電力系統(tǒng)短期負(fù)荷預(yù)測的研究論文定稿

電力系統(tǒng)短期負(fù)荷預(yù)測的研究目錄中文摘要 1英文摘要 21電力系統(tǒng)負(fù)荷預(yù)測綜述 31.1引言 31.2電力系統(tǒng)負(fù)荷預(yù)測的含義 41.3電力系統(tǒng)負(fù)荷預(yù)測的意義 41.4電力系統(tǒng)負(fù)荷預(yù)測的現(xiàn)狀 51.5電力系統(tǒng)負(fù)荷預(yù)測的程序 51.6本文的主要工作 62電力系統(tǒng)短期負(fù)荷預(yù)測的研究方法 72.1經(jīng)典預(yù)測方法 72.2現(xiàn)代負(fù)荷預(yù)測方法 83人工神經(jīng)網(wǎng)絡(luò)概述 123.1人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史 123.2人工神經(jīng)網(wǎng)絡(luò)模型 123.3人工神經(jīng)網(wǎng)絡(luò)的工作原理 133.4人工神經(jīng)網(wǎng)絡(luò)的特點 143.5人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢及研究熱點 153.6神經(jīng)網(wǎng)絡(luò)BP算法 154電力系統(tǒng)短期負(fù)荷預(yù)測建模及MATLAB實現(xiàn) 194.1基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測建模 194.1.1正向建模 194.1.2逆向建模 204.2電力系統(tǒng)短期負(fù)荷預(yù)測的MATLAB實現(xiàn) 204.2.1電力系統(tǒng)短期負(fù)荷預(yù)測問題描述 204.2.2輸入/輸出向量設(shè)計 214.2.3短期負(fù)荷預(yù)測的BP網(wǎng)絡(luò)設(shè)計 234.2.4網(wǎng)絡(luò)訓(xùn)練 254.3結(jié)果分析 30結(jié)論 33謝辭 34參考文獻 35附錄Ⅰ:數(shù)據(jù)歸一化MATLAB程序代碼 36附錄Ⅱ:BP算法MATLAB程序代碼 39附錄Ⅲ基于BP神經(jīng)網(wǎng)絡(luò)的不同隱層節(jié)點數(shù)的負(fù)荷預(yù)測結(jié)果 42電力系統(tǒng)短期負(fù)荷預(yù)測的研究摘要:隨著我國電力事業(yè)的發(fā)展,電網(wǎng)管理日趨現(xiàn)代化和智能化。電力系統(tǒng)負(fù)荷預(yù)測問題的研究越來越引起人們的注意,成為現(xiàn)代電力系統(tǒng)運行研究中的重要課題之一,是實現(xiàn)電力系統(tǒng)安全、經(jīng)濟、高效運行的基礎(chǔ)。對一個電力系統(tǒng)而言,提高電網(wǎng)運行的安全性和經(jīng)濟性,改善電能質(zhì)量,無不依賴于精準(zhǔn)的負(fù)荷預(yù)測。在對大量歷史負(fù)荷數(shù)據(jù)進行統(tǒng)計分析的基礎(chǔ)上,根據(jù)電力負(fù)荷的特點,在考慮天氣溫度、日類型、實際歷史負(fù)荷等因素對預(yù)測負(fù)荷影響的基礎(chǔ)上,本文介紹了一種基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法。首先根據(jù)實際經(jīng)驗將一周的7天分為工作日(星期一到星期五)和休息日(星期六和星期天)等兩種類型;然后建立相應(yīng)的人工神經(jīng)網(wǎng)絡(luò)模型用以預(yù)測負(fù)荷歸一化系數(shù);最后利用相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)方法對未來24小時負(fù)荷進行短期預(yù)測,并通過MATLAB編程語言來實現(xiàn)。關(guān)鍵詞:短期負(fù)荷預(yù)測神經(jīng)網(wǎng)絡(luò)BP算法MATLABAbstract:Withthedevelopmentofthestatepowersystem,theelectricnetworkmanagementmodernizesbydayandloadforecastingarousesincreasingmoreandmoreinterestsfromresearchers.Loadforecastingisfundamentaltoensuresafe,economicandefficientoperationofpowersystem.Forapowersystem,safeandeconomicoperationofpowergridaswellasgoodelectricqualitydependsoncorrectestimationofelectricload.Throughtheanalysisofalotofhistoricalloaddataandthecharacteristicsoftheloadofpowersystem,andconsideringfactorssuchasweathertemperature,daytype,actualhistoricalload,thispaperintroducesakindofmethodoftheshort-termloadforecastingwhichisbasedontheBPneuralnetwork.Firstaccordingtothepracticalexperience,theauthordividesaweekintoworkingdaysfromMondaytoFridayandrestdaysSaturdayandSunday.Andthenitestablishescorrespondingartificialneuralnetworkmodeltopredictthenormalizedcoefficientoftheload.FinallyitmakesuseofthecorrespondingBPneuralnetworktoforecastshort-termloadinthenext24hours.AllofthealgorithmsarerealizedbytheMATLABprogramminglanguage.Keywords:Short-termLoadForecastingNeuralNetworkBPAlgorithmMATLAB1電力系統(tǒng)負(fù)荷預(yù)測綜述1.1引言電力負(fù)荷預(yù)測在實時控制和保證電力系統(tǒng)經(jīng)濟、安全和可靠運行方面起著重要作用,它已經(jīng)成為電力系統(tǒng)中現(xiàn)代能量管理系統(tǒng)(簡稱EMS)的一個主要組成部分,尤其是短期負(fù)荷預(yù)測對于系統(tǒng)運行和生產(chǎn)費用具有非常重大的影響。電力系統(tǒng)短期負(fù)荷預(yù)測是對未來1日至1周的負(fù)荷進行預(yù)測,主要用于機組優(yōu)化組合、經(jīng)濟潮流控制、水火電協(xié)調(diào)等。。