【正文】 練結(jié)束；否則， 0, 1Ep??，返回步驟（ 2）。 燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 28 第 4 章 基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè) 電力工業(yè)作為國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，在國(guó)民經(jīng)濟(jì)的發(fā)展中起著舉足輕重的作用。本節(jié)介紹神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的基本內(nèi)容。這一問(wèn)題包括樣本的選擇和組織：選擇的樣本類別要均衡；輸入時(shí)，各類樣本交叉輸入，或隨機(jī)輸入 [12]。相鄰各點(diǎn)的負(fù)荷值不會(huì)發(fā)生突變，前后時(shí)刻的值必然相關(guān)，以此作為網(wǎng)絡(luò)的樣本數(shù)據(jù) 。 由前三章的內(nèi)容知輸入變量應(yīng)包含以下內(nèi)容： （ 1）預(yù)測(cè)日前一天的實(shí)時(shí)負(fù)荷。 訓(xùn)練樣本的選取主要受兩個(gè)因素的影響： 一是 樣本長(zhǎng)度 ， 樣本長(zhǎng)度并非越長(zhǎng)越好，過(guò)長(zhǎng)的訓(xùn)練樣本不僅影響計(jì)算速度，還 可能 導(dǎo) 致 過(guò) 擬合 現(xiàn)象。 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型 首先需建立神經(jīng)網(wǎng)絡(luò)模型，即其數(shù)學(xué)模型。本章介紹了神經(jīng)網(wǎng)絡(luò)的基本原理，除了其模型外，還介紹了其算法，包括無(wú)導(dǎo)師學(xué)習(xí)、有導(dǎo)師學(xué)習(xí)和灌輸式學(xué)習(xí)，更多的是介紹 了有導(dǎo)師學(xué)習(xí)中的一種 —BP算法，及其信號(hào)流向和程序?qū)崿F(xiàn)。 5）用 E總 計(jì)算各層誤差信號(hào)。經(jīng)輸出與期望輸出比較得到誤差信號(hào) o? ， 誤差信號(hào)通過(guò)隱層各節(jié)點(diǎn)的權(quán)向量處理后反傳至隱層各節(jié)點(diǎn)，得到隱層的誤差信號(hào) y? ，由此計(jì)算隱層權(quán)值調(diào)整量 。 1 1j j j j jf n e t f n e t f n e t y y??? ? ? ??? （ 330） 燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 24 由式 （ 316） 得， ? ? ? ?1 39。 對(duì)于輸出層，有 ? ? 1 , 2 , ,kko f ne t k l?? （ 39） 0 1 , 2 , ,mk jk jjn et w y k l???? （ 310） 對(duì)于隱層，有 1x ix nx 1y my 1o ko lo 1V iV nV 1W kW lW 燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 22 ? ? 1 , 2 , ,jjy f ne t j m?? （ 311） 0 1 , 2 , ,nj ij iin et v x j m???? （ 312） 變換函數(shù) ??fx具有連續(xù)可導(dǎo)的特點(diǎn)： 對(duì)于輸出層， 變換函數(shù) ??fx為單極性的 Sigmoid 函數(shù) ? ? 11 xfx e?? ? （ 313） 對(duì) 于 隱層，變換函數(shù) ??fx為 雙極性正切 函數(shù) tansig ? ? 2111 xxxefx ee???????? （ 314） （ 2） 網(wǎng)絡(luò)誤差與權(quán)值調(diào)整 實(shí)際輸出 輸出與期望輸出 不相等時(shí)，存在誤差 E ： ? ?212E d O?? ? ?2112 l kkk do???? （ 315） 將式 （ 39） 、 （ 310） 代入式 （ 315） ，將其展開(kāi)至隱層： ? ? 2112 l kkkE d f ???????? 21012 lmk jk jkjd f w y?????????????????? （ 316） 將式 （ 311）、（ 312） 代入 （ 316） ，將其進(jìn)一步展開(kāi)至隱層： ? ? 21012 lmk jk jkjE d f w f n e t???????????????????? 21 0 012 l m nk jk ij ik j id f w f v x? ? ??????? ??????????? ? ? （ 317） 由此可見(jiàn)，調(diào)整權(quán)值 jkw 、 ijv 即可改變誤差 E ，使用梯度下降法，使權(quán) 值與誤差下降成正比，即 0 , 1 , 2 , , 。 BP 網(wǎng)絡(luò)模型與 結(jié)構(gòu) 一個(gè)多層神經(jīng)網(wǎng)絡(luò)模型分為三層：輸入層、輸出層、中間層。學(xué)習(xí)過(guò)程中， 網(wǎng)絡(luò)根據(jù)本身輸出和期望輸出結(jié) 果之間的誤差來(lái)調(diào)節(jié)系統(tǒng)的 權(quán)值和閾值。