【正文】 make an explanation about artificial neural work has the advantages of adaptive and selflearning working on short load paper will make use of the neural work BP algorithm to study short load forecasting,This method is mainly using artificial neural work linear approximation to achieve. In this paper, power system shortterm load forecasting will be briefly theoretical introduced ,focuses on the process of BP neural work algorithm and its applied to the calculation of the load forecasting .The technical requirements of this paper is to learn the daily load characteristics and the establishment of neural work model and to determine the number of nodes of the threetier work, then select transfer function and initial building the model,By using of the original day 5 to day 20 integer point of load data to predict the integer point load data of day 21, day 22 and day 23. By using of MATLAB programming to train the work and analysis the training results, Plot the forecasting load data curve and the original data curve and pare them . Due to this paper does not consider the factors of weather and holidays which affect the load ,the error of the simulation is not so small. Keywords: Short load forecasting。建好模型之后，利用原始的 5 到 20 日的整點負荷數(shù)據(jù)來預(yù)測第 21， 22 及23 日的整點負荷數(shù)據(jù)，用 MATLAB 編寫程序進行網(wǎng)絡(luò)訓練，訓練出結(jié)果之后對其進行分析，畫出負荷數(shù)據(jù)變化曲線和原始數(shù)據(jù)的曲線進行比較 。并介紹幾種國內(nèi)外所用的短期負荷預(yù)測的方法和發(fā)展趨勢，比較其優(yōu)缺點，說明人工神經(jīng)網(wǎng)絡(luò)在處理短期負荷預(yù)測這類問題有自適應(yīng)，自主學習的優(yōu)點。 本科生畢業(yè)設(shè)計（論文） 題 目： 姓 名： 學 號： 學 院： 專 業(yè)： 年 級： 指導(dǎo)教師： （簽名） 年 月 日電力系統(tǒng)整點負荷預(yù)測研究 I 電力系統(tǒng)整點負荷預(yù)測研究 摘要 短期負荷預(yù)測在電 力系統(tǒng)中有著舉足輕重的作用，是電力系統(tǒng)最基本的工作之一，準確的負荷預(yù)測為電力系統(tǒng)的穩(wěn)定，可靠，經(jīng)濟的運行提供了便利條件。 本文簡單闡述電力系統(tǒng)負荷預(yù)測的內(nèi)容，負荷的特點。本文技術(shù)要求學習日負荷的特點以及建立神經(jīng)網(wǎng)絡(luò)模型，確定三層網(wǎng)絡(luò)的節(jié)點數(shù)目，選好傳遞函數(shù)和初始權(quán)值。 福州大學本科生畢業(yè)設(shè)計（ 論文） II The Power system integer point Load forecasting Abstract Shortterm load forecasting plays an important role in the power system， It is one of the basic work of the power load forecasting is to provide convenient conditions for the power system to work stable, reliable, and the further development of China39。