隨著電力市場的建立和發(fā)展,對短期負(fù)荷預(yù)測提出了更高的要求,短期負(fù)荷預(yù)測不再僅僅是EMS的關(guān)鍵部分,同時也是制定電力市場交易計劃的基礎(chǔ)。電力系統(tǒng)負(fù)荷預(yù)測為這一地區(qū)電力規(guī)劃奠定了一定的基礎(chǔ),同時也為這一地區(qū)電力工業(yè)布局、能源資源平衡、電力余缺調(diào)劑,以及電網(wǎng)資金和人力資源的需求與平衡提供可靠的依據(jù)。因此,電力負(fù)荷預(yù)測是一項十分重要的工作,它對于保證電力工業(yè)的健康發(fā)展,乃至對于整個國民經(jīng)濟的發(fā)展均有著十分重要的意義。短期負(fù)荷預(yù)測技術(shù)經(jīng)過幾十年的發(fā)展,人們提出了許多的預(yù)測方法?，F(xiàn)有的預(yù)測方法大體可以分為2類:經(jīng)典的數(shù)學(xué)統(tǒng)計方法和上世紀(jì)90年代興起的各種人工智能方法。經(jīng)典的數(shù)學(xué)統(tǒng)計方法包括趨勢外推法、回歸分析法和時間序列法等。人工智能方法包括人工神經(jīng)網(wǎng)絡(luò)法、灰色數(shù)學(xué)理論、專家系統(tǒng)方法、模糊理論、小波分析和優(yōu)選組合預(yù)測法等。本文選擇的是采用BP算法的神經(jīng)網(wǎng)絡(luò)方法,該方法充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)處理非線性問題的能力和人工神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)的優(yōu)點。1.2電力系統(tǒng)負(fù)荷預(yù)測的含義電力系統(tǒng)的總負(fù)荷就是系統(tǒng)中所有用電設(shè)備消耗總功率的總和。將工業(yè)、農(nóng)業(yè)、郵電、交通、市政、商業(yè)以及城鄉(xiāng)居民所消耗的功率相加,就得電力系統(tǒng)的綜合用電負(fù)荷;綜合用電負(fù)荷加網(wǎng)絡(luò)損耗的功率就是系統(tǒng)中各發(fā)電廠應(yīng)供應(yīng)的功率,稱為電力系統(tǒng)的供電負(fù)荷(供電量);供電負(fù)荷再加各發(fā)電廠本身消耗的功率(即廠用電),就是系統(tǒng)中各發(fā)電機應(yīng)發(fā)的功率,稱為系統(tǒng)的發(fā)電負(fù)荷(發(fā)電量)。電力系統(tǒng)負(fù)荷預(yù)測(loadforecastofpowersystem)是利用電力系統(tǒng)實時信息和歷史數(shù)據(jù)對未來電力系統(tǒng)負(fù)荷進行的預(yù)測。電力系統(tǒng)負(fù)荷預(yù)測一般包括兩方面的含義:一是對未來電力需求量功率的預(yù)測,二是未來用電量能源的預(yù)測。電力需求量的預(yù)測決定了發(fā)電、輸電和配電系統(tǒng)新增容量的大小等;電量需求的預(yù)測決定了發(fā)電設(shè)備的類型如調(diào)峰機組、基荷機組等。負(fù)荷預(yù)測的目的就是提供負(fù)荷發(fā)展?fàn)顩r及水平,同時確定各供電區(qū)規(guī)劃年供用電量,供用最大負(fù)荷和規(guī)劃地區(qū)的總負(fù)荷發(fā)展水平,確定各規(guī)劃年用電負(fù)荷構(gòu)成。本文分析利用安徽省某市某年某月數(shù)據(jù),通過MATLAB編程實現(xiàn)基于BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測。1.3電力系統(tǒng)負(fù)荷預(yù)測的意義電力負(fù)荷預(yù)測是供電部門的重要工作之一,準(zhǔn)確的負(fù)荷預(yù)測,可以經(jīng)濟合理地安排電網(wǎng)內(nèi)部發(fā)電機組的啟停與檢修,保持電網(wǎng)運行的安全穩(wěn)定性,減少不必要的旋轉(zhuǎn)儲備容量,合理安排機組檢修計劃,保證社會的正常生產(chǎn)和生活,有效降低發(fā)電成本,提高經(jīng)濟效益和社會效益。負(fù)荷預(yù)測的結(jié)果,還有利于決定未來新的發(fā)電機組的安裝,決定裝機容量的大小、地點和時間,決定電網(wǎng)的增容和改建,決定電網(wǎng)的建設(shè)和發(fā)展。因此,電力負(fù)荷預(yù)測工作的水平已成為衡量一個電力企業(yè)的管理是否走向現(xiàn)代化的顯著標(biāo)志之一,尤其在我國電力事業(yè)空前發(fā)展的今天,用電管理走向市場,電力負(fù)荷預(yù)測問題的解決已經(jīng)成為我們面臨的重要而艱巨的任務(wù)。本文對安徽省某市某年某月某日進行電力負(fù)荷的短期預(yù)測,不僅可以保證無條件供應(yīng)國民經(jīng)濟各本門及人民生活的電力需求,還能夠為該市電力工業(yè)布局、能源資源平衡、電力余缺調(diào)劑以及電網(wǎng)資金和人力資源的需求與平衡提供可靠的依據(jù)。1.4電力系統(tǒng)負(fù)荷預(yù)測的現(xiàn)狀負(fù)荷預(yù)測的核心問題是預(yù)測的技術(shù)方法,或者說是預(yù)測數(shù)學(xué)模型。隨著現(xiàn)代科學(xué)技術(shù)的不斷進步,負(fù)荷預(yù)測理論技術(shù)得到了很大的發(fā)展,理論研究逐步深入,適合本地特點的預(yù)測程序、軟件開始出現(xiàn)。如華北電力大學(xué)的牛東曉教授等人先后對負(fù)荷預(yù)測理論及應(yīng)用進行了研究,開發(fā)了適合短、中、長期各類負(fù)荷預(yù)測的實用軟件包,并通過了國家技術(shù)鑒定,已廣泛地應(yīng)用于國內(nèi)電網(wǎng)各個地區(qū)。1.5電力系統(tǒng)負(fù)荷預(yù)測的程序根據(jù)所進行的電力負(fù)荷預(yù)測的實踐活動,認(rèn)為其基本程序如下:一、確定負(fù)荷預(yù)測目的,制定預(yù)測計劃確定目標(biāo)就是要在明確預(yù)測目的的前提下,規(guī)定預(yù)測對象的范圍、內(nèi)容和預(yù)測期限。在制定預(yù)測計劃時要考慮的問題主要有:準(zhǔn)備預(yù)測的時期,所需要的歷史資料,需要多少項資料,資料的來源和搜集資料的方法,預(yù)測的方法,預(yù)測工作完成時間,等等。二、調(diào)查資料和選擇資料資料是預(yù)測的基本依據(jù),資料的充裕程度及可信度對預(yù)測結(jié)果的可信度至關(guān)重要。電力系統(tǒng)負(fù)荷預(yù)測需要的資料主要包括:電力系統(tǒng)歷年用電負(fù)荷、用電量、用電構(gòu)成;經(jīng)濟發(fā)展目標(biāo);國民經(jīng)濟結(jié)構(gòu)的歷史、現(xiàn)狀及可能的變化發(fā)展趨勢;人口預(yù)測資料及人均收入水平;能源利用效率及用電比重的變化;以及工業(yè)布局及用戶的用電水平指標(biāo)等。挑選資料的標(biāo)準(zhǔn)是直接有關(guān)性、可靠性和最新性。在選擇資料時應(yīng)對搜集得到的資料進行鑒別,去偽存真,以保證預(yù)測中使用的資料詳實可靠。