【正文】 驗通過預(yù)測清遠市 2022 年至 2022 年的全社會用電量以檢驗?zāi)Ｐ偷木珳识?，如果預(yù)測的效果良好，則可利用該模型進行十二五期間用電量的預(yù)測；如果預(yù)測效果較差，則要修正模型，直到誤差達到滿意效果為止。具體的預(yù)測值可見表 38。表 38 清遠市 20222022 年實際值與預(yù)測值數(shù)據(jù)統(tǒng)計表年份實際值（億kWh)預(yù)測值（億kWh)絕對誤差（億kWh) 相對誤差（%）2022 2022 2022 2022 2022 2022 2022 127 （注：最終預(yù)測結(jié)果保留兩位小數(shù)點）本次用來檢驗的數(shù)據(jù)共有 7 個，從預(yù)測結(jié)果和誤差可以得出這樣一個結(jié)論：在預(yù)測結(jié)果的 7 個數(shù)據(jù)中，其中有 5 個預(yù)測數(shù)據(jù)的誤差低于了 10%，占本次檢驗數(shù)據(jù)的 %，因此可以把式（316）作為清遠市十二五期間用電量預(yù)測的模型。預(yù)測十二五期間用電量通過上文 1，2 步驟，再根據(jù)灰色預(yù)測源程序（見附錄一） ，可得到清遠市十二華南理工大學(xué)廣州學(xué)院本科畢業(yè)論文說明書26五期間用電量，具體數(shù)據(jù)見表 39。表 39 清遠市十二五期間全社會用電量數(shù)據(jù)統(tǒng)計年份 預(yù)測值（億 kWh）2022 2022 2022 2022 2022 （注：最終預(yù)測結(jié)果保留兩位小數(shù)點）表 39 為清遠市未來預(yù)測用電量，但從圖 32 和表 32 可以看出，清遠市的年用電量逐年增加，并且，從 2022 年開始，增長率有增大的趨勢，因此，就本次預(yù)測數(shù)據(jù)來說，其結(jié)果符合清遠市用電量增長的趨勢。 預(yù)測結(jié)果分析結(jié)合表 3表 38 和表 39 的數(shù)據(jù)，可以得出以下結(jié)論：（1） 、本次采用 GM（1,1）灰色預(yù)測模型得到的預(yù)測值與實際值相差較小，誤差也相對穩(wěn)定，預(yù)測出的未來用電量也呈現(xiàn)了增長的趨勢，符合清遠市過去 16 年用電量逐年增加的規(guī)律。（2） 、由于 2022 年與 2022 年的經(jīng)濟危機，導(dǎo)致很多企業(yè)、工廠面臨破產(chǎn)，這直接影響到了用電量的需求，因此，可從側(cè)面說明這兩年預(yù)測誤差偏大的原因。（3） 、本文針對的是中長期負荷預(yù)測，而灰色預(yù)測法是目前在中長期負荷預(yù)測中應(yīng)用最為廣泛、效果最為理想的一類不確定性預(yù)測方法之一，因此，利用灰色理論進行清遠市十二五期間負荷預(yù)測是合理的。 基于神經(jīng)網(wǎng)絡(luò)法的模型建立 人工神經(jīng)網(wǎng)絡(luò)的基本概念人工神經(jīng)網(wǎng)絡(luò) [8](Artificial Neural Network，簡稱 ANN)，是一種以人類大腦神經(jīng)網(wǎng)絡(luò)為模擬對象的仿生系統(tǒng)，是從微觀結(jié)構(gòu)和功能上對人腦的抽象、簡化，是模擬人類智能的一條重要途徑。人 工 神 經(jīng) 網(wǎng) 絡(luò) 是 由 許 多 神 經(jīng) 元 互 連 在 一 起 所 組 成 的 復(fù) 雜 網(wǎng) 絡(luò) 系 統(tǒng) ， 是一個第三章 清遠市十二五規(guī)劃負荷預(yù)測建模27具有高度非線性特性的超大規(guī)模連續(xù)時間動力系統(tǒng) [9]。運用神經(jīng)網(wǎng)絡(luò)技術(shù)進行電力負荷預(yù)測，是剛剛興起的新的研究方法，它在考慮天氣的溫度、天氣晴朗度（又稱能見度） 、風(fēng)向風(fēng)力、峰谷負荷及相關(guān)負荷等方面的負荷預(yù)測上有較精確的預(yù)測值。到目前為止，ANN 主要應(yīng)用于短期負荷預(yù)測，但也有人將其應(yīng)用到了中長期負荷預(yù)測中。本論文將通過對人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，進而預(yù)測連州市十二五期間的全社會用電量。 人工神經(jīng)網(wǎng)絡(luò)的特點人工神經(jīng)網(wǎng)絡(luò)是基于人類大腦而發(fā)展起來的，因此，它的很多特點是和人類智能特點相類似，具體特點如下 [9]。固有的并行結(jié)構(gòu)和并行處理特性人工神經(jīng)網(wǎng)絡(luò)的簡單處理單元相互連接構(gòu)成并行的非線性系統(tǒng)，在結(jié)構(gòu)上和處理順序上都是并行的、同時的。因此，在信息處理上是并行而又分層的進行，不僅運算速度高，而且遠遠超過傳統(tǒng)計算機的串行處理速度。知識的分布存儲特性神經(jīng)網(wǎng)絡(luò)的全部能力都來自于網(wǎng)絡(luò)中的聯(lián)接權(quán)。