【正文】 老師淵博的知識、豐富的實踐經(jīng)驗和嚴(yán)謹(jǐn)?shù)目茖W(xué)作風(fēng)讓我十分敬佩，老師不辭辛勞，對每一個細(xì)節(jié)的詳細(xì)講解、指導(dǎo)和答疑解惑讓我們深受啟發(fā)，并深為感動。結(jié)束語本文介紹的電力短期負(fù)荷預(yù)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(fù)雜的關(guān)系，具有高度不確定的非線性系統(tǒng)，利用傳統(tǒng)的預(yù)測方法有著諸多限制，而采用神經(jīng)網(wǎng)絡(luò)方法則能較好地克服這些限制，實現(xiàn)精確的非線性預(yù)測。工作日測試代碼如下：P_test=[ ]39。訓(xùn)練次數(shù)訓(xùn)練目標(biāo)學(xué)習(xí)速率1000訓(xùn)練代碼如下：=1000。0 1。0 1。0 1。利用以下代碼創(chuàng)建一個滿足上述要求的BP網(wǎng)絡(luò)：threshold=[0 1。 由于這都是實際的測量值，因此，這些數(shù)據(jù)可以對網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，如最高和最低溫度等。近年來的研究表明，相對于前兩種方法，利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)報可獲得更高的精度。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(jī)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。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。正向建模的結(jié)構(gòu)如圖所示，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。神經(jīng)元網(wǎng)絡(luò)的工作過程有許多種形式，比如回想和分類。分層網(wǎng)絡(luò)是將一個神經(jīng)元網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分為若干層，一般有輸入層、中間層和輸出層。即通過這些權(quán)值使神經(jīng)網(wǎng)絡(luò)具有了一定的記憶功能，可以對數(shù)據(jù)的規(guī)律進(jìn)行記憶(信息保存在權(quán)值中)。二維的簡單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。系數(shù)的選擇原則是越靠近預(yù)測日的天其對應(yīng)值越大，根據(jù)是同類型日相鄰越近負(fù)荷變化系數(shù)越近。下面敘述該辦法具體計算步驟：1）確定預(yù)測日類型是工作日還是休息日。此種方法的模型物理意義明顯，精度高，收斂快，屬于改進(jìn)型算法。②基于神經(jīng)網(wǎng)絡(luò)集成的高木關(guān)野模糊預(yù)測算法：它是利用神經(jīng)網(wǎng)絡(luò)來求得條件的輸入變量的聯(lián)合隸屬函數(shù)。5）模糊負(fù)荷預(yù)測模糊負(fù)荷預(yù)測是近幾年比較熱門的研究方向。這樣，小波分析的理論大廈就基本奠定了。1981年Stromberg對Harr 系進(jìn)行了改進(jìn)，證明小波函數(shù)的存在。因此，我們可以將對電力負(fù)荷影響最大的幾種因素作為輸入，即當(dāng)天的天氣溫度、天氣晴朗度（又稱為能見度）、風(fēng)向風(fēng)力、峰谷負(fù)荷及相關(guān)負(fù)荷等，爭取獲得較好的預(yù)測結(jié)果。專家系統(tǒng)方法總結(jié)了目前城網(wǎng)中長期負(fù)荷預(yù)測中的可行模型，針對目前方法存在的片面性，首次嘗試把專家系統(tǒng)技術(shù)應(yīng)用到負(fù)荷預(yù)測上，從而克服單一算法的片面性；同時，全過程的程序化，使得方法還具有快速決斷的優(yōu)點。鄧教授希望在可利用數(shù)據(jù)不多的情況下，找到了較長時期起作用的規(guī)律，于是進(jìn)行了用少量數(shù)據(jù)做微分方程建模的研究。這其中主要有灰色數(shù)學(xué)理論、專家系統(tǒng)方法、神經(jīng)網(wǎng)絡(luò)理論、模糊預(yù)測理論等。2）回歸分析法回歸分析法就是根據(jù)負(fù)荷過去的歷史資料，建立可以分析的數(shù)學(xué)模型，對未來的負(fù)荷進(jìn)行預(yù)測。隨機(jī)負(fù)荷分量，一般由時間序列模型描述。如果每個時間點的值都和超前T的（tT）值進(jìn)行差分運算，那么（1 ）V(t)就變成平穩(wěn)時間序列了，其中是周期為T的后移算子。實際上，對于給定的過去一段時間的歷史負(fù)荷記錄，提取出基本負(fù)荷分量、天氣敏感負(fù)荷分量和特別事件負(fù)荷分量后，剩余的殘差即為各時刻的隨機(jī)負(fù)荷分量，可以看成是隨機(jī)時間序列。