三、資料整理資料整理的目的是為了保證資料的質(zhì)量,從而為保證預(yù)測質(zhì)量打下基礎(chǔ)。資料的整理主要有以下幾項:資料的補缺推算;對不可靠的資料加以核實調(diào)整;對時間數(shù)列中不可比資料加以整理。四、對資料的初步分析對所用資料初步分析包括以下幾個方面:畫出動態(tài)折線圖或散點圖;查明異常值的原因后加以處理;計算一些統(tǒng)計量(如自相關(guān)系數(shù))以進一步辨明資料軌跡的性質(zhì)為建立模型做準(zhǔn)備。五、建立預(yù)測模型負(fù)荷預(yù)測模型是統(tǒng)計資料軌跡的概括,它反映的是經(jīng)驗資料內(nèi)部結(jié)構(gòu)的一般特征,與該資料的具體結(jié)構(gòu)并不完全吻合。負(fù)荷預(yù)測模型是多種多樣的,可以適用于不同結(jié)構(gòu)的資料,因此,對一個具體資料,就有選擇適當(dāng)預(yù)測模型的問題。正確選擇預(yù)測模型在負(fù)荷預(yù)測中是關(guān)鍵性的一步。六、綜合分析,確定預(yù)測結(jié)果通過選擇適當(dāng)?shù)念A(yù)測技術(shù),建立負(fù)荷預(yù)測數(shù)學(xué)模型,進行預(yù)測運算得到的預(yù)測值,或利用其他方法得到的初步預(yù)測值,還要參照當(dāng)前已經(jīng)出現(xiàn)的各種可能性,以及新的趨勢與發(fā)展,進行綜合分析、對比、判斷推理和評價,最終對初步預(yù)測結(jié)果進行調(diào)整和修正。七、編寫預(yù)測報告,交付使用根據(jù)分析判斷最后確定的預(yù)測結(jié)果,編寫出本次負(fù)荷預(yù)測的報告,報告中要對取得這些結(jié)果的預(yù)測條件、假設(shè)及限制因素等情況進行詳細(xì)說明。八、負(fù)荷預(yù)測管理將負(fù)荷預(yù)測報告提交后,仍需根據(jù)主客觀條件的變化及預(yù)測應(yīng)用的反饋信息進行校驗,必要時應(yīng)修正預(yù)測值。對預(yù)測結(jié)果還要進行預(yù)測誤差分析,觀察預(yù)測誤差變化情況,辨明所擬合的模型是否充分適當(dāng)。1.6本文的主要工作在對近幾十年來國內(nèi)外電力負(fù)荷預(yù)測理論和方法的發(fā)展與應(yīng)用進行深入分析的基礎(chǔ)上,本文主要進行了以下幾項工作:(1)總結(jié)歸納電力系統(tǒng)短期負(fù)荷預(yù)測的各種方法,分析其優(yōu)缺點,經(jīng)過比較,最終選擇了基于BP算法的人工神經(jīng)網(wǎng)絡(luò)方法。(2)分析了人工神經(jīng)網(wǎng)絡(luò)的發(fā)展、模型、特點、原理等,分析了神經(jīng)網(wǎng)絡(luò)方法的發(fā)展趨勢和研究熱點,最后著重分析了神經(jīng)網(wǎng)絡(luò)BP算法。(3)建立了基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測模型,設(shè)計輸入輸出向量并進行歸一化,利用MATLAB軟件創(chuàng)建了合適的BP網(wǎng)絡(luò),利用該BP神經(jīng)網(wǎng)絡(luò)方法對未來24小時負(fù)荷進行短期預(yù)測,分析預(yù)測結(jié)果,檢驗網(wǎng)絡(luò)的性能。2電力系統(tǒng)短期負(fù)荷預(yù)測的研究方法電力系統(tǒng)負(fù)荷預(yù)測方法分為經(jīng)典預(yù)測方法和現(xiàn)代預(yù)測方法。2.1經(jīng)典預(yù)測方法(1)趨勢外推法趨勢外推法是根據(jù)負(fù)荷的變化趨勢對未來負(fù)荷情況做出預(yù)測。電力負(fù)荷雖然具有隨機性和不確定性,但在一定條件下,仍存在著明顯的變化趨勢,例如農(nóng)業(yè)用電,在氣候條件變化較小的冬季,日用電量相對穩(wěn)定,表現(xiàn)為較平穩(wěn)的變化趨勢。這種變化趨勢可為線性或非線性,周期性或非周期性等等。趨勢外推的基本假設(shè)是未來是過去和現(xiàn)在連續(xù)發(fā)展的結(jié)果。其基本理論是:決定事物過去發(fā)展的因素,在很大程度上也決定該事物未來的發(fā)展,其變化,不會太大;事物發(fā)展過程一般都是漸進式的變化,而不是跳躍式的變化掌握事物的發(fā)展規(guī)律,依據(jù)這種規(guī)律推導(dǎo),就可以預(yù)測出它的未來趨勢和狀態(tài)。趨勢外推法的優(yōu)點是只需要歷史數(shù)據(jù)、所需的數(shù)據(jù)量較少且方法簡單,對于負(fù)荷平穩(wěn)變化的預(yù)測較為有效。缺點是其精度的提高受限于隨機負(fù)荷分量的影響,如果負(fù)荷出現(xiàn)變動,會引起較大的誤差。(2)時間序列法時間序列法是針對整個觀測序列呈現(xiàn)出的某種隨機過程的特性去建立和估計產(chǎn)生實際序列的隨機過程的模型,然后用這些模型去進行預(yù)測,是一種最為常見的短期負(fù)荷預(yù)測方法。它利用了電力負(fù)荷變動的慣性特征和時間上的延續(xù)性,通過對歷史數(shù)據(jù)時間序列的分析處理,確定其基本特征和變化規(guī)律,預(yù)測未來負(fù)荷。時間序列方法用于短期負(fù)荷預(yù)測的優(yōu)點是所需歷史數(shù)據(jù)少,工作量少,在電網(wǎng)情況正常、氣候和生產(chǎn)情況等因素變化不大時,預(yù)測效果良好;缺點是它不能考慮各種不確定因素的影響,只致力于數(shù)據(jù)的擬合,對其規(guī)律性處理不足,在隨機因素變化較大或壞數(shù)據(jù)沒有剔除的情況下,預(yù)測結(jié)果不甚理想。(3)回歸分析法回歸分析法是利用數(shù)理統(tǒng)計原理,對大量的統(tǒng)計數(shù)據(jù)進行數(shù)學(xué)處理,并確定用電量與某些自變量之間的相關(guān)關(guān)系,建立一個相關(guān)性較好的回歸方程,并加以外推,用于預(yù)測今后用電量的分析方法。回歸分析法的優(yōu)點是原理簡單,預(yù)測速度快,外推特性好,對于歷史上未出現(xiàn)過的情況有較好的預(yù)測值。它的不足是歷史數(shù)據(jù)要求高,用線性方法描述比較復(fù)雜的情況過于簡單,無法詳細(xì)地考慮各種影響負(fù)荷的因素,預(yù)測精度不高,模型初始化難度較大,需要豐富的經(jīng)驗和較高的技巧。2.2現(xiàn)代負(fù)荷預(yù)測方法20世紀(jì)80年代后期,一些基于新興學(xué)科理論的現(xiàn)代預(yù)測方法逐漸得到了成功應(yīng)用。這其中主要有神經(jīng)網(wǎng)絡(luò)理論、灰色數(shù)學(xué)理論、專家系統(tǒng)方法、小波分析方法、模糊預(yù)測理論和優(yōu)選組合預(yù)測法等。本文將采用BP神經(jīng)網(wǎng)絡(luò)對安徽省某市1998年5月16日的電力負(fù)荷進行預(yù)測,因此將在下一章對神經(jīng)網(wǎng)絡(luò)再做詳細(xì)討論,本節(jié)只做簡單介紹。