【正文】 類型。3）將一周的7天每天都看做一種類型，共有7種類型。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。(2)輸入/輸出向量設(shè)計(jì)在預(yù)測(cè)日的前一天中，每1個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行一次測(cè)量，這樣一來，一天共測(cè)得24組負(fù)荷數(shù)據(jù)。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。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。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。因此，還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高和最低溫度。這里將電力負(fù)荷預(yù)測(cè)日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此，輸入變量就是一個(gè)26維的向量。顯而易見，目標(biāo)向量就是預(yù)測(cè)日當(dāng)天的24個(gè)負(fù)荷值，即一天中每個(gè)整點(diǎn)的電力負(fù)荷。這樣一來，輸出變量就成為一個(gè)24維的向量。獲得輸入和輸出變量后，要對(duì)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)。歸一化方法有許多種形式，這里采用如下公式： （61）在樣本中，輸入向量為預(yù)測(cè)日前天的電力實(shí)際負(fù)荷數(shù)據(jù)，目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。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。如果從提高網(wǎng)絡(luò)精度的角度出發(fā)，一方面可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目，另一方面還可以增加輸入向量的維數(shù)。即，或者增加每日的測(cè)量點(diǎn)，或者把預(yù)測(cè)日前幾天的負(fù)荷數(shù)據(jù)作為輸入向量。目前，訓(xùn)練樣本數(shù)目的確定沒有通用的方法，一般認(rèn)為樣本過少可能使得網(wǎng)絡(luò)的表達(dá)不夠充分，從而導(dǎo)致網(wǎng)絡(luò)外推能力不夠；而樣本過多可能會(huì)出現(xiàn)樣本冗長(zhǎng)現(xiàn)象，既增加了網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，也可能出現(xiàn)信息量過剩使得網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象。總之，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(diǎn)，從而選擇合理的訓(xùn)練樣本。(3)BP網(wǎng)絡(luò)的設(shè)計(jì)本文依據(jù)人工神經(jīng)網(wǎng)絡(luò)來建模，根據(jù)BP網(wǎng)絡(luò)來預(yù)測(cè)24點(diǎn)負(fù)荷。 123824n1224輸出層隱 層輸入層BP網(wǎng)絡(luò)是系統(tǒng)預(yù)測(cè)中應(yīng)用特別廣泛的一種網(wǎng)絡(luò)形式，因此，本文采用BP網(wǎng)絡(luò)對(duì)負(fù)荷值進(jìn)行預(yù)報(bào)。根據(jù)BP網(wǎng)絡(luò)來設(shè)計(jì)網(wǎng)絡(luò)，一般的預(yù)測(cè)問題都可以通過單隱層的BP網(wǎng)絡(luò)實(shí)現(xiàn)。本文由于輸入向量有26個(gè)元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有26個(gè)，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(gè)。而輸出向量有24個(gè)，所以輸出層中的神經(jīng)元應(yīng)該有24個(gè)。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。這是因?yàn)楹瘮?shù)的輸出位于區(qū)間[0，1]中，正好滿足網(wǎng)絡(luò)輸出的要求。利用以下代碼創(chuàng)建一個(gè)滿足上述要求的BP網(wǎng)絡(luò)：threshold=[0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1]。net=newff(threshold,[53,24],{‘tansig’,’logsig’},’trainrp’)。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(luò)輸入向量的最大值為1，最小值為0?！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)。（4）網(wǎng)絡(luò)訓(xùn)練計(jì)算出預(yù)測(cè)日24點(diǎn)的歸一化系數(shù)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后才可以用于電力負(fù)荷預(yù)測(cè)的實(shí)際應(yīng)用。考慮到網(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。訓(xùn)練參數(shù)的設(shè)定如表所示。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。=。=。net=train(net,P,T)。 %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)訓(xùn)練結(jié)果(工作日)訓(xùn)練結(jié)果訓(xùn)練好的網(wǎng)絡(luò)還需要進(jìn)行測(cè)試才可以判定是否可以投入實(shí)際應(yīng)用。休息日測(cè)試代碼如下：P_test=[ ]39。Out=sim(net,P_test)。工作日測(cè)試代碼如下：P_test=[ ]39。Out=sim(net,P_test)。這里利用仿真函數(shù)sim來計(jì)算網(wǎng)絡(luò)的輸出。