【正文】 練函數(shù)為trainrp ,它采用BP算法進行網(wǎng)絡學習。0 1。本文由于輸入向量有26個元素，所以網(wǎng)絡輸入層的神經(jīng)元有26個，經(jīng)過多次訓練網(wǎng)絡中間層的神經(jīng)元可以取53個?？傊瑯颖镜倪x取過程需要注意代表性、均衡性和用電負荷的自身特點，從而選擇合理的訓練樣本。本文采用第1種負荷劃分模式，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。但實際工作時的輸入信號很難事先給定，因為控制目標是使系統(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。假設三層BP網(wǎng)絡,輸入節(jié)點,隱層節(jié)點,輸出節(jié)點[15]。(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。所有指數(shù)平滑法都會遇到這種給定值的問題的。在時刻t預測t+1時刻的數(shù)值時，只需知道t時刻的實際值及預測值；(2) 對不同時刻的數(shù)據(jù)做了不等權(quán)的處理。以下我們從一般的基礎上進行討論。例如。由于影響預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)果與預測依據(jù)的歷史資料呈現(xiàn)的規(guī)律不相吻合，預測人員必須適時的對預測模型及預測結(jié)果加以修正。預測內(nèi)容是指包括電力、電量、電力負荷的地區(qū)分布，電力負荷隨時間的變化規(guī)律，以及電力負荷曲線特征及負荷曲線等。無功負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，也是影響電力系統(tǒng)安全經(jīng)濟運行的重要因素。（5） 模糊負荷預測模糊負荷預測是近幾年比較熱門的研究方向。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。這一工作開始并不順利，一時建立不起可供應的模型。時間列模型的缺點在于不能充分利用對負荷性能有很大影響的氣候信息和其他因素，導致了預報的不準確和數(shù)據(jù)的不穩(wěn)定。實際算例表明，這種方法應用在短期負荷預測方面有較高的精度。電力系統(tǒng)的作用就是對各類用戶提供盡可能經(jīng)濟可靠而合乎標準要求的電能，以隨時滿足各類用戶的要求，用電力系統(tǒng)的術(shù)語來說，就是滿足負荷要求。電力負荷預測中的負荷概念是指國民經(jīng)濟整體或部門或地區(qū)對電力和電量消費的歷史情況及未來的變化發(fā)展趨勢。回歸預測包括線性回歸和非線性回歸。（2） 專家系統(tǒng)方法專家系統(tǒng)方法是對于數(shù)據(jù)庫里存放的過去幾年的負荷數(shù)據(jù)和天氣數(shù)據(jù)等進行細致的分析，匯集有經(jīng)驗的負荷預測人員的知識，提取有關(guān)規(guī)則。隨后，理論物理學家Grossman對Morlet的這種信號方法進行了理論研究，這無疑為小波分析的形成奠定了基礎。模糊系統(tǒng)對于任意一個非線性連續(xù)函數(shù)，就是找出一類隸屬函數(shù)，一種推理規(guī)則，一個解模糊方法，使得設計出的模糊系統(tǒng)能夠任意逼近這個非線性函數(shù)。（4） 電力負荷曲線及其特征值。一般在做電力負荷預測時需要搜集與整理的資料主要有：電力系統(tǒng)歷年用電負荷、用電量、用電構(gòu)成；經(jīng)濟發(fā)展目標（如國民生產(chǎn)總值、國民收入等）；國民經(jīng)濟結(jié)構(gòu)的歷史、現(xiàn)狀及可能的變化發(fā)展趨勢；人口預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；以及國外參考國家的上述類似歷史資料。預測結(jié)果應該是明確的，可以被檢驗的。為了用外推法預測今后的發(fā)電量，我們需要尋求y=f(x)的一個近似表達式。我們按通常的方法來求S對的偏導數(shù)，并使這些導數(shù)等于零。