(1)神經(jīng)網(wǎng)絡(luò)理論人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks,簡寫為ANNs)也簡稱為神經(jīng)網(wǎng)絡(luò)(NNs)或稱作連接模型(ConnectionModel),它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征,進行分布式并行信息處理的算法數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)的優(yōu)越性如下:①神經(jīng)網(wǎng)絡(luò)可以處理那些難于用解析規(guī)則描述的過程或系統(tǒng),可以通過對樣本數(shù)據(jù)的學(xué)習(xí),自動實現(xiàn)對系統(tǒng)的描述:②神經(jīng)網(wǎng)絡(luò)是并行結(jié)構(gòu),在處理實時性要求高的問題上顯出極大的優(yōu)越性;③神經(jīng)網(wǎng)絡(luò)是非線性系統(tǒng),人們已從理論上證明了多層感知器能夠任意逼近給定的函數(shù),甚至逼近各階導(dǎo)數(shù)的能力;④神經(jīng)網(wǎng)絡(luò)具有很強的信息綜合能力、很好的容錯性,它能恰當(dāng)?shù)貐f(xié)調(diào)好相互矛盾的輸入信息。神經(jīng)網(wǎng)絡(luò)的不足:①不同的應(yīng)用模型中,沒有現(xiàn)存的理論依據(jù)來指導(dǎo)人工神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)的選取及處理:②缺乏一種有效的方法來解決人工神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中可能產(chǎn)生的學(xué)習(xí)不足或過擬合現(xiàn)象;③對于周期性人工神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù),沒有確定樣本量的依據(jù);④收斂速度慢且客易陷入局部極小,訓(xùn)練過程比較消耗時間;⑤神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)確定通常要在實踐中摸索。(2)灰色數(shù)學(xué)理論灰色數(shù)學(xué)理論是把負(fù)荷序列看作真實的系統(tǒng)輸出,是眾多影響因子的綜合作用結(jié)果。這些眾多因子的未知性和不確定性,成為系統(tǒng)的灰色特性?；疑A(yù)測方法的共同特點是允許少數(shù)據(jù)預(yù)測、允許對灰因果律事件進行預(yù)測和具有可檢驗性。其最顯著的特點是用少量的數(shù)據(jù)做微分方程建立起預(yù)測的模型。灰色預(yù)測模型較適用于短期負(fù)荷預(yù)測。其優(yōu)點是: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、運算方便、短期預(yù)測精度高、易于檢驗。其缺點有:一是當(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;二是不太適合于電力系統(tǒng)的長期后推若干年的預(yù)測。(3)專家系統(tǒng)專家系統(tǒng)(expertsystem),是根據(jù)人們在某一領(lǐng)域內(nèi)的知識、經(jīng)驗和技術(shù)而建立的解決問題和做決策的計算機軟件系統(tǒng),它能對復(fù)雜問題給出專家水平的結(jié)果。一個完善的專家系統(tǒng)通常由知識庫、推理機、數(shù)據(jù)庫、知識獲取部分、解釋部分共五個部分組成。專家系統(tǒng)方法是對于數(shù)據(jù)庫里存放的過去幾年的負(fù)荷數(shù)據(jù)和天氣數(shù)據(jù)等進行細(xì)致的分析,匯集有經(jīng)驗的負(fù)荷預(yù)測人員的知識,提取有關(guān)規(guī)則。借助專家系統(tǒng),負(fù)荷預(yù)測人員能識別預(yù)測日所屬的類型,考慮天氣因素對負(fù)荷預(yù)測的影響,按照一定的推理進行負(fù)荷預(yù)測。其優(yōu)點有:①可以避開復(fù)雜的數(shù)值計算并得到較準(zhǔn)確的預(yù)測結(jié)果;②可以檢查專家系統(tǒng)推理過程,出現(xiàn)錯誤時,可以不斷修改知識庫而不用修改主程序,使系統(tǒng)易于擴充。其缺點是:①不具有自學(xué)習(xí)能力,受數(shù)據(jù)庫里存放的知識總量的限制。②對突發(fā)性事件和不斷變化的條件適應(yīng)性差,從不同的專家得到的知識有可能不同。(4)小波分析小波分析(waveletanalysis)是運用傅里葉Fourier變換的局部化思想,進行時空序列分析的一種數(shù)學(xué)方法。小波分析在時域和頻域上同時具有良好的局部化性質(zhì),并且能夠根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密,容易捕捉和分析微弱信號以及信號,從而可以聚焦到信號的任意細(xì)節(jié),尤其是對奇異信號很敏感,能很好地處理微弱或突變的信號,其目標(biāo)是將一個信號的信息轉(zhuǎn)化成小波系數(shù),可以方便的處理、存儲、傳遞、分析或被用于重建原始信號。尤其在突發(fā)與短時的信息分析方面具有明顯的優(yōu)勢。這些優(yōu)點決定了小波分析可以有效地應(yīng)用于負(fù)荷預(yù)測中。(5)模糊理論模糊理論(FuzzyTheory)是指用到了模糊集合的基本概念或連續(xù)隸屬度函數(shù)的理論。它可以分為模糊數(shù)學(xué),模糊系統(tǒng),不確定性和信息,模糊決策這五個分支,它并不是完全獨立的,它們之間有緊密的聯(lián)系。模糊預(yù)測系統(tǒng)的建模主要由兩部分內(nèi)容組成,即結(jié)構(gòu)辯識和參數(shù)估計。模糊預(yù)測方法用于電力系統(tǒng)負(fù)荷預(yù)測中有以下優(yōu)點:①模糊理論中的隸屬函數(shù)可以比較明確的描述專家的意圖、處理電力系統(tǒng)中許多不精確的、模糊的現(xiàn)象;②對氣象的影響和臨時發(fā)生的重大事件這些難以用數(shù)學(xué)關(guān)系描述的因素,模糊方法可以借用經(jīng)驗豐富的調(diào)度員的經(jīng)驗,往往比計算預(yù)測準(zhǔn)確;③由于模糊預(yù)測系統(tǒng)的自適應(yīng)能力,使系統(tǒng)具有較強的自適應(yīng)性和魯棒性。但隨著模糊理論的深入研究和應(yīng)用,模糊理論也出現(xiàn)一些不足:①模糊的學(xué)習(xí)能力比較弱;②當(dāng)其映射區(qū)域劃分不夠細(xì)時,影射輸出比較租糙;③受主觀人為因素的影響較大。(6)組合預(yù)測在實際中,任何一種預(yù)測技術(shù),對預(yù)測對象及其所處的環(huán)境都有一定的假設(shè)。對于同一個預(yù)測問題,不同的預(yù)測方法所用到的信息也各不相同,從信息的利用角度來看,任何一種單一的預(yù)測模型都是只利用了部分有用信息,同時拋棄了其它的一些有用的信息,為了盡可能地利用相關(guān)信息,人們提出了組合預(yù)測模型。