【正文】 與環(huán)境因素有關，如最高和最低溫度等。顯而易見，目標向量就是預測日當天的24個負荷值，即一天中每個整點的電力負荷。由于這都是實際的測量值，因此，這些數(shù)據可以對網絡進行有效的訓練?？傊?，樣本的選取過程需要注意代表性、均衡性和用電負荷的自身特點，從而選擇合理的訓練樣本。 本文由于輸入向量有26個元素，所以網絡輸入層的神經元有26個，經過多次訓練網絡中間層的神經元可以取53個。利用以下代碼創(chuàng)建一個滿足上述要求的BP網絡：threshold=[0 1。0 1。0 1。0 1。0 1。0 1。0 1。‘trainrp’表示設定網絡的訓練函數(shù)為trainrp ,它采用BP算法進行網絡學習。 訓練參數(shù)訓練次數(shù)訓練目標學習速率1000訓練代碼如下：=1000。 %P為輸入向量，T為目標向量休息日訓練結果為：TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 17/1000, MSE , Gradient TRAINRP, Performance goal met.工作日訓練結果為:TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 22/1000, MSE , Gradient TRAINRP, Performance goal met.可見，經過次訓練后，網絡誤差達到要求，(休息日訓練結果)所示,(工作日訓練結果)所示。工作日測試代碼如下：P_test=[ ]39。 (休息日)預報誤差 (工作日)預報誤差(5) 結論分析電力負荷預測是電力調度、用電、計劃、規(guī)劃等部門的重要工作，國內外關于短期負荷預測的文獻很多，但是由于電力負荷受諸多因素的影響和負荷本身的不確定性，使得迄今還沒有一種十分滿意的方法。結束語本文介紹的電力中、短期負荷預測的特點，即都是受多個影響因素共同影響，且各個因素之間有著比較復雜的關系，具有高度不確定的非線性系統(tǒng)，利用傳統(tǒng)的預測方法有著諸多限制，而采用神經網絡方法則能較好地克服這些限制，實現(xiàn)精確的非線性預測。（3） 針對BP算法中存在的收斂速度慢、易陷入局部最小值的問題，可采用附加動量法和自適應學習速率法在一定程度上解決這些問題。老師淵博的知識、豐富的實踐經驗和嚴謹?shù)目茖W作風讓我十分敬佩，老師不辭辛勞，對每一個細節(jié)的詳細講解、指導和答疑解惑讓我們深受啟發(fā)，并深為感動。此外，我還要感謝我所列參考文獻的作者，正是他們的許多研究成果給了我很大的幫助，在此表示誠摯的謝意！參 考 文 獻[1] [M].北京：電子工業(yè)出版社,2005.[2] 許東，——神經網絡[M].西安：西安電子科技大學出版社，2002.[3] [M].北京：中國電力出版社，2001.[4] 于爾鏗，劉廣一，（EMS）[M].北京：科學出版社，1998.[5] 張乃堯，[M].北京：清華大學出版社，1998. [6] 牛東曉，曹樹華，[M].北京：中國電力出版社，1998.[7] [M].北京：機械工業(yè)出版社，1995.[8] ［M］. 西安：西安電子科技大學出版社，1990.[9] 侯志儉，[J].中國電機工程學報，2003，23（1）：4550.[10] 冉啟文，單永正，[J]. 中國電機工程學報，2003，23（3）：3842.[11] 肖國泉，王春，[M].北京：中國電力出版社，2001.[12] [J].系統(tǒng)工程理論與實踐，1996，16（7）：99104.[13] ，數(shù)值計算，科學出版社，1959年.[14] Brown,R,G. The Fundamental Theorem of Exponential Smoothing, Operations Research, pp673685,1961.[15] 王雪峰，［Ｊ］.運籌學學報，1998，(3)：25～29．[16] 王雪峰，［Ｊ］.哈爾濱工業(yè)大學學報，1997，(2)：23～25.[17] Chow TW network based shortterm load forecasting using weather pensation [J].IEEE Trans on PWRS. 1996, 11(4):17361742.[18] , et novel approach to shortterm load forecasting using fuzzy neural networks [J].IEEE. Transactions on Power System,1998,13(2):480492.附錄Ⅰ：歸一化MATLAB代碼%p為休息日原始輸入數(shù)據p=[ 。 。 。 。 。 。 。 。End附錄B：完整的MATLAB 代碼%休息日預測P=[ 。 。T=[ 。 。threshold=[0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。,39。)。net=train(net,P,T)。Out=sim(net,P_test)。 。 。for j=1:24 A(j,:)=(max(s(j,:))min(s(j,:)))*Out(j,:)+min(s(j,:))。 。 。 。 。 。 。 。 。 ]39。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。tansig39。trainrp39。=。P_test=[ ]39。 。 。 。 。 。end。 ]39。 。 。 。 。%繪制預報誤差曲：X=[ ]39。hold on。=1000。logsig39。 0 1]。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 。 。 。 。 ]39。 。 。 。 。 。 。plot(1:24,XOut)%反歸一化處理30號的負荷預測值s=[ 。figure。=。},39。net=newff(threshold,[53,24],{39。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 。 。 。 。 ]39。 。 。 。 。%P表示歸一化后的輸入向量for i=1:26 P(i,:)=(p(i,:)min(p(i,:)))/(max(p(i,:))min(p(i,:)))。 。 。 在為期幾個月的設計中，同學們的團結互助，無私幫助讓我十分的感動，如果在這幾個月中，我單憑一己之力要完成本設計是十分困難的，因為本設計的知識和內容大部分是以前未曾接觸的，有許多新的東西要求我在短短幾個月內消化吸收。自適應學習速率法是在學習過程中不斷修正學習速率，有利于提高學習效率，縮短學習時間。（2） 提高網絡預測能力的主要途徑有:a盡可能增加樣本的涵蓋面；b在輸入中盡可能地包括影響輸出的主要因子；c確定適當?shù)氖諗空`差。 休息日預測結果對照預測時段實際值/MW預測值/MW誤差/%1：002：003：004：005：006：007：008：009：0010：0011：0012：0013：0014：0015：0016：0017：0018：0019：0020：0021：0022：0023：0024：00，17個點的誤差的絕對百分誤差小于5%，%，%，%，表明預測取得了較滿意的結果。這里利用仿真函數(shù)sim來計算網絡的輸出。休息日測試代碼如下：P_test=[ ]39。=。考慮到網絡的結構比較復雜，神經元個數(shù)比較多，需要適當增大訓練次數(shù)和學習速率。net=newff(threshold,[53,24],{‘tansig’,’logsig’},’trainrp’)。0 1。0 1。0 1。0 1。0 1。0 1。網絡中間層的神經元傳輸函數(shù)采用S型正切函數(shù)tansig，輸出層神經元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig。123824n1224輸出層隱 層輸入層 預測