神經(jīng)網(wǎng)絡(luò)連接權(quán)值可用一個(gè) W 矩陣表示，反應(yīng)神經(jīng)網(wǎng)絡(luò)對(duì)于所解決問(wèn)題的知識(shí)存儲(chǔ)。根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)和神經(jīng)元的特性， 網(wǎng)絡(luò) 還有可能進(jìn)入周期振蕩或其它如混沌等平衡狀態(tài) [11]。 （ 2） 有反饋的前向網(wǎng)絡(luò)。 ? ? 0001ccxf x cx x xxx???? ? ????? （ 36） 圖 34 單極性分段線性變換函數(shù) （ 4） 線性函數(shù) 線性函數(shù)可將輸入轉(zhuǎn)化為任意值輸出，即將輸入 原值 輸出 。jj T? 0? 時(shí)神經(jīng)元被激活。 人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)最基本的處理單元，模擬神經(jīng)細(xì)胞的構(gòu)成。 本 章小結(jié) 針對(duì)本文所要研 究的內(nèi)容，本章對(duì)負(fù)荷預(yù)測(cè)進(jìn)行了具體分析。預(yù)測(cè)模型的多樣化，要求研究人員依據(jù)具體資料選擇適當(dāng)?shù)念A(yù)測(cè)模型。 資料整理的目的是為了保證資料 的質(zhì)量，從而保證預(yù)測(cè)質(zhì)量。 （ 2）調(diào)查資料和選擇資料 。 設(shè)參考數(shù)列 ? ? ? ? ? ?? ?0 0 0 01 , 2 , ,x x x x n? ，預(yù)測(cè)數(shù)列? ? ? ? ? ?? ?1 , 2 , ,i i i ix x x x n? ， 1,2, ,im? ，則 ? ? ? ? ? ? ? ? ? ?? ? ? ? ? ? ? ?0000m i n m i n m a x m a xm a x m a xiiik iki iiikx k x k x k x kkx k x k x k x k???? ? ??? ? ? （ 25） 為 0 ixx與 在第 k 點(diǎn)的關(guān)聯(lián)系數(shù)。 （ 3） 均方誤差 ? ? 221111nni i iiiM S E E Y Ynn??? ? ??? （ 22） 其中， M SE ??? 均 方 差 ， 其 余 符 號(hào) 同 前。 （ 2）負(fù)荷變化受各式因素的影響，進(jìn)行預(yù)測(cè)的目的與要求不同，如果預(yù)測(cè)模型選擇不當(dāng)，就會(huì)產(chǎn)生誤差。 （ 2）負(fù)荷構(gòu)成，如電力用戶類型及其某地區(qū)所占比例不同。 （ 2）預(yù)測(cè)的條件性 各種電力負(fù)荷預(yù)測(cè)都是在一定條件下做出的。 （ 2）相似性原理 相似性原理是指根據(jù)一 個(gè) 已知的相似事物的發(fā)展?fàn)顩r預(yù)測(cè)某事物的發(fā)展過(guò)程。最后引出本文的研究?jī)?nèi)容。 本文所做的工作可以歸納為以下幾點(diǎn) : （ 1） 本論文根據(jù) 該城市的 歷史負(fù)荷數(shù)據(jù)，分析影響預(yù)測(cè) 的各種因素，如負(fù)荷的組成， 負(fù)荷區(qū)域以及影響負(fù)荷變化的天氣因素 ，提出負(fù)荷類型。 （ 3）利用自適應(yīng)線性元件 （ Adaline） 提前一周預(yù)測(cè)某天的負(fù)荷，采用章及標(biāo)題 7 譜分析法對(duì)負(fù)荷進(jìn)行分解，每個(gè)分量都用一個(gè) Adaline 模型。 人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè)中的應(yīng)用 人工神經(jīng)元網(wǎng)絡(luò) （ ANN） 適于解決時(shí)間序列的預(yù)測(cè)問(wèn)題，尤其是平穩(wěn)隨機(jī)過(guò)程的預(yù)測(cè)。對(duì)不同的子序列進(jìn)行預(yù)測(cè)，最后通過(guò)序列重組，得到完整的負(fù)荷預(yù)測(cè)結(jié)果，其精確性比直接用原負(fù)荷序列燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 6 進(jìn)行預(yù)測(cè)有一定改進(jìn) [6]。 此方法能克服單一算法的片面性，且具有快速判斷的優(yōu)點(diǎn)。因其 建立在最大信息利用的基礎(chǔ)上，最優(yōu) 組合了多種單一模型所包含的信息，從而改善預(yù)測(cè)效果。 灰色預(yù)測(cè)具有 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(shì)、運(yùn)算方便、短期預(yù)測(cè)精度高，易于檢驗(yàn) 等優(yōu)點(diǎn) 。電力 負(fù)荷的歷史數(shù)據(jù)即為有序集合， 這個(gè)集合就是一個(gè)時(shí)間序列，用這個(gè) 序列模型 分析負(fù)荷變化規(guī)律并對(duì) 該序列在未 來(lái) 時(shí)刻的變量 作出預(yù)報(bào)，就是負(fù)荷預(yù)測(cè)的時(shí)間序列法 [1]?；貧w預(yù)測(cè)包括 線性回歸與 非線性回歸。 