優(yōu)選組合預(yù)測有兩類概念:一是指將幾種預(yù)測方法所得的預(yù)測結(jié)果,選取適當(dāng)?shù)臋?quán)重進行加權(quán)平均:二是指在幾種預(yù)測方法中進行比較,選擇擬合優(yōu)度最佳或標(biāo)準(zhǔn)離差最小的預(yù)測模型進行預(yù)測。組合預(yù)測方法是建立在最大信息利用的基礎(chǔ)上,由于它集結(jié)多種單一模型所包含的信息,進行最優(yōu)組合,所以可以達到改善預(yù)測結(jié)果的目的。(7)混沌理論、數(shù)據(jù)挖掘及其它理論混沌理論(Chaostheory)是一種兼具質(zhì)性思考與量化分析的方法,用以探討動態(tài)系統(tǒng)中無法用單一的數(shù)據(jù)關(guān)系,而必須用整體、連續(xù)的數(shù)據(jù)關(guān)系才能加以解釋及預(yù)測之行為。混沌理論是非線性科學(xué)的重要組成部分,是確定的非線性動力學(xué)系統(tǒng)中出現(xiàn)的隨機現(xiàn)象,是不含外加隨機因素的完全確定的內(nèi)在隨機行為,產(chǎn)生這一隨機現(xiàn)象的本質(zhì)是系統(tǒng)內(nèi)部的非線性作用機制,但并非任何非線性系統(tǒng)都會產(chǎn)生混沌。數(shù)據(jù)挖掘DataMining是通過分析每個數(shù)據(jù),從大量數(shù)據(jù)中尋找其規(guī)律的技術(shù),主要有數(shù)據(jù)準(zhǔn)備、規(guī)律尋找和規(guī)律表示3個步驟。數(shù)據(jù)挖掘的任務(wù)有關(guān)聯(lián)分析、聚類分析、分類分析、異常分析、特異群組分析和演變分析等。在人工智能領(lǐng)域,習(xí)慣上又稱數(shù)據(jù)挖掘為數(shù)據(jù)庫中的知識發(fā)現(xiàn)KnowledgeDiscoveryinDatabase,KDD。偏最小二乘回歸法(PLSR:partialleastsquaresregression是一種新型的多元統(tǒng)計數(shù)據(jù)分析方法,它主要研究的是多因變量對多自變量的回歸建模,特別當(dāng)各變量內(nèi)部高度線性相關(guān)時,用偏最小二乘回歸法更有效。偏最小二乘回歸較好地解決了樣本個數(shù)少于變量個數(shù)等問題,集主成分分析、典型相關(guān)分析和多元線性回歸分析3種分析方法的優(yōu)點于一身。3人工神經(jīng)網(wǎng)絡(luò)概述人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks,簡寫為ANNs)也簡稱為神經(jīng)網(wǎng)絡(luò)(NNs)或稱作連接模型(ConnectionModel),它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征,進行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度,通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系,從而達到處理信息的目的。3.1人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史神經(jīng)網(wǎng)絡(luò)的研究可以追溯到19世紀(jì)末期,其發(fā)展歷史可分為四個時期。第一個時期為啟蒙時期,開始于1890年美國著名心理學(xué)家W.James關(guān)于人腦結(jié)構(gòu)與功能的研究,對相關(guān)學(xué)習(xí)、聯(lián)想記憶的基本原理做了開創(chuàng)性研究,結(jié)束于1969年Minsky和Papert發(fā)表《感知器》(Perceptron)一書,其悲觀論點極大地影響了當(dāng)時的人工神經(jīng)網(wǎng)絡(luò)研究。第二個時期為低潮時期,開始于1969年,結(jié)束于1982年Hopfield發(fā)表著名的文章“神經(jīng)網(wǎng)絡(luò)和物理系統(tǒng)”(NeuralNetworkandPhysicalSystem)。第三個時期為復(fù)興時期,開始于//.field的突破性研究論文,他塑造出一種新穎的強有力的網(wǎng)絡(luò)模型??Hopfield網(wǎng)絡(luò),結(jié)束于1986年//.elhart&//.lelland領(lǐng)導(dǎo)的研究小組發(fā)表的《并行分布式處理》(ParallelDistributedProcessing)一書。第四個時期為高潮時期,以1987年首屆國際人工神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)會議為開端,會上成立了國際神經(jīng)網(wǎng)絡(luò)學(xué)會(InternationalNeuralNetworkSociety,簡稱INNS),迅速在全世界范圍內(nèi)掀起人工神經(jīng)網(wǎng)絡(luò)的研究應(yīng)用熱潮,至今勢頭不衰。3.2人工神經(jīng)網(wǎng)絡(luò)模型人工神經(jīng)網(wǎng)絡(luò)是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學(xué)模型,由大量的節(jié)點(或稱神經(jīng)元)之間相互聯(lián)接構(gòu)成。每個節(jié)點代表一種特定的輸出函數(shù),稱為激勵函數(shù)(activationfunction)。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權(quán)值,稱之為權(quán)重,這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則按網(wǎng)絡(luò)的連接方式,權(quán)重值和激勵函數(shù)的不同而不同。人工神經(jīng)網(wǎng)絡(luò)的模型很多,可以按照不同的方法進行分類,其中常見的兩種分類方法是:按網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)分類和按網(wǎng)絡(luò)內(nèi)部的信息流向分類。神經(jīng)元之間的連接方式不同,網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)也不同。根據(jù)神經(jīng)元之間的連接方式,可以將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分為兩大類。(1)層次型結(jié)構(gòu)。層次型結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)將神經(jīng)元按功能分成若干層,如輸入層、中間層(也稱為隱層)和輸出層,各層順序相連。層次型結(jié)構(gòu)有3種典型的結(jié)合方式:單純層次型網(wǎng)絡(luò)結(jié)構(gòu)、輸出層到輸入層有連接的層次型網(wǎng)絡(luò)結(jié)構(gòu)、層內(nèi)有互連的層次型網(wǎng)絡(luò)結(jié)構(gòu)。