在實屬平滑法中，t+1時刻的預測值式（313）（314）叫t時刻的一次指數(shù)平滑，用表示?！碑斍皣H著名的神經(jīng)網(wǎng)絡專家，第一家神經(jīng)計算機公司的創(chuàng)始人和神經(jīng)網(wǎng)絡技術(shù)研究的領導人Hecht Nielson給神經(jīng)網(wǎng)絡的定義是:“神經(jīng)網(wǎng)絡是一個以有向圖為拓撲結(jié)構(gòu)的動態(tài)系統(tǒng)，它通過對連續(xù)或斷連續(xù)的輸入作狀態(tài)響應而進行信息處理。①人工神經(jīng)元網(wǎng)絡模型將前面介紹的神經(jīng)元通過一定的結(jié)構(gòu)組織起來，就可構(gòu)成人工神經(jīng)元網(wǎng)絡。 電力系統(tǒng)短期負荷預測建模及MATLAB實現(xiàn) 基于神經(jīng)網(wǎng)絡的預測原理(1) 正向建模正向建模是訓練一個神經(jīng)網(wǎng)絡表達系統(tǒng)正向動態(tài)的過程，這一過程建立的神經(jīng)網(wǎng)絡模型稱為正向建模。 電力系統(tǒng)短期負荷預測建模及MATLAB實現(xiàn)負荷預測對電力系統(tǒng)控制、運行和計劃都有著重要的意義。所以這里將前一天的實時負荷數(shù)據(jù)作為網(wǎng)絡的樣本數(shù)據(jù)。 這是因為函數(shù)的輸出位于區(qū)間[0，1]中，正好滿足網(wǎng)絡輸出的要求。0 1。訓練參數(shù)的設定如表所示。 工作日預測結(jié)果對照預測時段實際值/MW預測值/MW誤差/%1：002：003：004：005：006：007：008：009：0010：0011：0012：0013：0014：0015：0016：0017：0018：0019：0020：0021：0022：0023：0024：00，18個點的誤差的絕對百分誤差小于5%，%，%，%，表明預測取得了較滿意的結(jié)果。 。 。 。 0 1。 0 1。=。 ]39。 。 。 0 1。net=newff(threshold,[53,24],{39。plot(1:24,XOut)%反歸一化處理28號的負荷預測值s=[ 。 。 。figure。 0 1。 0 1。 。 。 。trainrp39。 0 1。 ]39。%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,:)))。 。但我們小組做為一個團隊，大家相互幫助，相互鼓勵，互相監(jiān)督，共同討論和解決問題，使論文能高質(zhì)高效的完成。(休息日預報誤差曲線)所示,(工作日預報誤差曲線)所示。其中，變量threshold用于規(guī)定輸入向量的最大值最小值，規(guī)定了網(wǎng)絡輸入向量的最大值為1，最小值為0。0 1。根據(jù)BP網(wǎng)絡來設計網(wǎng)絡，一般的預測問題都可以通過單隱層的BP網(wǎng)絡實現(xiàn)。目前，訓練樣本數(shù)目的確定沒有通用的方法，一般認為樣本過少可能使得網(wǎng)絡的表達不夠充分，從而導致網(wǎng)絡外推能力不夠；而樣本過多可能會出現(xiàn)樣本冗長現(xiàn)象，既增加了網(wǎng)絡的訓練負擔，也可能出現(xiàn)信息量過剩使得網(wǎng)絡出現(xiàn)過擬合現(xiàn)象。c 將一周的7天每天都看做一種類型，共有7種類型。動態(tài)系統(tǒng)神經(jīng)網(wǎng)絡U+|y 逆向建模結(jié)構(gòu)為了獲得良好的逆動力學特性，應妥善選擇網(wǎng)絡訓練所需的樣本集，使其比未知系統(tǒng)的實際運行范圍更大。下面介紹BP算法的推倒過程。從已知數(shù)據(jù)確定權(quán)值是一個無約束最優(yōu)化問題，典型的算法是BP法，對于前饋神經(jīng)網(wǎng)絡模型還有很多其他權(quán)值修正法。但是當t=1時這個值并不存在，因此需要在計算前給定出定值，最簡單的方法就是使在開始時都等于Xt,或者都等于前幾個Xt的平均值。和移動算術(shù)平均法相比，它有以下幾個優(yōu)點：(1) 不需要儲存過去n個時刻的歷史數(shù)據(jù)。這就是最小二乘法的核心。