現(xiàn)已有的預(yù)測(cè)技術(shù)可分為定性的經(jīng)驗(yàn)預(yù)測(cè)技術(shù)及依賴于數(shù)量模型、定量的預(yù)測(cè)技術(shù)。 市場(chǎng)各方更加重視信息的獲取，準(zhǔn)確的預(yù)測(cè)結(jié)果對(duì)于電力經(jīng)營(yíng)主體的運(yùn)行效益有直接影響，因而對(duì)負(fù)荷預(yù)測(cè)精度又提出更高要求。s power load data as an example to introduce the neural work forecasting technology. Keywords neural work； load forecasting technology； BP work III 目 錄 摘要 ......................................................... IV Abstract ..................................................... II 第 1 章 緒論 ................................................... 1 課題背景及意義 ......................................... 1 國(guó)內(nèi)外研究現(xiàn)狀 ......................................... 1 人工神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè) 中的應(yīng)用 ......................... 6 本文的研究?jī)?nèi)容 ......................................... 7 本章小結(jié) ............................................... 7 第 2 章 電力系統(tǒng)負(fù)荷預(yù)測(cè)分析 ................................... 9 負(fù)荷預(yù)測(cè)基礎(chǔ)知識(shí) ....................................... 9 負(fù)荷預(yù)測(cè)的基本原理 ................................. 9 負(fù)荷預(yù)測(cè)的特點(diǎn) .................................... 10 影響負(fù)荷變化的因素 ................................ 10 負(fù)荷預(yù)測(cè)誤差分析 ...................................... 10 負(fù)荷預(yù)測(cè)基本程序 ...................................... 13 本章小結(jié) .............................................. 14 第 3 章 神經(jīng)網(wǎng)絡(luò)基本原理 ...................................... 16 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識(shí) ...................................... 16 人工神經(jīng)元模型 .................................... 16 人工神經(jīng)網(wǎng)絡(luò)模型 .................................. 19 人工神經(jīng)網(wǎng)絡(luò)的特性 ................................ 19 神經(jīng)網(wǎng)絡(luò) 算法 .......................................... 20 BP 網(wǎng)絡(luò) ............................................... 20 BP 網(wǎng)絡(luò)模型與結(jié)構(gòu) ................................. 20 BP 算法 ........................................... 21 BP 網(wǎng)絡(luò)的功能 ..................................... 27 本章小結(jié) .............................................. 27 IV 第 4 章 基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè) .........................28 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型 .......................................28 樣本集的設(shè)計(jì) .......................................28 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) .......................................29 參數(shù)的選擇 .......