(2)互連型機構(gòu)。對于互連型網(wǎng)絡(luò)結(jié)構(gòu),網(wǎng)絡(luò)中任意兩個節(jié)點之間都可能存在連接路徑,因此根據(jù)網(wǎng)絡(luò)中節(jié)點的互連程度將互連型網(wǎng)絡(luò)結(jié)構(gòu)細(xì)分為3種情況:全互連型、局部互連型和稀疏互連型。從神經(jīng)網(wǎng)絡(luò)內(nèi)部信息傳遞方向來分,可以分為兩種類型。(1)前饋型網(wǎng)絡(luò)。前饋是因網(wǎng)絡(luò)信息處理的方向是從輸入層到各隱層再到輸出層逐層進行而得名(2)反饋型網(wǎng)絡(luò)。在反饋網(wǎng)絡(luò)中所有節(jié)點都具有信息處理功能,而且每個節(jié)點既可以從外界接受輸入,同時又可以向外界輸出。3.3人工神經(jīng)網(wǎng)絡(luò)的工作原理人工神經(jīng)網(wǎng)絡(luò)是由大量的簡單基本元件??神經(jīng)元相互聯(lián)接而成的自適應(yīng)非線性動態(tài)系統(tǒng)。每個神經(jīng)元的結(jié)構(gòu)和功能比較簡單,但大量神經(jīng)元組合產(chǎn)生的系統(tǒng)行為卻非常復(fù)雜。人工神經(jīng)網(wǎng)絡(luò)反映了人腦功能的若干基本特性,但并非生物系統(tǒng)的逼真描述,只是某種模仿、簡化和抽象。與數(shù)字計算機比較,人工神經(jīng)網(wǎng)絡(luò)在構(gòu)成原理和功能特點等方面更加接近人腦,它不是按給定的程序一步一步地執(zhí)行運算,而是能夠自身適應(yīng)環(huán)境、總結(jié)規(guī)律、完成某種運算、識別或過程控制。人工神經(jīng)網(wǎng)絡(luò)首先要以一定的學(xué)習(xí)準(zhǔn)則進行學(xué)習(xí),然后才能工作?，F(xiàn)以人工神經(jīng)網(wǎng)絡(luò)對手寫“A”、“B”兩個字母的識別為例進行說明,規(guī)定當(dāng)“A”輸入網(wǎng)絡(luò)時,應(yīng)該輸出“1”,而當(dāng)輸入為“B”時,輸出為“0”。所以網(wǎng)絡(luò)學(xué)習(xí)的準(zhǔn)則應(yīng)該是:如果網(wǎng)絡(luò)做出錯誤的判決,則通過網(wǎng)絡(luò)的學(xué)習(xí),應(yīng)使得網(wǎng)絡(luò)減少下次犯同樣錯誤的可能性。首先,給網(wǎng)絡(luò)的各連接權(quán)值賦予0,1區(qū)間內(nèi)的隨機值,將“A”所對應(yīng)的圖像模式輸入給網(wǎng)絡(luò),網(wǎng)絡(luò)將輸入模式加權(quán)求和、與門限比較、再進行非線性運算,得到網(wǎng)絡(luò)的輸出。在此情況下,網(wǎng)絡(luò)輸出為“1”和“0”的概率各為50%,也就是說是完全隨機的。這時如果輸出為“1”結(jié)果正確,則使連接權(quán)值增大,以便使網(wǎng)絡(luò)再次遇到“A”模式輸入時,仍然能做出正確的判斷。如果輸出為“0”即結(jié)果錯誤,則把網(wǎng)絡(luò)連接權(quán)值朝著減小綜合輸入加權(quán)值的方向調(diào)整,其目的在于使網(wǎng)絡(luò)下次再遇到“A”模式輸入時,減小犯同樣錯誤的可能性。如此操作調(diào)整,當(dāng)給網(wǎng)絡(luò)輪番輸入若干個手寫字母“A”、“B”后,經(jīng)過網(wǎng)絡(luò)按以上學(xué)習(xí)方法進行若干次學(xué)習(xí)后,網(wǎng)絡(luò)判斷的正確率將大大提高。這說明網(wǎng)絡(luò)對這兩個模式的學(xué)習(xí)已經(jīng)獲得了成功,它已將這兩個模式分布地記憶在網(wǎng)絡(luò)的各個連接權(quán)值上。當(dāng)網(wǎng)絡(luò)再次遇到其中任何一個模式時,能夠做出迅速、準(zhǔn)確的判斷和識別。一般說來,網(wǎng)絡(luò)中所含的神經(jīng)元個數(shù)越多,則它能記憶、識別的模式也就越多。3.4人工神經(jīng)網(wǎng)絡(luò)的特點人工神經(jīng)網(wǎng)絡(luò)是基于對人腦組織結(jié)構(gòu)、活動機制的初步認(rèn)識提出的一種新型信息處理體系。通過模仿腦神經(jīng)系統(tǒng)的組織結(jié)構(gòu)以及某些活動機理,人工神經(jīng)網(wǎng)絡(luò)可呈現(xiàn)出人腦的許多特征,并具有人腦的一些基本功能。(1)人類大腦有很強的自適應(yīng)與自組織特性,后天的學(xué)習(xí)與訓(xùn)練可以開發(fā)許多各具特色的活動功能。人工神經(jīng)網(wǎng)絡(luò)也具有初步的自適應(yīng)與自組織能力。在學(xué)習(xí)或訓(xùn)練過程中改變突觸權(quán)重值,以適應(yīng)周圍環(huán)境的要求。同一網(wǎng)絡(luò)因?qū)W習(xí)方式及內(nèi)容不同可具有不同的功能。(2)泛化能力指對沒有訓(xùn)練過的樣本,有很好的預(yù)測能力和控制能力。特別是,當(dāng)存在一些有噪聲的樣本,網(wǎng)絡(luò)具備很好的預(yù)測能力。(3)非線性映射能力當(dāng)對系統(tǒng)很復(fù)雜,或者系統(tǒng)未知,系統(tǒng)信息量很少時,建立精確的數(shù)學(xué)模型很困難時,神經(jīng)網(wǎng)絡(luò)的非線性映射能力則表現(xiàn)出優(yōu)勢,因為它不需要對系統(tǒng)進行透徹的了解,但是同時能達到輸入與輸出的映射關(guān)系,這就大大簡化設(shè)計的難度。(4)高度并行性并行性具有一定的爭議性。承認(rèn)具有并行性理由:神經(jīng)網(wǎng)絡(luò)是根據(jù)人的大腦而抽象出來的數(shù)學(xué)模型,由于人可以同時做一些事,所以從功能的模擬角度上看,神經(jīng)網(wǎng)絡(luò)也應(yīng)具備很強的并行性。3.5人工神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢及研究熱點人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力,克服了傳統(tǒng)人工智能方法對于直覺,如模式、語音識別、非結(jié)構(gòu)化信息處理方面的缺陷,使之在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預(yù)測等領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合,將推動人工智能和信息處理技術(shù)不斷發(fā)展。近年來,人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認(rèn)知的道路上更加深入發(fā)展,與模糊系統(tǒng)、遺傳算法、進化機制等結(jié)合,形成計算智能,成為人工智能的一個重要方向,將在實際應(yīng)用中得到發(fā)展。