以日負(fù)荷預(yù)測為例，給定過去若干天氣負(fù)荷記錄、溫度記錄，利用線性回歸或曲線擬合方法，可以用三段直線來描述天氣敏感負(fù)荷模型 （46）式中，t為預(yù)測溫度，可以是一日最高溫度、最低溫度、平均溫度或是某時點溫度；， 為電熱臨界溫度和斜率，時電熱負(fù)荷增加，其斜率為；，為冷氣臨界溫度和斜率，是冷氣負(fù)荷增加，其斜率為。針對短期負(fù)荷預(yù)測，將歷史上一段日負(fù)荷L按時序畫在一張圖上，將及每日平均負(fù)荷X畫在圖上，總體看來是一條斜率接近于零的直線，可用線性模型來描述。附錄主要包括說明正文的附表、資料，預(yù)測中采用的計算方法的推導(dǎo)和說明，以及正文中未列出的有價值的其他資料。若誤差太大，就失去了預(yù)測的意義，并從而導(dǎo)致電力規(guī)劃的失誤。如果是采用定量預(yù)測方法來進(jìn)行預(yù)測，就要根據(jù)建立的定量預(yù)測模型，帶入預(yù)測期的自變量目標(biāo)值，就可以獲得預(yù)測期所要的預(yù)測變量值。因此，在調(diào)查搜集資料的過程中對搜集得到的資料應(yīng)進(jìn)行鑒別，去粗取精，去偽存真，以保證預(yù)測中使用的資料翔實可靠。一般而言，預(yù)測范圍視研究問題所涉及的范圍而定，編制全國電力規(guī)劃，就要預(yù)測全國范圍內(nèi)的電力、電量需求量；編制大區(qū)網(wǎng)局或地方（省、地、縣）電力局的發(fā)展規(guī)劃，就要預(yù)測大區(qū)電網(wǎng)或地方電力局范圍內(nèi)的電力、電量需求量。②短期負(fù)荷預(yù)測是指日負(fù)荷預(yù)測和周負(fù)荷預(yù)測，分別用于安排日調(diào)度計劃和周調(diào)度計劃，包括確定機(jī)組起停、水火電協(xié)調(diào)、聯(lián)絡(luò)線交換功率、負(fù)荷經(jīng)濟(jì)分配、水庫調(diào)度和設(shè)備檢修等，對短期預(yù)測，需充分研究電網(wǎng)負(fù)荷變化規(guī)律，分析負(fù)荷變化相關(guān)因子，特別是天氣因素、日類型等和短期負(fù)荷變化的關(guān)系。（2）無功負(fù)荷及其分布。此類負(fù)荷與工業(yè)負(fù)荷相比，受氣候、季節(jié)等自然條件的影響很大，這是由農(nóng)業(yè)生產(chǎn)的特點所決定的。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(jì)的發(fā)展均有著十分重要的意義。 電力負(fù)荷預(yù)測就是在正確的理論指導(dǎo)下，在調(diào)查研究掌握大量翔實資料的基礎(chǔ)上，運用可靠的方法和手段對電力負(fù)荷的發(fā)展趨勢作出科學(xué)合理的推斷。在對大量歷史負(fù)荷數(shù)據(jù)進(jìn)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。短期負(fù)荷預(yù)測是隨著電力系統(tǒng)EMS的逐步發(fā)展而發(fā)展起來的，現(xiàn)已經(jīng)成為EMS必不可少的一部分和為確保電力系統(tǒng)安全經(jīng)濟(jì)運行所必需的手段之一?，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)計方法以及上世紀(jì)90年代興起的各種人工智能方法。電力負(fù)荷預(yù)測工作既是電力規(guī)劃工作的重要組成部分，也是電力規(guī)劃的基礎(chǔ)。此外，商業(yè)部門由于商業(yè)行為在節(jié)假日會增加營業(yè)時間，從而成為節(jié)假日中影響電力負(fù)荷的重要因素之一。最大有功負(fù)荷的大小是確定電力系統(tǒng)裝機(jī)規(guī)模的基礎(chǔ)數(shù)據(jù)，換句話說是電源規(guī)劃的依據(jù)。電力負(fù)荷大小及其在時間上的分布特征，對電力規(guī)劃及電力系統(tǒng)運行是至關(guān)重要的。（1） 準(zhǔn)備階段準(zhǔn)備階段的工作是由確定預(yù)測目標(biāo)、落實組織工作、搜集資料、分析資料和選擇方法等工作組成。一般在做電力負(fù)荷預(yù)測時需要搜集與整理的資料主要有：電力系統(tǒng)歷年用電負(fù)荷、用電量、用電構(gòu)成；經(jīng)濟(jì)發(fā)展目標(biāo)（如國民生產(chǎn)總值、國民收入等）；國民經(jīng)濟(jì)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；工業(yè)布局及用戶的用電水平指標(biāo)；以及國外參考國家的上述類似歷史資料。沒有一種方法在任何預(yù)測場合下均可以保證獲得滿意的結(jié)果。預(yù)測結(jié)果應(yīng)該是明確的，可以被檢驗的。摘要與題目配合，可以引起有關(guān)方面的重視。線性變化模型可以表示為 （43）式中，a,b為線性方程的截距和斜率；為誤差。