【正文】 力系統(tǒng)的術(shù)語來說，就是滿足負(fù)荷要求。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。實際算例表明，這種方法應(yīng)用在短期負(fù)荷預(yù)測方面有較高的精度。正確地預(yù)測電力負(fù)荷，既是為了保證無條件供應(yīng)國民經(jīng)濟(jì)各部門及人民生活以充足的電力的需要，也是電力工業(yè)自身健康發(fā)展的需要。時間列模型的缺點在于不能充分利用對負(fù)荷性能有很大影響的氣候信息和其他因素，導(dǎo)致了預(yù)報的不準(zhǔn)確和數(shù)據(jù)的不穩(wěn)定。（1） 灰色數(shù)學(xué)理論灰色數(shù)學(xué)理論是把負(fù)荷序列看作一真實的系統(tǒng)輸出，它是眾多影響因子的綜合作用結(jié)果。這一工作開始并不順利，一時建立不起可供應(yīng)的模型。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。小波分析方法的提出，可以追溯到1910年Harr提出的“小波”規(guī)范正交基及1938年LittlewoodPaley對Fourier變換的相位變化本質(zhì)上不影響函數(shù)的LP理論。這樣，小波分析的理論大廈就基本奠定了。（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。(5) 建立人工神經(jīng)網(wǎng)絡(luò)算法程序, 得出MATLAB的圖形。無功負(fù)荷的大小及分布是確定電力系統(tǒng)無功電源規(guī)劃的基礎(chǔ)，也是影響電力系統(tǒng)安全經(jīng)濟(jì)運行的重要因素。③中期負(fù)荷預(yù)測是指月至年的負(fù)荷預(yù)測，主要是確定機(jī)組運行方式和設(shè)備大修計劃等。預(yù)測內(nèi)容是指包括電力、電量、電力負(fù)荷的地區(qū)分布，電力負(fù)荷隨時間的變化規(guī)律，以及電力負(fù)荷曲線特征及負(fù)荷曲線等。對經(jīng)過鑒別整理后的資料要進(jìn)行分析，以尋求其規(guī)律。由于影響預(yù)測對象的諸因素可能會發(fā)生變化，從而可能使未來的實際結(jié)果與預(yù)測依據(jù)的歷史資料呈現(xiàn)的規(guī)律不相吻合，預(yù)測人員必須適時的對預(yù)測模型及預(yù)測結(jié)果加以修正。預(yù)測報告一般包括題目、摘要、正文、結(jié)論、建議、和附錄等部分。例如。即 （31）這種根據(jù)誤差平方和最小的原則選擇f(x)的近似函數(shù)的方法就叫曲線擬合的最小二乘法。以下我們從一般的基礎(chǔ)上進(jìn)行討論。例如，第13年（即1995年）的負(fù)荷電量為 。在時刻t預(yù)測t+1時刻的數(shù)值時，只需知道t時刻的實際值及預(yù)測值；(2) 對不同時刻的數(shù)據(jù)做了不等權(quán)的處理。在這種情況下，需要高次指數(shù)平滑法。所有指數(shù)平滑法都會遇到這種給定值的問題的。Hopfield網(wǎng)絡(luò)模型和Hamming網(wǎng)絡(luò)模型。(2) 人工神經(jīng)元基本原理人工神經(jīng)元模型是生物神經(jīng)元的模擬與抽象。人工神經(jīng)元模型的學(xué)習(xí)方式，其中主要三種:有導(dǎo)師學(xué)習(xí)、無導(dǎo)師學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點,隱層節(jié)點,輸出節(jié)點[15]。動態(tài)系統(tǒng)神經(jīng)網(wǎng)絡(luò)Ud++_ey 正向建模結(jié)構(gòu)(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。但實際工作時的輸入信號很難事先給定，因為控制目標(biāo)是使系統(tǒng)輸出具有期望的運動，對于未知控制系統(tǒng)期望輸入不可能給出。眾所周知，負(fù)荷曲線是很多因素相關(guān)的一個非線性函數(shù)。本文采用第1種負(fù)荷劃分模式，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。顯而易見，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?？傊?，樣本的選取過程需要注意代表性、均衡性和用電負(fù)荷的自身特點，從而選擇合理的訓(xùn)練樣本。本文由于輸入向量有26個元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有26個，經(jīng)過多次訓(xùn)練網(wǎng)絡(luò)中間層的神經(jīng)元可以取53個。0 1。0 1。0 1?！畉rainrp’表示設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainrp ,它采用BP算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。 %P為輸入向量，T為目標(biāo)向量休息日訓(xùn)練結(jié)果為：TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 17/1000, MSE , Gradient TRAINRP, Performance goal met.