將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究,為人工神經(jīng)網(wǎng)絡(luò)的理論研究開辟了新的途徑。神經(jīng)計算機的研究發(fā)展很快,已有產(chǎn)品進入市場。光電結(jié)合的神經(jīng)計算機為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了良好條件。神經(jīng)網(wǎng)絡(luò)在很多領(lǐng)域已得到了很好的應(yīng)用,但其需要研究的方面還很多。其中,具有分布存儲、并行處理、自學(xué)習(xí)、自組織以及非線性映射等優(yōu)點的神經(jīng)網(wǎng)絡(luò)與其他技術(shù)的結(jié)合以及由此而來的混合方法和混合系統(tǒng),已經(jīng)成為一大研究熱點。由于其他方法也有它們各自的優(yōu)點,所以將神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合,取長補短,繼而可以獲得更好的應(yīng)用效果。目前這方面工作有神經(jīng)網(wǎng)絡(luò)與模糊邏輯、專家系統(tǒng)、遺傳算法、小波分析、混沌、粗集理論、分形理論、證據(jù)理論和灰色系統(tǒng)等的融合。3.6神經(jīng)網(wǎng)絡(luò)BP算法BP(BackPropagation)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出,是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系,而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法,通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱藏層hidelayer和輸出層outputlayer。含有隱藏層的多層前饋網(wǎng)絡(luò)能大大提高神經(jīng)網(wǎng)絡(luò)的分類能力,但長期以來沒有提出解決權(quán)值調(diào)整問題的游戲算法。1986年,Rumelhart和McCelland領(lǐng)導(dǎo)的科學(xué)家小組在《ParallelDistributedProcessing》一書中,對具有非線性連續(xù)轉(zhuǎn)移函數(shù)的多層前饋網(wǎng)絡(luò)的誤差反向傳播(ErrorBackProragation,簡稱BP)算法進行了詳盡的分析,實現(xiàn)了Minsky關(guān)于多層網(wǎng)絡(luò)的設(shè)想。由于多層前饋網(wǎng)絡(luò)的訓(xùn)練經(jīng)常采用誤差反向傳播算法,人們也常把將多層前饋網(wǎng)絡(luò)直接稱為BP網(wǎng)絡(luò)。BP算法的基本思想是,學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時,輸入樣本從輸入層傳人,經(jīng)各隱層逐層處理后,傳向輸出層。若輸出層的實際輸出與期望的輸出教師信號不符,則轉(zhuǎn)入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳,并將誤差分?jǐn)偨o各層的所有單元,從而獲得各層單元的誤差信號,此誤差信號即作為修正各單元權(quán)值的依據(jù)。這種信號正向傳播與誤差反向傳播的各層權(quán)值調(diào)整過程,是周而復(fù)始地進行的。權(quán)值不斷調(diào)整的過程,也就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程。此過程一直進行到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度,或進行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。標(biāo)準(zhǔn)BP算法的軟件流程圖如圖3.1所示:圖3.1標(biāo)準(zhǔn)BP算法流程圖雖然BP網(wǎng)絡(luò)得到了廣泛的應(yīng)用,但自身也存在一些缺陷和不足,主要包括以下幾個方面的問題。首先,由于學(xué)習(xí)速率是固定的,因此網(wǎng)絡(luò)的收斂速度慢,需要較長的訓(xùn)練時間。對于一些復(fù)雜問題,BP算法需要的訓(xùn)練時間可能非常長,這主要是由于學(xué)習(xí)速率太小造成的,可采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率加以改進。圖3.2改進BP算法流程圖其次,BP算法可以使權(quán)值收斂到某個值,但并不保證其為誤差平面的全局最小值,這是因為采用梯度下降法可能產(chǎn)生一個局部最小值。對于這個問題,可以采用附加動量法來解決。再次,網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo),一般是根據(jù)經(jīng)驗或者通過反復(fù)實驗確定。因此,網(wǎng)絡(luò)往往存在很大的冗余性,在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。最后,網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性。也就是說,如果增加了學(xué)習(xí)樣本,訓(xùn)練好的網(wǎng)絡(luò)就需要從頭開始訓(xùn)練,對于以前的權(quán)值和閾值是沒有記憶的。但是可以將預(yù)測、分類或聚類做的比較好的權(quán)值保存。本文解決BP算法收斂速度慢的方法:采用自適應(yīng)學(xué)習(xí)速率動量梯度下降反向傳播算法對網(wǎng)絡(luò)進行訓(xùn)練,即加入動量項和以學(xué)習(xí)過程中整體誤差變化為依據(jù)的變學(xué)習(xí)率方案。訓(xùn)練和自適應(yīng)調(diào)整函數(shù)為traingdx,該函數(shù)結(jié)合了動量梯度下降算法和自適應(yīng)學(xué)習(xí)速率梯度下降算法,從而使網(wǎng)絡(luò)的訓(xùn)練速度和穩(wěn)定性有了進一步提高。改進BP算法的訓(xùn)練流程圖如圖3.2所示:η為學(xué)習(xí)速率,α為動量因子,φ為學(xué)習(xí)速率增長比例因子,β為學(xué)習(xí)速率下降比例因子。4電力系統(tǒng)短期負(fù)荷預(yù)測建模及MATLAB實現(xiàn)4.1基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測建模4.1.1正向建模正向建模是訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)表達系統(tǒng)正向動態(tài)的過程,這一過程建立的神經(jīng)網(wǎng)絡(luò)模型稱為正向建模。