【正文】 。 。 為了進(jìn)一步提高網(wǎng)絡(luò)的預(yù)測(cè)精度，需要從以下幾個(gè)方面展開(kāi)研究： （ 1） 網(wǎng)絡(luò)的訓(xùn)練過(guò)程是從給定的樣本數(shù)據(jù)中歸納出輸入、輸出之間的復(fù)雜規(guī)律，為了能夠更加精確地對(duì)系統(tǒng)進(jìn)行預(yù)測(cè)，樣本數(shù)據(jù)應(yīng)該盡可能準(zhǔn)確。 =?？紤]到網(wǎng)絡(luò)的結(jié)構(gòu)比較復(fù)雜，神經(jīng)元個(gè)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。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(duì)數(shù)函數(shù) logsig。因此，輸入變量就是一個(gè) 26 維的向量。 本文采用 MATLAB 軟件編程、仿真，具體過(guò)程如下所示： (1) 問(wèn)題描述 電力系統(tǒng)負(fù)荷短期預(yù)報(bào)問(wèn)題的解決辦法和方式可以分為統(tǒng)計(jì)技術(shù)、專家系統(tǒng)法和神經(jīng)網(wǎng)絡(luò)法等。而當(dāng)系統(tǒng)為性能評(píng)價(jià)器時(shí)，則可選擇再勵(lì)學(xué)習(xí)算法 [16]。 ②神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程模仿人的學(xué)習(xí)過(guò)程，人們提出了多種神經(jīng)元網(wǎng)絡(luò)。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無(wú)向圖表示，代表性的模型包括 。 當(dāng)時(shí)間序列具有不斷增大（或減?。┑内厔?shì)時(shí)，用一次指數(shù)平滑法預(yù)測(cè)的結(jié)果往往出現(xiàn)明顯的滯后現(xiàn)象，誤差較大。根據(jù) 式 （ 37）（ 38） ，對(duì)表 的原始數(shù)據(jù)可按下表進(jìn)行處理 表 最小二乘法的計(jì)算表格 0x 1x 2x 3x 4x y xy yx2 1 1 1 1 1 1 1 1 1 2 4 8 16 1 3 9 27 81 1 4 16 64 256 1 5 25 125 625 1 6 36 216 1296 1 7 49 343 2401 1 8 64 512 4096 1 9 81 729 6561 本科畢業(yè)設(shè)計(jì)說(shuō)明書（論文） 第 13 頁(yè) 共 41 頁(yè) 1 10 100 1000 10000 194 0S 1S 2S 3S 4S 0? 1? 2? 10 55 385 3025 25333 根據(jù)式 39 可得到線性方程 ??????????????????????????????? 2 22 5 3 33 0 2 53 8 53 0 2 53 8 5553 8 55510210aaa 解之得 210???aaa 即擬合曲線的表達(dá)式為 20 0 7 1 2 0 4 )( xxx ???? 根據(jù)此方程式即可利用外推法對(duì)未來(lái)負(fù)荷電量進(jìn)行預(yù)測(cè)。因此通常歸結(jié)為要求在各點(diǎn)的誤差和為最小。 題出預(yù)測(cè)報(bào)告階段 預(yù)測(cè)報(bào)告是預(yù)測(cè)結(jié)果的文字表述。 （ 3） 分析資料，選擇預(yù)測(cè)方法。 ② 短期負(fù)荷預(yù)測(cè)是指日負(fù)荷預(yù)測(cè)和周負(fù)荷預(yù)測(cè)，分別用于安排日調(diào)度計(jì)劃和周調(diào)度計(jì)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(kù)調(diào)度和設(shè)備檢修等，對(duì)短期預(yù)測(cè)，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。 (3) 深入研究最小二乘法、指數(shù)平滑法和人工神經(jīng)網(wǎng)絡(luò)法的預(yù) 測(cè)方法 (4) 建立電力負(fù)荷預(yù)測(cè)的模型，對(duì)預(yù)測(cè)某地區(qū)的發(fā)電量。它在數(shù)學(xué)信號(hào)的小波 分解過(guò)程中提供有限的從而更實(shí)際、更具體的數(shù)字濾波器。 （ 3） 神經(jīng)網(wǎng)絡(luò)理論 運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力負(fù)荷預(yù)測(cè)，其優(yōu)點(diǎn)是可以模仿人腦的智能化處理，對(duì)大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，具有信息記憶、自主學(xué)習(xí)、知識(shí)推理和優(yōu)化計(jì)算的特點(diǎn)，特別的，其自學(xué)習(xí)和自適應(yīng)功能是常規(guī)算法和專家系統(tǒng)技術(shù)所不具備的 [8]。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(cè)理論等。 電力用戶是電力工業(yè)的服務(wù)對(duì)象，電力負(fù)荷的不 斷增長(zhǎng)是電力工業(yè)發(fā)展的根據(jù)。電力系統(tǒng)負(fù)荷預(yù)測(cè)為這一地區(qū)電力規(guī)劃奠定了一定的基礎(chǔ)，同時(shí)也為這一地區(qū)電力工業(yè)布局、能源資源平衡、電力余缺調(diào)劑，以及電網(wǎng)資金和人力資源的需求與平衡提供可靠的依據(jù)。