3 電力負荷預測方法的研究 基于最小二乘法的預測研究及算例分析在實踐中，我們往往需要從一組實測數(shù)據(jù)（）（i=1，2，……，n）中尋找變量x與y間函數(shù)關(guān)系的某種近似表達式。如果是采用定性預測方法來進行預測，就應根據(jù)掌握的客觀資料進行科學的邏輯推理，推斷出預測期的預測值。一般而言，預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） 無功負荷及其分布。這些優(yōu)點決定了小波分析可以有效地應用于負荷預測問題的研究。小波分析為本世紀現(xiàn)代分析學作了完美的總結(jié)。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，于是進行了用少量數(shù)據(jù)做微分方程建模的研究。它利用了電力負荷變動的慣性特征和時間上的延續(xù)性，通過對歷史數(shù)據(jù)時間序列的分析處理，確定其基本特征和變化規(guī)律，預測未來負荷。利用相應的BP神經(jīng)網(wǎng)絡方法對未來24小時負荷進行短期預測[2]，該方法充分發(fā)揮了神經(jīng)網(wǎng)絡處理非線性問題的能力和人工神經(jīng)網(wǎng)絡自學習、自適應的優(yōu)點。所以正確的電力負荷預測既可以為國民經(jīng)濟的發(fā)展提供充足的電力，也可以為電力系統(tǒng)自身的發(fā)展提供幫助，特別是對于電力系統(tǒng)規(guī)劃而言，準確的負荷預測是整個規(guī)劃工作的基礎和前提。電力負荷預測就是在正確的理論指導下，在調(diào)查研究掌握大量翔實資料的基礎上，運用可靠的方法和手段對電力負荷的發(fā)展趨勢作出科學合理的推斷。雖然經(jīng)典的數(shù)學統(tǒng)計方法具有速度快的優(yōu)點，但是其預測模型比較簡單，很難準確描述負荷預測的實際模型，所以其精度較差。借助專家系統(tǒng)，負荷預測人員能識別預測日所屬的類型，考慮天氣因素對負荷預測的影響，按照一定的推理進行負荷預測。1986年，法國數(shù)學家Mayer創(chuàng)造性地構(gòu)造出了一個具有一定衰減特性的光滑函數(shù)，它的二進制伸縮和平移系構(gòu)成L（R）的規(guī)范正交基，實現(xiàn)了信號在時頻空間同時局部化的正交分解。 本文主要的研究工作通過本次畢業(yè)設計，我們要對所學知識得以鞏固與加強；了解目前負荷預測的概況，弄清負荷預測的常用方法方法，完成電力負荷預測；培養(yǎng)運用所學知識分析和解決問題的能力，鍛煉和提高學生的綜合素質(zhì)本設計主要是學習負荷預測的一般方法，在此基礎上，結(jié)合某地區(qū)的實際負荷，將所研究方法應用到負荷預測上，完成相應的負荷預測計算和分析。電力負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。這些資料的主要來源有兩種途徑：一是各國政府、研究機構(gòu)等定期或不定期發(fā)表的報刊、資料、文獻、和其他出版物；二是預測人員通過調(diào)查所獲得的資料。因此，在得到預測結(jié)果后必須對預測結(jié)果的準確度和可靠性進行評價。從幾何上講，就是希望根據(jù)表中所列的一組離散點（1，），（2，），……，（10，）求函數(shù)y=f(x)圖像的一條擬合曲線。由此可得到m+1個方程式 （K=0，1，2，…，m） （35）整理上式可得 （K=0，1，2，…，m） （36）式中，為簡單起見，令 （37） （38）這樣，式中（36）可展開為 （39）式（39）的系數(shù)矩陣顯然為對稱矩陣。因此式（313）（314）可以改寫為 （316） （317）將t=1,2,……，n的所有一次指數(shù)平滑值作為新的時間序列，再次進行指數(shù)平滑，我們就得到了原時間序列的二次指數(shù)平滑 （318）同理，如以（1，2，……，n）做為新的時間序列進行指數(shù)平滑，又可得到三次指數(shù)平滑值 （319）依此類推?！比斯ど窠?jīng) 網(wǎng)絡是最近發(fā)展起來的十分熱門的交叉學科，它涉及生物、電子、計算機、數(shù)學和物理學科，有著非常廣泛的