(休息日預(yù)報(bào)誤差曲線)所示,(工作日預(yù)報(bào)誤差曲線)所示。 (休息日)預(yù)報(bào)誤差 (工作日)預(yù)報(bào)誤差（5）結(jié)論分析電力負(fù)荷預(yù)測(cè)是電力調(diào)度、用電、計(jì)劃、規(guī)劃等部門的重要工作，國(guó)內(nèi)外關(guān)于短期負(fù)荷預(yù)測(cè)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。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)未來負(fù)荷影響的因素后，使用了神經(jīng)網(wǎng)絡(luò)的非線性擬合等功能，取得了較好的負(fù)荷預(yù)測(cè)效果。預(yù)測(cè)時(shí)段實(shí)際值/MW預(yù)測(cè)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(gè)點(diǎn)的誤差的絕對(duì)百分誤差小于5%，%，%，%，表明預(yù)測(cè)取得了較滿意的結(jié)果。預(yù)測(cè)時(shí)段實(shí)際值/MW預(yù)測(cè)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(gè)點(diǎn)的誤差的絕對(duì)百分誤差小于5%，%，%，%，表明預(yù)測(cè)取得了較滿意的結(jié)果。結(jié)束語(yǔ)本文介紹的電力短期負(fù)荷預(yù)測(cè)的特點(diǎn)，即都是受多個(gè)影響因素共同影響，且各個(gè)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(cè)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(shí)現(xiàn)精確的非線性預(yù)測(cè)。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)方面展開研究：（1）網(wǎng)絡(luò)的訓(xùn)練過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。（2）提高網(wǎng)絡(luò)預(yù)測(cè)能力的主要途徑有：1）盡可能增加樣本的涵蓋面；2）在輸入中盡可能地包括影響輸出的主要因子；3）確定適當(dāng)?shù)氖諗空`差。對(duì)于常用的BP算法，可考慮采用遺傳算法、小波分析和徑向基函數(shù)做進(jìn)一步的深入研究。（3）針對(duì)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(dòng)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。附加動(dòng)量法是在BP算法的基礎(chǔ)上，在每個(gè)權(quán)值變化上加上一項(xiàng)正比于上一次權(quán)值變化量的值，并根據(jù)BP算法來產(chǎn)生新的權(quán)值變化，利用附加動(dòng)量法可能會(huì)避開某些局部最小值。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(shí)間。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]樓順天、胡昌華、—— 模糊系統(tǒng)[M].西安：西安電子科技大學(xué)出版社，2001[4][M].北京：中國(guó)電力出版社，2001[5]于爾鏗、劉廣一、（EMS）[M].北京：科學(xué)出版社，1998 [6]張乃堯、[M].北京：清華大學(xué)出版社，1998 [7]、模糊神經(jīng)網(wǎng)絡(luò)及應(yīng)用程序設(shè)計(jì)[M].上海：上?？茖W(xué)技術(shù)文獻(xiàn)出版社，1998[8][M].北京：機(jī)械工業(yè)出版社，1995[9]牛東曉、曹樹華、[M].北京：中國(guó)電力出版社，1998[10]肖國(guó)泉、王春、[M].北京：中國(guó)電力出版社，2001[11] ［M］. 西安：西安電子科技大學(xué)出版社，1990.[12][J].系統(tǒng)工程理論與實(shí)踐，1996，16（7）：99104[13]侯志儉、[J].中國(guó)電機(jī)工程學(xué)報(bào)，2003，23（1）：4550[14]冉啟文、單永正、[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2003，23（3）：3842[15]謝宏、陳志業(yè)、[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2001，21（5）：510[16]梁海峰、涂光瑜、[J].電網(wǎng)技術(shù)，2001，25（1）：4953[17]王雪峰、［Ｊ］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，1997，(2)：23～25.[18]王雪峰、［Ｊ］.運(yùn)籌學(xué)學(xué)報(bào)，1998，(3)：25～29．[19]牛東曉、[J].中國(guó)電機(jī)工程學(xué)報(bào)，1999,23(4):2124謝辭在論文完稿之際，首先我要向指導(dǎo)老師表示衷心的感謝。老師淵博的知識(shí)、豐富的實(shí)踐經(jīng)驗(yàn)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(duì)每一個(gè)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(dòng)。如果沒有趙老師的悉心指導(dǎo)，本論文也不可能完成得如此順利。在為期幾個(gè)月的設(shè)計(jì)中，同學(xué)們的團(tuán)結(jié)互助，無私幫助讓我十分的感動(dòng)，如果在這幾個(gè)月中，我單憑一己之力要完成本設(shè)計(jì)是十分困難的，因?yàn)楸驹O(shè)計(jì)的知識(shí)和內(nèi)容大部分是以前未曾接觸的，有許多新的東西要求我在短短幾個(gè)月內(nèi)消化吸收。但我們小組做為一個(gè)團(tuán)隊(duì)，大家相互幫助，相互鼓勵(lì)，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。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.39