人工智能方法包括人工神經(jīng)網(wǎng)絡(luò)法、專家系統(tǒng)方法和模糊推理方法、小波分析等。因此，電力負(fù)荷預(yù)測(cè)是一項(xiàng)十分重要的工作，它對(duì)于保證電力工業(yè)的健康發(fā)展，乃至對(duì)于整個(gè)國(guó)民經(jīng)濟(jì)的發(fā)展均有著十分重要的意義。 灰色系統(tǒng)理論的形成是有過(guò)程的。 （ 4） 小波分析預(yù)測(cè)技術(shù) 小波分析（ Wavelet） 是本世紀(jì)數(shù)學(xué)研究成果中最杰出的代表 [9]。目前，國(guó)內(nèi)外有關(guān)小波在電力系統(tǒng)中的應(yīng)用的文獻(xiàn)還很少，這個(gè)領(lǐng)域還是很少，然而，由于其獨(dú)特的分析方法，在電力系 統(tǒng)負(fù)荷預(yù)測(cè)方面一定會(huì)有很好的前景[10]。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(shuō)是電源規(guī)劃的依據(jù)。 準(zhǔn)備 階段 準(zhǔn)備階段的工作是由確定預(yù)測(cè)目標(biāo)、落實(shí)組織工作、搜集資料、分析資料和選擇方法等工作組成。因此，必須根據(jù)對(duì)資料的占有情況，以及預(yù)測(cè)目標(biāo)、預(yù)測(cè)期限，預(yù)測(cè)環(huán)境、預(yù)測(cè)結(jié)果 本科畢業(yè)設(shè)計(jì)說(shuō)明書（論文） 第 9 頁(yè) 共 41 頁(yè) 的精確度，同時(shí) 考慮預(yù)測(cè)本身的效益成本分析等進(jìn)行權(quán)衡，以便作出合理的選擇。正文包括分析及預(yù)測(cè)過(guò)程、預(yù)測(cè)模型及說(shuō)明、有關(guān)計(jì)算方法、必要的圖表、預(yù)測(cè)的主要結(jié)論及對(duì)主要結(jié)論的評(píng)價(jià)。當(dāng)某一量的增長(zhǎng)率接近常數(shù)時(shí)，其增長(zhǎng)趨勢(shì)常用指數(shù)曲線來(lái)擬合。其優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，缺點(diǎn)是： 1 要保存的歷史數(shù)據(jù)比較多，如預(yù)測(cè)的項(xiàng)目很多就要保存大量歷史數(shù)據(jù)； 2 它對(duì)所有數(shù)據(jù)都同等對(duì)待，而從直觀和經(jīng)驗(yàn)上看，我們?cè)陬A(yù)測(cè)時(shí)應(yīng)該對(duì)離目前越近的數(shù)據(jù)越重視； 3 它只能用于水平趨勢(shì)的時(shí)間序列，當(dāng)時(shí)間序列有某種明顯的增加或減少的趨勢(shì)時(shí)，移動(dòng)算術(shù)平均法不能很快適應(yīng)這種變化。 表 線性指數(shù)平滑法的計(jì)算過(guò)程 tx )1(tS )2(tS ta tb mtF? 1 142 142 142 2 151 3 160 4 138 5 136 6 173 7 141 8 140 9 161 10 179 11 163 12 170 13 205 14 192 15 206 16 217 17 228 18 224 19 203 20 226 本科畢業(yè)設(shè)計(jì)說(shuō)明書（論文） 第 17 頁(yè) 共 41 頁(yè) 21 222 22 241 23 238 24 265 25 (m=1) 26 (m=2) 27 (m=3) 28 (m=4) 29 (m=5) 30 (m=6) 表中各列分別為： 1 原始記錄數(shù)據(jù) tx ； 2 一次指數(shù)平滑值 )1(tS ，由式 （ 316） 求得； 3 二次指數(shù)平滑值 )2(tS ，由式 （ 318） 求得； 4 系數(shù) ta ，由式（ 322） 求得； 5 系數(shù) tb ，由式 （ 323） 求得； 6 預(yù)測(cè)值 mtF? ，由式 （ 321） 求得； 整個(gè)計(jì)算中，平滑系數(shù)取 。前饋型神經(jīng)網(wǎng)絡(luò)的基本原理是 :神經(jīng)網(wǎng)絡(luò)在組成時(shí)，各個(gè)神經(jīng)元通過(guò)一定權(quán)值相連，神經(jīng)網(wǎng)絡(luò)在使用之前必須確定這些權(quán)值，而沒(méi)有經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的權(quán)值是沒(méi)有任何意義的，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程就是通過(guò)已知數(shù)據(jù)確定權(quán)值的過(guò)程。 ④神經(jīng)元網(wǎng)絡(luò)的工作過(guò)程當(dāng)網(wǎng)絡(luò)訓(xùn)練好了以后，就可以正常進(jìn) 行工作，可以用來(lái)分析數(shù)據(jù)和處理問(wèn)題。由圖可見(jiàn)，擬預(yù)報(bào)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(guò)學(xué)習(xí)建立系統(tǒng)的逆模型。近年來(lái)的研究表明，相對(duì)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(bào)可獲得更高的精度。由于這都是實(shí)際的測(cè)量值，因此，這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。0 1。0 1。 Out=sim(,P_test)。