正向建模的結(jié)構(gòu)如圖4.1所示,其中神經(jīng)網(wǎng)絡(luò)與待辨別的系統(tǒng)并聯(lián),兩者的輸出誤差用做網(wǎng)絡(luò)的訓(xùn)練信號。顯然,這是一個典型的有教師學(xué)習(xí)問題,實際系統(tǒng)作為教師,向神經(jīng)網(wǎng)絡(luò)提供算法所需的期望輸出。當(dāng)系統(tǒng)是被控對象或傳統(tǒng)控制器時,神經(jīng)網(wǎng)絡(luò)多采用多層前向網(wǎng)絡(luò)的形式,可直接選用BP網(wǎng)絡(luò)或它的各種變形。而當(dāng)系統(tǒng)為性能評價器時,則可選擇再勵學(xué)習(xí)算法,這時網(wǎng)絡(luò)既可以采用具有全局逼近能力的網(wǎng)絡(luò),如多層感知器,也可選具有局部逼近能力的網(wǎng)絡(luò),如小腦模型關(guān)節(jié)控制器等。本文采用這種模型建模。圖4.1正向建模結(jié)構(gòu)4.1.2逆向建模建立動態(tài)系統(tǒng)的逆模型,在神經(jīng)網(wǎng)絡(luò)控制中起著關(guān)鍵的作用,并且得到了特別廣泛的應(yīng)用。直接逆向建模也稱為廣義逆學(xué)習(xí),如圖4.2所示。從原理上說,這是一種最簡單的方法。由圖可見,擬預(yù)報的系統(tǒng)輸出作為網(wǎng)絡(luò)的輸入,網(wǎng)絡(luò)輸出與系統(tǒng)輸入比較,相應(yīng)的輸入誤差用于訓(xùn)練,因此網(wǎng)絡(luò)將通過學(xué)習(xí)建立系統(tǒng)的逆模型。但是如果所辨別的非線性系統(tǒng)是不可逆的,利用上述方法,將得到一個不正確的逆模型。因此,在建立系統(tǒng)逆模型時,可逆性應(yīng)該事先有所保證。圖4.2逆向建模結(jié)構(gòu)4.2電力系統(tǒng)短期負(fù)荷預(yù)測的MATLAB實現(xiàn)電力負(fù)荷預(yù)測在實時控制和保證電力系統(tǒng)經(jīng)濟、安全和可靠運行方面起著重要作用,尤其是短期負(fù)荷預(yù)測對電力系統(tǒng)運行和生產(chǎn)費用具有非常重大的影響。負(fù)荷預(yù)報的誤差將導(dǎo)致運行和生產(chǎn)費用的劇增,因此精確的負(fù)荷預(yù)測對于電力部門和供電系統(tǒng)都有著重要的經(jīng)濟意義。電力系統(tǒng)負(fù)荷變化受多方面的影響,一方面,負(fù)荷變化存在著由未知不確定的因素引起的隨機的波動;另一方面,又具有周期變化的規(guī)律性,這也使得負(fù)荷曲線具有相似性。同時,由于受天氣、節(jié)假日等特殊情況的影響,又使負(fù)荷變化出現(xiàn)差異。由于神經(jīng)網(wǎng)絡(luò)所具有的較強的非線性映射等特性,它常被用于負(fù)荷預(yù)測。4.2.1電力系統(tǒng)短期負(fù)荷預(yù)測問題描述電力系統(tǒng)短期負(fù)荷預(yù)測問題的解決辦法和方式可以分為統(tǒng)計技術(shù)、專家系統(tǒng)法和神經(jīng)網(wǎng)絡(luò)法等3種。統(tǒng)計技術(shù)中所用的短期負(fù)荷模型一般可歸為時間序列模型和回歸模型,其中時間序列模型因不能充分利用對負(fù)荷性能有很大影響的氣候因素和其他因素而導(dǎo)致結(jié)果不精確,回歸模型因需事先知道負(fù)荷與氣象變量之間的函數(shù)關(guān)系而有一定困難。專家系統(tǒng)法的難點在于把專家知識和經(jīng)驗等準(zhǔn)確地轉(zhuǎn)化為一系列規(guī)則。對于抽取和逼近負(fù)荷曲線這種非線性函數(shù),神經(jīng)網(wǎng)絡(luò)是一種很合適的方法,其優(yōu)點在于它具有模擬多變量而不需要對輸入變量做復(fù)雜的相關(guān)假定的能力。它不依靠專家經(jīng)驗,只利用觀察到的數(shù)據(jù),從訓(xùn)練過程中通過學(xué)習(xí)來抽樣和逼近隱含的輸入/輸出非線性的關(guān)系。近年來的研究表明,相對于前兩種方法,應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)進行電力系統(tǒng)短期負(fù)荷預(yù)測可獲得更高的精度。在對短期負(fù)荷進行預(yù)報前,一個特別重要的問題是如何劃分負(fù)荷類型或日期類型。統(tǒng)計已經(jīng)發(fā)表的文獻資料,大體有以下幾種劃分模式:(1)將一周的7天分為工作日(星期一到星期五)和休息日(星期六和星期天)等兩種類型。(2)將一周分為星期一、星期二到星期四、星期五、星期六、星期天等5種類型。(3)將一周的7天每天都看作一種類型,共有7種類型。本文將采用第1種負(fù)荷劃分模式,將每周分為工作日和休息日兩種模型。4.2.2輸入/輸出向量設(shè)計在預(yù)測日的前一天中,每小時對電力負(fù)荷進行一次測量,這樣一來,一天共測得24組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點之間不會發(fā)生突變,因此后一時刻的值必然和前一時刻的值有關(guān),除非出現(xiàn)重大事故等特殊情況。所以將前一天的實時負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。為了體現(xiàn)溫度、氣候?qū)﹄娏ω?fù)荷的影響,我們把預(yù)測日的最高溫度和最低溫度也當(dāng)作神經(jīng)網(wǎng)絡(luò)的兩個輸入變量,輸入變量即為一個26維的向量。目標(biāo)向量就是預(yù)測日當(dāng)天的24個負(fù)荷值,即一天中每個整點的電力負(fù)荷,這樣一來,輸出變量就成為一個24維的向量。獲得輸入和輸出變量后,要對其進行歸一化處理,將數(shù)據(jù)處理為區(qū)間[0,1]之間的數(shù)據(jù)。歸一化方法有許多種形式,這里采用如下公式:(4-1)本文分別以安徽省某市1998年5月9日、5月10日及5月16日(休息日模型)和5月11日至5月14日(工作日模型)的整點有功負(fù)荷值及最高和最低氣溫數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本來訓(xùn)練網(wǎng)絡(luò),然后分別預(yù)測1998年5月15日(周五)和5月17日(周日)的電力負(fù)荷值數(shù)據(jù)。該市1998年5月9日至5月17日的用電負(fù)荷及氣溫數(shù)據(jù)如表4.1所示。表4.1電力負(fù)荷數(shù)據(jù)樣本樣本日期 安徽省某市1998年5月9日-17日電力負(fù)荷數(shù)據(jù)0-23Hour 日最低氣溫 日最高氣溫1998-5-9(周六) 0.16470.07580.04290.023000.05150.21860.32510.41680.51510.57360.72210.46130.32860.37870.43200.43190.58140.68410.84711.00000.71950.41230.2406 0.5000 1.00001998-5-10(周日) 0.12390.08350.01220.017000.04010.17850.26060.3640