【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/輸出向量設計在預測日的前一天中，每1個小時對電力負荷進行一次測量，這樣一來，一天共測得24組負荷數(shù)據(jù)。由于負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，除非出現(xiàn)重大事故等特殊情況。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)。此外，由于電力負荷還與環(huán)境因素有關，如最高和最低溫度等。因此，還需要通過天氣預報等手段獲得預測日的最高和最低溫度。這里將電力負荷預測日當日的氣象特征數(shù)據(jù)作為網(wǎng)絡的輸入變量。因此，輸入變量就是一個26維的向量。顯而易見，目標向量就是預測日當天的24個負荷值，即一天中每個整點的電力負荷。這樣一來，輸出變量就成為一個24維的向量。獲得輸入和輸出變量后，要對其進行歸一化處理，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，輸入向量為預測日前天的電力實際負荷數(shù)據(jù)，目標向量是預測日當天的電力負荷。由于這都是實際的測量值，因此，這些數(shù)據(jù)可以對網(wǎng)絡進行有效的訓練。如果從提高網(wǎng)絡精度的角度出發(fā)，一方面可以增加網(wǎng)絡訓練樣本的數(shù)目，另一方面還可以增加輸入向量的維數(shù)。即，或者增加每日的測量點，或者把預測日前幾天的負荷數(shù)據(jù)作為輸入向量。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?？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。(3)BP網(wǎng)絡的設計本文依據(jù)人工神經(jīng)網(wǎng)絡來建模，根據(jù)BP網(wǎng)絡來預測24點負荷。 123824n1224輸出層隱 層輸入層BP網(wǎng)絡是系統(tǒng)預測中應用特別廣泛的一種網(wǎng)絡形式，因此，本文采用BP網(wǎng)絡對負荷值進行預報。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)。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。而輸出向量有24個，所以輸出層中的神經(jīng)元應該有24個。網(wǎng)絡中間層的神經(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。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。利用以下代碼創(chuàng)建一個滿足上述要求的BP網(wǎng)絡：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)絡輸入向量的最大值為1，最小值為0?！畉rainrp’表示設定網(wǎng)絡的訓練函數(shù)為trainrp ,它采用BP算法進行網(wǎng)絡學習。（4）網(wǎng)絡訓練計算出預測日24點的歸一化系數(shù)網(wǎng)絡經(jīng)過訓練后才可以用于電力負荷預測的實際應用?？紤]到網(wǎng)絡的結構比較復雜，神經(jīng)元個數(shù)比較多，需要適當增大訓練次數(shù)和學習速率。訓練參數(shù)的設定如表所示。訓練次數(shù)訓練目標學習速率1000訓練代碼如下：=1000。=。=。net=train(net,P,T)。 %P為輸入向量，T為目標向量休息日訓練結果為：TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 17/1000, MSE , Gradient TRAINRP, Performance goal met.工作日訓練結果為:TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 22/1000, MSE , Gradient TRAINRP, Performance goal met.可見，經(jīng)過次訓練后，網(wǎng)絡誤差達到要求，(休息日訓練結果)所示,(工作日訓練結果)所示。 (休息日)訓練結果(工作日)訓練結果訓練好的網(wǎng)絡還需要進行測試才可以判定是否可以投入實際應用。休息日測試代碼如下：P_test=[ ]39。Out=sim(net,P_test)。工作日測試代碼如下：P_test=[ ]39。Out=sim(net,P_test)。這里利用仿真函數(shù)sim來計算網(wǎng)絡的輸出。(休息日預報誤差曲線)所示,(工作日預報誤差曲線)所示。 (休息日)預報誤差 (工作日)預報誤差（5）結論分析電力負荷預測是電力調(diào)度、用電、計劃、規(guī)劃等部門的重要工作，國內(nèi)外關于短期負荷預測的文獻很多，但是由于電力負荷受諸多因素的影響和負荷本身的不確定性，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)絡的預測方法，在綜合考慮天氣情況、歷史負荷和日類型等對未來負荷影響的因素后，使用了神經(jīng)網(wǎng)絡的非線性擬合等功能，取得了較好的負荷預測效果。預測時段實際值/MW預測值/MW誤差/%1：002：003：004：005：006：007：008：009：0010：0011：0012：0013：0014：0015：0016：0017：0018：0019：0020：0021：0022：0023：0024：00，17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果。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果。結束語本文介紹的電力短期負荷預測的特點，即都是受多個影響因素共同影響，且各個因素之間有著比較復雜的關系，具有高度不確定的非線性系統(tǒng)，利用傳統(tǒng)的預測方法有著諸多限制，而采用神經(jīng)網(wǎng)絡方法則能較好地克服這些限制，實現(xiàn)精確的非線性預測。為了進一步提高網(wǎng)絡的預測精度，需要從以下幾個方面展開研究：（1）網(wǎng)絡的訓練過程是從給定的樣本數(shù)據(jù)中歸納出輸入、輸出之間的復雜規(guī)律，為了能夠更加精確地對系統(tǒng)進行預測，樣本數(shù)據(jù)應該盡可能準確。（2）提高網(wǎng)絡預測能力的主要途徑有：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?shù)氖諗空`差。對于常用的BP算法，可考慮采用遺傳算法、小波分析和徑向基函數(shù)做進一步的深入研究。（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學習速率法在一定程度上解決這些問題。附加動量法是在BP算法的基礎上，在每個權值變化上加上一項正比于上一次權值變化量的值，并根據(jù)BP算法來產(chǎn)生新的權值變化，利用附加動量法可能會避開某些局部最小值。自適應學習速率法是在學習過程中不斷修正學習速率，有利于提高學習效率，縮短學習時間。參考文獻[1][M].北京：電子工業(yè)出版社， 2005[2]許東、——神經(jīng)網(wǎng)絡[M].西安：西安電子科技大學出版社，2002[3]樓順天、胡昌華、—— 模糊系統(tǒng)[M].西安：西安電子科技大學出版社，2001[4][M].北京：中國電力出版社，2001[5]于爾鏗、劉廣一、（EMS）[M].北京：科學出版社，1998 [6]張乃堯、[M].北京：清華大學出版社，1998 [7]、模糊神經(jīng)網(wǎng)絡及應用程序設計[M].上海：上?？茖W技術文獻出版社，1998[8][M].北京：機械工業(yè)出版社，1995[9]牛東曉、曹樹華、[M].北京：中國電力出版社，1998[10]肖國泉、王春、[M].北京：中國電力出版社，2001[11] ［M］. 西安：西安電子科技大學出版社，1990.[12][J].系統(tǒng)工程理論與實踐，1996，16（7）：99104[13]侯志儉、[J].中國電機工程學報，2003，23（1）：4550[14]冉啟文、單永正、[J]. 中國電機工程學報，2003，23（3）：3842[15]謝宏、陳志業(yè)、[J]. 中國電機工程學報，2001，21（5）：510[16]梁海峰、涂光瑜、[J].電網(wǎng)技術，2001，25（1）：4953[17]王雪峰、［Ｊ］.哈爾濱工業(yè)大學學報，1997，(2)：23～25.[18]王雪峰、［Ｊ］.運籌學學報，1998，(3)：25～29．[19]牛東曉、[J].中國電機工程學報，1999,23(4):2124謝辭在論文完稿之際，首先我要向指導老師表示衷心的感謝。老師淵博的知識、豐富的實踐經(jīng)驗和嚴謹?shù)目茖W作風讓我十分敬佩，老師不辭辛勞，對每一個細節(jié)的詳細講解、指導和答疑解惑讓我們深受啟發(fā)，并深為感動。如果沒有趙老師的悉心指導，本論文也不可能完成得如此順利。在為期幾個月的設計中，同學們的團結互助，無私幫助讓我十分的感動，如果在這幾個月中，我單憑一己之力要完成本設計是十分困難的，因為本設計的知識和內(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月內(nèi)消化吸收。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。此外，我還要感謝我所列參考文獻的作者，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.39