自適應(yīng)學(xué)習(xí)速率法是在學(xué)習(xí)過(guò)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(shí)間。 %P 表示歸一化后的輸入向量 for i=1:26 本科畢業(yè)設(shè)計(jì)說(shuō)明書（論文） 第 35 頁(yè) 共 41 頁(yè) P(i,:)=(p(i,:)min(p(i,:)))/(max(p(i,:))min(p(i,:)))。 。 。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(chéng)摯的謝意！ 本科畢業(yè)設(shè)計(jì)說(shuō)明書（論文） 第 33 頁(yè) 共 41 頁(yè) 參 考 文 獻(xiàn) [1] 飛思科技產(chǎn)品研發(fā)中心編 .神經(jīng)網(wǎng)絡(luò)理論與 MATLAB7 實(shí)現(xiàn) [M].北京：電子工業(yè)出版社 ,20xx. [2] 許東， 吳錚編著 .基于 的系統(tǒng)分析與設(shè)計(jì) —— 神經(jīng)網(wǎng) 絡(luò) [M].西安：西安電子科技大學(xué)出版社， 20xx. [3] 趙希正編著 .中國(guó)電力負(fù)荷特性分析與預(yù)測(cè) [M].北京：中國(guó)電力出版社， 20xx. [4] 于爾鏗，劉廣一， 周京陽(yáng)等編著 .能量管理系統(tǒng)（ EMS） [M].北京：科學(xué)出版社，1998. [5] 張乃堯， 閻平凡編著 .神經(jīng)網(wǎng)絡(luò)與模糊控制 [M].北京：清華大學(xué)出版社， 1998. [6] 牛東曉，曹樹(shù)華， 趙磊等編著 .電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用 [M].北京：中國(guó)電力出版社， 1998. [7] 諸靜編著 .模糊控制原理與應(yīng)用 [M].北京：機(jī)械工業(yè)出版社， 1995. [8] 焦李成 .神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論［ M］ . 西安： 西安電子科技大學(xué)出版社， 1990. [9] 侯志儉 ， 李濤等 .基于小波分析的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法 [J].中國(guó)電機(jī)工程學(xué)報(bào)， 20xx， 23（ 1）： 4550. [10] 冉啟文 ， 單永正 ， 王騏等 .電力系統(tǒng)短期負(fù)荷預(yù)報(bào)的小波 神經(jīng)網(wǎng)絡(luò) PARIMA 方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào)， 20xx， 23（ 3）： 3842. [11] 肖國(guó)泉 ， 王春 ， 張福偉編著 .電力負(fù)荷預(yù)測(cè) [M].北京：中國(guó)電力出版社， 20xx. 本科畢業(yè)設(shè)計(jì)說(shuō)明書（論文） 第 34 頁(yè) 共 41 頁(yè) [12] 施泉生 .短期負(fù)荷 預(yù)報(bào)模型庫(kù)的研究及應(yīng)用 [J].系統(tǒng)工程理論與實(shí)踐， 1996， 16（ 7）： 99104. [13] ，數(shù)值計(jì)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 ， 馮英浚 .多層神經(jīng)網(wǎng)絡(luò)的一個(gè)快速算法［Ｊ］ .運(yùn)籌學(xué)學(xué)報(bào)， 1998， (3)：25～ 29． [16] 王雪峰 ， 馮英浚 .多層神經(jīng)網(wǎng)絡(luò)的一種新學(xué)習(xí)算法 ［Ｊ］ .哈爾濱工業(yè)大學(xué)學(xué)報(bào)，1997， (2)： 23～ 25. [17] Chow TW work 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 works [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=[ 。本文介紹的基于 BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，在綜合考慮天氣情況、歷史負(fù)荷和日類型等對(duì)未來(lái)負(fù)荷影響的因素后，使用了神經(jīng)網(wǎng) 本科畢業(yè)設(shè)計(jì)說(shuō)明書（論文） 第 29 頁(yè) 共 41 頁(yè) 絡(luò)的非線性擬合等功能 [18]，取得了較好的負(fù)荷預(yù)測(cè)效果。 0 1]。0 1。如圖 預(yù)測(cè) 24點(diǎn)負(fù)荷的 BP 網(wǎng)絡(luò)。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變，因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況。對(duì)于神經(jīng)網(wǎng)絡(luò)，這是一個(gè)仍有待于進(jìn)一步研究的問(wèn)題。遞增模式，就是每增加一個(gè)輸入樣本，重新計(jì)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(jì)算梯度，然后調(diào)整權(quán)值。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。 本科畢業(yè)設(shè)計(jì)說(shuō)明書（論文） 第 19 頁(yè) 共 41 頁(yè) 4 人工神經(jīng)網(wǎng)絡(luò)日負(fù)荷預(yù)測(cè)方法的原理及 MATLA