由于電能的生產(chǎn) 、 輸送 、 分配和消費是同時完成的，難以大量儲存，這就要求發(fā)電系統(tǒng)要隨時緊跟系統(tǒng)負荷變化以達到動態(tài)平衡，否則就會影響供電質(zhì)量，甚至危及電力系統(tǒng)的安全與 穩(wěn)定。短期負荷預(yù)測有周負荷預(yù)測，日負荷預(yù)測和小時負荷預(yù)測。國外由于經(jīng)濟發(fā)展較好，電力系統(tǒng)長期比較穩(wěn)定，所以以中長期負荷預(yù)測為主，而我國處在社會主義初級階段，所以兩者兼并重?；疑到y(tǒng)理論將一切隨機變化量看作是在一定范圍內(nèi)變化的灰色量，常用累加生成和累減生成的方法，將雜亂無章的原始數(shù)據(jù)整理成規(guī)律性較強的生成 數(shù)據(jù)列 ， 灰色理論預(yù)測法就是以福州大學本科生畢業(yè)設(shè)計（ 論文） 2 灰色系統(tǒng)理論為基礎(chǔ)的預(yù)測技術(shù)，可在數(shù)據(jù)不多的情況下找出某個時期內(nèi)起作用的規(guī)律，建立負荷預(yù)測的灰色模型 ， 灰色模型的微分方程作為電力系統(tǒng)單一指標(如負荷 )的預(yù)測時，求解微分方程的時間響應(yīng)函數(shù)表達式，即為所求的灰色預(yù)測模型，對模型的精度和可信度進行校驗并修正后，即可據(jù)此模型預(yù)測未來的負荷，此方法是中長期負荷預(yù)測的主要方法 [3]。 （ 3）人工神經(jīng)網(wǎng)絡(luò)法 自從 1943年第一個神經(jīng)網(wǎng)絡(luò)模型被提出至今，神經(jīng)網(wǎng)絡(luò)的發(fā)展十分迅速 ， 在電力系統(tǒng)負荷預(yù)測領(lǐng)域內(nèi)應(yīng)用較廣泛的模型有：反向傳播模型、自組織特征映射。本文就是利用人工神經(jīng)網(wǎng)絡(luò)來進行短期負荷預(yù)測，證明這種方法在短期負荷預(yù)測中的可行性和實用性，為電力系 統(tǒng)提供更良好的服務(wù)。 第 2 章 介紹負荷預(yù)測的內(nèi)容及其影響因素，詳細介紹負荷預(yù)測的基本步驟。 第 5 章 論文結(jié)論和展望。短期負荷預(yù)測和超短期負荷預(yù)測是電力系統(tǒng)核心技術(shù)模塊，因為兩者直接關(guān)系到發(fā)電輸電方案的制定，也是能量管理系統(tǒng)（ EMS）的重要組成部分。人們對于這些發(fā)展變化有些能夠預(yù)先估計，有些卻很難事先預(yù)見到，加上一些臨時情況發(fā)生變化的影響，因此就決定了預(yù)測結(jié)果的不準確性或不完全準確性。而在很多情況下，由于負荷未來 發(fā)展的不肯定性，所以就需要一些假設(shè)條件。 （ 3） 時間性 各種負荷預(yù)測都有一定的時間范圍，因為負荷預(yù)測屬于科學預(yù)測的范疇，因此，要求有比較確切的數(shù)量概念，往往需要確切地指明預(yù)測的時間。負荷內(nèi)部變化往往具有線性和周期性兩大特點。 （ 3）時間因素。比如電力系統(tǒng)設(shè)備故障進行檢修，電力系統(tǒng)產(chǎn)生系統(tǒng)震蕩，電力系統(tǒng)發(fā)生事故或自然災(zāi)害這類事件也會對負荷產(chǎn)生很大的影響。 要進行負荷觀測，就要尋求行之有效的預(yù)測方法，不論采取什么方法，其基本原則是 [9]： (1)選擇要預(yù)測的變量、預(yù)測水平及待預(yù)測的時間。 ． (5)進行各項負荷預(yù)測。按正常情況來講，應(yīng)該對特殊分量值進行修正處理，還要把模型分類， 分成節(jié)假日負荷和工作日負荷兩種類型，如果有季節(jié)性變化，還要把模型按季節(jié)劃分，分為春季、夏季、秋季、冬季這四種模型。從中我們可以看出 [10]： 電力負荷之間的時間距離越近關(guān)系越密切，即相似度越大，所以當負荷預(yù)測點距離歷史數(shù)據(jù)較遠時，預(yù)測值的誤差相 對較大；而預(yù)測點距離歷史負荷數(shù)據(jù)較近時則誤差相對較小 。當歷史負荷數(shù)據(jù)挑選完之后，把不良數(shù)據(jù)和偽數(shù)據(jù)消除掉，填補缺失數(shù)據(jù)。 目前廣泛應(yīng)用的計算、分析預(yù)測誤差的方法有平均絕對誤差、均方誤差、 均 方根誤差、標準誤差等 [11]。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 [12]。在理論上可以逼近任何非線性映射。本身有高度平行結(jié)構(gòu)。 （ 5） 數(shù)據(jù)融合。 人工神經(jīng)元模型 類似生物神經(jīng)元，人工神經(jīng)網(wǎng)絡(luò)也是由一個個人工神經(jīng)元組成的。網(wǎng)絡(luò)學習過程是誤差反向傳播回上一層修改其權(quán)值，直到其達到收斂之后。 設(shè)三層 BP 網(wǎng)絡(luò)，輸入層 M 個節(jié)點，輸出層 L 個節(jié)點，隱層有 N 個節(jié)點。