(shí)別、平滑處理與歸一化修正，數(shù)據(jù)處理結(jié)果如圖所示：圖平滑處理后的負(fù)荷值將圖與相對(duì)比可得圖，很明顯可以看出，經(jīng)過(guò)平滑處理后的負(fù)荷數(shù)據(jù)更具有規(guī)律性，且波動(dòng)性更小，減小遠(yuǎn)動(dòng)裝置因傳輸數(shù)據(jù)出錯(cuò)造成的影響。圖平滑處理前后對(duì)比模型訓(xùn)練：采用對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行訓(xùn)練仿真，以所有年份的預(yù)測(cè)模型都參與訓(xùn)練為例，利用作為輸入，對(duì)的預(yù)測(cè)值作為輸出，再將作為輸入，對(duì)年的中期負(fù)荷預(yù)測(cè)值作為輸出，以此類推每連續(xù)三年的實(shí)際值作為神經(jīng)網(wǎng)絡(luò)的輸入預(yù)測(cè)數(shù)接下來(lái)一年的負(fù)荷值，經(jīng)過(guò)其訓(xùn)練的誤差曲線如圖所示，需經(jīng)過(guò)次迭代之后才可穩(wěn)定在較小誤差范圍內(nèi)：圖訓(xùn)練的誤差曲線下面以預(yù)測(cè)四川省電網(wǎng)年各月負(fù)荷為例，采用前文所介紹的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，分別用處理前和處理后的負(fù)荷數(shù)據(jù)進(jìn)行中期負(fù)荷預(yù)測(cè)。預(yù)測(cè)結(jié)果如表所示，從圖，，中可以看出，在采用相同中期負(fù)荷預(yù)測(cè)模型的條件下，相較于平滑處理前的偏差分布參差不齊的情況，用該法處理后的負(fù)荷預(yù)測(cè)精度更高，效果更好。表可知除月之外，每個(gè)的相對(duì)誤差的絕對(duì)值均小于，基本符合實(shí)際要求，說(shuō)明此法是可以采用的。圖未經(jīng)平滑處理的實(shí)際值與預(yù)測(cè)值對(duì)比圖圖經(jīng)平滑處理后的對(duì)比圖表年負(fù)荷預(yù)測(cè)誤差對(duì)比表時(shí)間當(dāng)月實(shí)際值平滑處理前的預(yù)測(cè)值（用神經(jīng)網(wǎng)絡(luò)模型）偏差（%）平滑處理后的預(yù)測(cè)值（用神經(jīng)網(wǎng)絡(luò)模型）偏差（%）1月40.19439.2098-2.6840.1974-0.232月36.25336.18390.3237.3853-2.693月41.32738.7211-6.1338.9039-5.914月43.32846.86146.0746.55825.385月44.87538.4846-13.2644.45240.196月43.99746.06504.6742.1078-4.327月43.86742.5794-1.5042.4545-3.228月39.16738.7543-0.7838.2662-2.309月37.37037.83252.2237.8246-2.3210月41.69939.3822-5.8138.7384-7.1011月44.13240.0062-11.1241.3826-6.2312月43.74341.2778-6.6344.97211.72語(yǔ)言環(huán)境下主程序流程圖如下：圖主程序流程圖結(jié)語(yǔ)：由于神經(jīng)網(wǎng)絡(luò)具有自組織性、自學(xué)習(xí)性、容錯(cuò)性等優(yōu)點(diǎn)，故利用其基本原理建立的中期負(fù)荷預(yù)測(cè)模型不僅可以用來(lái)較準(zhǔn)確地預(yù)測(cè)樣本數(shù)據(jù)，也可用來(lái)對(duì)非樣本數(shù)據(jù)進(jìn)行很好的預(yù)測(cè)，且其預(yù)測(cè)準(zhǔn)確度可算作比較高。本文運(yùn)用傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)原理作為負(fù)荷預(yù)測(cè)的途徑，通過(guò)在輸入信號(hào)處除某一個(gè)月的負(fù)荷實(shí)際值本身還加入了以該月為中心的相鄰三個(gè)月份的加權(quán)負(fù)荷值，利用平滑處理并歸一數(shù)據(jù)的方法，建立了中期負(fù)荷預(yù)測(cè)模型。使用軟件進(jìn)行了仿真。仿真結(jié)果表明，本文討論的負(fù)荷預(yù)測(cè)模型雖有些許精度欠缺，但仍可以基本滿足中期負(fù)荷預(yù)測(cè)的需要?？偨Y(jié)與展望電力系統(tǒng)中期負(fù)荷預(yù)測(cè)是電力部門(mén)的重要工作之一，負(fù)荷預(yù)測(cè)不僅對(duì)電力系統(tǒng)供電者及操作人員、規(guī)劃人員很重要，對(duì)電力市場(chǎng)的每位參與者也十分重要。因此，當(dāng)電力系統(tǒng)負(fù)荷預(yù)測(cè)的誤差導(dǎo)致高額的運(yùn)行成本與利潤(rùn)損失時(shí)，負(fù)荷預(yù)測(cè)需滿足一定精確性，這也是系統(tǒng)運(yùn)行可靠性以及電力市場(chǎng)供求關(guān)系穩(wěn)定性的基本要求。本文以已知的電力系統(tǒng)負(fù)荷預(yù)測(cè)為基礎(chǔ)，從中期負(fù)荷的特點(diǎn)以及提高該負(fù)荷預(yù)測(cè)精度的方法入手，以四川省電網(wǎng)歷史負(fù)荷數(shù)據(jù)為研究對(duì)象，建立了基于神經(jīng)網(wǎng)絡(luò)的中期負(fù)荷預(yù)測(cè)模型。主要進(jìn)行了以下的工作:、闡述基于數(shù)理統(tǒng)計(jì)及三點(diǎn)平滑原理的異常數(shù)據(jù)辨識(shí)及修正算法通過(guò)概率論與數(shù)理統(tǒng)計(jì)學(xué)的原理求出方差和樣本的平均值來(lái)評(píng)判所搜集的數(shù)據(jù)中是否存在壞數(shù)據(jù)，再用三點(diǎn)平滑原理對(duì)不良數(shù)據(jù)進(jìn)行定位與修正，最后，利用本文運(yùn)用的方法對(duì)四川省電網(wǎng)年的年負(fù)荷曲線進(jìn)行測(cè)試，結(jié)果表明，該方法對(duì)異常數(shù)據(jù)的辨識(shí)及修正具有較好的效果，有利于提高負(fù)荷預(yù)測(cè)精度。、建立基于神經(jīng)網(wǎng)絡(luò)的中期負(fù)荷預(yù)測(cè)模型對(duì)基于神經(jīng)網(wǎng)絡(luò)建立的電力系統(tǒng)中期負(fù)荷預(yù)測(cè)做了一定程度的闡述，包含歷史負(fù)荷數(shù)據(jù)的歸一化三點(diǎn)平滑處理、該網(wǎng)絡(luò)輸入節(jié)點(diǎn)的選取以及具體算法的探討。本文該模型采用平滑處理后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型顯著提高了網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的精確度，極大程度上減小了相對(duì)誤差。、算法的實(shí)現(xiàn)鑒于具有快速處理所收集的各種數(shù)據(jù)的能力，以及對(duì)復(fù)雜矩陣與數(shù)組運(yùn)算進(jìn)行簡(jiǎn)化的特點(diǎn)，本文在2011版的環(huán)境中應(yīng)用了可簡(jiǎn)單編程以