即 (t=1,2,...,24) （45）式中，n為過去日負(fù)荷的天數(shù)；為過去第天第t小時負(fù)荷變化系數(shù)。人工修正方法通常用因子模型來描述。某些非平穩(wěn)隨機(jī)序列V(t)，例如均值不為0的非平穩(wěn)隨機(jī)過程，經(jīng)一階差分后得到的序列（1B）V(t)有可能是平穩(wěn)的。周期模型用來描敘24小時為周期的變化規(guī)律，在分析日負(fù)荷曲線形狀時，除掉日平均負(fù)荷的變化因素，將連續(xù)幾天的日負(fù)荷變化畫在一張圖上，可以看出明顯的周期性，即以24小時為周期循環(huán)變化。隨機(jī)型時間序列預(yù)測模型可以看作一個線性濾波器。雖然經(jīng)典的數(shù)學(xué)統(tǒng)計方法具有速度快的優(yōu)點，但是其預(yù)測模型比較簡單，很難準(zhǔn)確描述負(fù)荷預(yù)測的實際模型，所以其精度較差。灰色系統(tǒng)理論的形成是有過程的。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(jìn)行負(fù)荷預(yù)測。因此，預(yù)測被當(dāng)作人工神經(jīng)網(wǎng)絡(luò)（簡記為ANN）最有潛力的應(yīng)用領(lǐng)域之一，許多人都試圖應(yīng)用反傳學(xué)習(xí)算法訓(xùn)練ANN。由于小波分析在理論上的完美性以及在應(yīng)用上的廣泛性，在短短的幾年中，受到了科學(xué)界、工程界的高度重視，并且在信號處理、圖象處理、模式識別、地震預(yù)報、故障診斷、狀態(tài)監(jiān)視、CT成象、語言識別、雷達(dá)等十幾個科學(xué)領(lǐng)域中得到應(yīng)用。1987年，Mallat巧妙地將計算機(jī)視覺領(lǐng)域內(nèi)的多尺度分析的思想引入到小波分析中小波函數(shù)的構(gòu)成及信號按小波變換的分解及重組，從而成功地統(tǒng)一了此前的各種具體小波函數(shù)的構(gòu)造，并研究了小波變換的離散化情形，得到相應(yīng)的Mallat金字塔式算法，顯著地減少了計算量，使小波分析具有工程實用價值。小波分析是一種時域——頻域分析方法，它在時域和頻域上同時具有良好的局部化性質(zhì)，并且能根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密，它容易捕捉和分析微弱信號以及信號、圖象的任意細(xì)小部分。①表格查尋法：表格法是一種相對簡單明了的算法。模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)似乎有著天然的聯(lián)系，模糊神經(jīng)網(wǎng)絡(luò)在本質(zhì)上是模糊系統(tǒng)的實現(xiàn)，就是將常規(guī)的神經(jīng)網(wǎng)絡(luò)(如前向反饋神經(jīng)網(wǎng)絡(luò)，HoPfield神經(jīng)網(wǎng)絡(luò))賦予模糊輸入信號和模糊權(quán)。反向傳播BP學(xué)習(xí)算法用來確定高斯型模糊邏輯系統(tǒng)的參數(shù)，經(jīng)過辨識的模型能夠很好的逼近真實系統(tǒng)，進(jìn)而達(dá)到提高預(yù)測精度的目的。方法是，假定每天最大負(fù)荷是每天最高溫度的函數(shù) （55）每天最小負(fù)荷是每天最低溫度的函數(shù) （56）然后根據(jù)過去幾天的最大負(fù)荷和最小負(fù)荷記錄及對應(yīng)的最高溫度和最低溫度記錄，用最小二乘方法決定系數(shù)。、基于人工神經(jīng)網(wǎng)絡(luò)日負(fù)荷預(yù)測（1）人工神經(jīng)網(wǎng)絡(luò)簡介及其原理1）神經(jīng)網(wǎng)絡(luò)簡介人工神經(jīng)網(wǎng)絡(luò)的英文名稱是Artificial Neural Networks(ANN)是一種“采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的系統(tǒng)。前饋神經(jīng)網(wǎng)絡(luò)模型是指那些在網(wǎng)絡(luò)中各處理單元之間的連接都是單向的，而且總是指向網(wǎng)絡(luò)輸出方向的網(wǎng)絡(luò)模型。激活函數(shù)有許多種類型，其中比較常用的激活函數(shù)可歸結(jié)為三種形式:閩值型，S型和線性型。③神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則在學(xué)習(xí)過程中主要是網(wǎng)絡(luò)的連接權(quán)的值發(fā)生了改變，學(xué)習(xí)到的內(nèi)容也是記憶在連接權(quán)之中。誤差函數(shù)對輸出節(jié)點閾值求導(dǎo) （536）其中 （537） （538）則 （539）閾值修正 （540） （541）誤差函數(shù)對隱層節(jié)點閾值求導(dǎo) （542）其中 （543） （544） （5