設(shè)第二層神經(jīng)元個數(shù)為 N1，第二層第 i個神經(jīng)元輸出變量用 2iko 來表示，由第二層第到第三層第 j 個神經(jīng)元的權(quán)系數(shù)用3ijw 來表示，第 2 層第 i 個神經(jīng)元的輸出變量用 2ik 來表示。 （ 2） 給定輸入 kX 和 kY ，并正向迭代計算。 電力系統(tǒng)整點負荷預(yù)測研究 11 BP 網(wǎng)絡(luò)的缺點和改進方法 BP 網(wǎng)絡(luò)逼近非線性函數(shù)效果很好，還有自適應(yīng)和學習能力，使我們在處理數(shù)據(jù)的時候方便了好多。 第二個缺點是網(wǎng)絡(luò)容錯能力不夠。第二個是采用動態(tài)步長。因為多隱含層會延長訓練的時間，隱層的激發(fā)函數(shù)選取正切雙曲函數(shù)，輸出層的激發(fā)函數(shù)采用純線性函數(shù)。 輸入節(jié)點的個數(shù)就是輸入神經(jīng)元訓練網(wǎng)絡(luò)的個數(shù)，盡可能多的考慮其他影響因素作為輸入量，由于本文沒有考慮氣候等其他原因，所以輸入變量只有歷史的整點負荷數(shù)據(jù)。訓練網(wǎng)絡(luò)由 train 函數(shù)來確定，它會對輸入矩陣和期望輸出矩陣和設(shè)定好的參數(shù)比如訓練次數(shù)、學習速率、最小誤差精度等來進行訓練，直到達到精度為止。 電力系統(tǒng)整點負荷預(yù)測研究 13 參數(shù)的設(shè)定 學習速率影響著網(wǎng)絡(luò)收斂程度的大小和速度，它影響著每一次訓練權(quán)值的變化，學習速率越大，修正值越大，可能導(dǎo)致系統(tǒng)震蕩，網(wǎng)絡(luò)不收斂，而學習速率小的時候，系統(tǒng)收斂變慢，訓練次數(shù)增加，很容易陷入局部極小。但如果把訓練 次數(shù)設(shè)定的很大，收斂會變慢，有時候會達到設(shè)定的最大次數(shù)才會收斂。輸入變量就是訓練樣本，由于是 24 小時整點的數(shù)據(jù)，所以輸入是一個24 維的向量，也是一個 24? 16 的矩陣。樣本數(shù)據(jù)如表 和 。訓練方法選擇按梯度下降法訓練。purelin39。因為要預(yù)測三天的負荷，只能用前 16 天作為樣本，并用 20 日來預(yù)測21 日的負荷，接著要用 21 日預(yù)測出的負荷再來預(yù)測 22 日的負荷，再用 22 日預(yù)測的負荷來預(yù)測 23 日的，越往后預(yù)測，由于第一次預(yù)測已經(jīng)存在誤差，則越往后預(yù)測誤差越大，所以神經(jīng)網(wǎng)絡(luò) BP 算法只能預(yù)測短期內(nèi)的負荷數(shù)據(jù)。 電力系統(tǒng)整點負荷預(yù)測研究 21 第 6章 結(jié)論與展望 本文通過對神經(jīng)網(wǎng)絡(luò) BP 算法的介紹，并將其應(yīng)用于 短期負荷預(yù)測研究，再經(jīng)過建模，訓練網(wǎng)絡(luò)，調(diào)節(jié)參數(shù)等一系列工作之后，預(yù)測了某地區(qū)三天的負荷數(shù)據(jù)。 如今，負荷預(yù)測有著多種多樣的方法，每種方法都有自己的優(yōu)勢和局限性，在進行負荷預(yù)測的時候會產(chǎn)生不同的效果，沒有哪一種方法是最好的，誤差是最小的，而且不能單一只考慮誤差大小，還要考慮外界因素和成本的投入，由于本文的處理手法比較單一，沒有注重處理一些細節(jié)，應(yīng)該對理論進行改進和加強，多 加入一些新的技術(shù)。電力負荷預(yù)測。 1789 1642 1595 1568 1543 1579 1661 1811 1925 20xx 2063 2194 1930 1887 ... 1913 1898 1972 2112 2154 2285 2333 2155 2054 1864。 1794 1693 1626 1607 1584 1622 1886 1947 2098 2213 2307 2392 2064 2054 ... 2140 2125 2207 2328 2328 2511 2428 2324 2235 20xx。 1786 1665 1622 1577 1526 1580 1810 1848 2024 2156 2234 2392 2067 2054 ... 2122 2104 2192 2273 2305 2490 2416 2346 2212 20xx。 1791 1692 1625 1597 1588 1634 1853 1911 2089 2155 2245 2378 2096 2053 ... 2126 2132 2219 2322 2340 2475 2397 2332 2261 2036。%5到 23日負荷數(shù)據(jù) 19?24 L=length(a)。%把負荷數(shù)據(jù)進行歸一化處理 samplelist=b(1:end,1:15)。,39