工作日訓(xùn)練結(jié)果為:TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 22/1000, MSE , Gradient TRAINRP, Performance goal met.可見，經(jīng)過次訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到要求，(休息日訓(xùn)練結(jié)果)所示,(工作日訓(xùn)練結(jié)果)所示。 (休息日)預(yù)報誤差 (工作日)預(yù)報誤差(5) 結(jié)論分析電力負(fù)荷預(yù)測是電力調(diào)度、用電、計劃、規(guī)劃等部門的重要工作，國內(nèi)外關(guān)于短期負(fù)荷預(yù)測的文獻(xiàn)很多，但是由于電力負(fù)荷受諸多因素的影響和負(fù)荷本身的不確定性，使得迄今還沒有一種十分滿意的方法。（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(yīng)學(xué)習(xí)速率法在一定程度上解決這些問題。此外，我還要感謝我所列參考文獻(xiàn)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(xiàn)[1] [M].北京：電子工業(yè)出版社,2005.[2] 許東，——神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)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(xué)出版社，1998.[5] 張乃堯，[M].北京：清華大學(xué)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(jī)械工業(yè)出版社，1995.[8] ［M］. 西安：西安電子科技大學(xué)出版社，1990.[9] 侯志儉，[J].中國電機(jī)工程學(xué)報，2003，23（1）：4550.[10] 冉啟文，單永正，[J]. 中國電機(jī)工程學(xué)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(xué)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(xué)學(xué)報，1998，(3)：25～29．[16] 王雪峰，［Ｊ］.哈爾濱工業(yè)大學(xué)學(xué)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(jù)p=[ 。 。 。 。End附錄B：完整的MATLAB 代碼%休息日預(yù)測P=[ 。T=[ 。threshold=[0 1。 0 1。 0 1。 0 1。)。Out=sim(net,P_test)。 。 。 。 。 。 ]39。 0 1。 0 1。 0 1。trainrp39。P_test=[ ]39。 。 。end。 。 。%繪制預(yù)報誤差曲：X=[ ]39。=1000。 0 1]。 0 1。 0 1。 0 1。 。 。 。 。 。plot(1:24,XOut)%反歸一化處理30號的負(fù)荷預(yù)測值s=[ 。=。net=newff(threshold,[53,24],{39。 0 1。 0 1。 0 1。 。 。 。 。%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,:)))。 。自適應(yīng)學(xué)習(xí)速率法是在學(xué)習(xí)過程中不斷修正學(xué)習(xí)速率，有利于提高學(xué)習(xí)效率，縮短學(xué)習(xí)時間。 休息日預(yù)測結(jié)果對照預(yù)測時段實際值/MW預(yù)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(yù)測取得了較滿意的結(jié)果。休息日測試代碼如下：P_test=[ ]39?？紤]到網(wǎng)絡(luò)的結(jié)構(gòu)比較復(fù)雜，神經(jīng)元個數(shù)比較多，需要適當(dāng)增大訓(xùn)練次數(shù)和學(xué)習(xí)速率。0 1。0 1。0 1。網(wǎng)絡(luò)中間層的神經(jīng)元傳輸函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對數(shù)函數(shù)logsig。 獲得輸入和輸出變量后，要對其進(jìn)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)。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。神經(jīng)網(wǎng)絡(luò)的優(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)假設(shè)的能力。對于神經(jīng)網(wǎng)絡(luò)，這是一個仍有待于進(jìn)一步研究的問題。直接逆向建模也稱為廣義逆學(xué)習(xí)。遞增模式，就是每增加一個輸入樣本，重新計算一次梯度并調(diào)整權(quán)值；批處理模式，就是利用所有的輸入樣本計算梯度，然后調(diào)整權(quán)值。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。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。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。