當一個人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)了某條信息之后，這條信息不是象傳統(tǒng)計算機所做的那樣，被存放到某一處地方，而是被分散開來，存儲在這個人工神經(jīng)網(wǎng)絡(luò)的每一條聯(lián)接權(quán)上。聯(lián)接權(quán)既是人工神經(jīng)網(wǎng)絡(luò)的運算器的組成部分，又是它的信息存儲器。聯(lián)接權(quán)的數(shù)目越多，該網(wǎng)絡(luò)的計算能力和存儲能力就越強。良好的容錯特性由于知識的分布存儲，使得一定比例的神經(jīng)元損壞并不會對整個系統(tǒng)的性能產(chǎn)生重大影響，這就是神經(jīng)網(wǎng)絡(luò)的容錯特性。高度非線性及計算的非精確性人工神經(jīng)網(wǎng)絡(luò)是由大量簡單處理元件相互連接構(gòu)成的高度并行的非線性系統(tǒng)，其結(jié)構(gòu)的并行性和知識的分布存儲使其信息的存儲與處理表現(xiàn)出了空間分布，時間上并行的特性，這些都使得神經(jīng)網(wǎng)絡(luò)呈現(xiàn)了高度非線性的特點，同時，由于神經(jīng)網(wǎng)絡(luò)能夠處理那些不確定的、模糊的信息，因此，也使得網(wǎng)絡(luò)所得出來的結(jié)果是滿意的，而非是精確的。自學(xué)習(xí)、自組織和自適應(yīng)性該特點是說神經(jīng)網(wǎng)絡(luò)能夠改變自身的性能以適應(yīng)環(huán)境的變化的能力，包括自學(xué)習(xí)和自組織兩方面的特性。華南理工大學(xué)廣州學(xué)院本科畢業(yè)論文說明書28 人工神經(jīng)網(wǎng)絡(luò)的分類神經(jīng)網(wǎng)絡(luò)根據(jù)不同的情況，可按以下幾個方面進行分類 [10]：按功能分：可將神經(jīng)網(wǎng)絡(luò)分為連續(xù)型與離散型、確定型與隨機型、靜態(tài)與動態(tài)神經(jīng)網(wǎng)絡(luò)。按連接方式分：可分為前饋（或稱前向）型與反饋型神經(jīng)網(wǎng)絡(luò)。按逼近特性分：可分為全局逼近型與局部逼近型神經(jīng)網(wǎng)絡(luò)。按學(xué)習(xí)方式分：有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。其中，前饋（或稱前向）神經(jīng)網(wǎng)絡(luò)就是本文所要研究的 BP 神經(jīng)網(wǎng)絡(luò)，它的具體模型及其算法將在下一節(jié)介紹。 BP 神經(jīng)網(wǎng)絡(luò)模型與結(jié)構(gòu)目前，在人工神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用中，大多數(shù)人工神經(jīng)網(wǎng)絡(luò)模型是采用前饋反向傳播網(wǎng)絡(luò)（BackPropagationNetwork，簡稱 BP 網(wǎng)絡(luò)）或它的變換形式，它是前向網(wǎng)絡(luò)的核心，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)最精華的部分。BP 網(wǎng)絡(luò)由輸入層、輸出層以及若干隱含層構(gòu)成：每一層都由若干個節(jié)點組成，每一個節(jié)點表示一個神經(jīng)元，上層節(jié)點與下層節(jié)點通過權(quán)連接，層與層之間的節(jié)點采用相互連接的方式，層內(nèi)之間的節(jié)點無連接?，F(xiàn)以典型的三層 BP 神經(jīng)網(wǎng)絡(luò)為例，即含有一個輸入層、一個輸出層和一個隱含層，其結(jié)構(gòu)圖如下： 圖 35 三層 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖 BP 神經(jīng)網(wǎng)絡(luò)的算法描述本論文所用到的神經(jīng)網(wǎng)絡(luò)就是 BP 神經(jīng)網(wǎng)絡(luò)，并且是典型的三層 BP 神經(jīng)網(wǎng)絡(luò)，下面將重點介紹三層 BP 神經(jīng)網(wǎng)絡(luò)的算法過程。設(shè)模型為三層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層單元個數(shù)為 N 個，隱含層單元個數(shù)為 L，輸出第三章 清遠市十二五規(guī)劃負荷預(yù)測建模29層單元個數(shù)為 M。BP 算法的學(xué)習(xí)過程由正向傳播和反向傳播組成，正向傳播過程輸入樣本從輸入層經(jīng)隱含層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望輸出 tpj，則轉(zhuǎn)入反向傳播，將誤差信號沿原連接通路返回，通過修正各神經(jīng)元的權(quán)系數(shù)，使得誤差信號最小。算法的具體步驟如下：初始化網(wǎng)絡(luò)的權(quán)值和閥值給輸入層單元到隱含層單元的連接權(quán) wij、隱含層單元到輸出層單元的連接權(quán)wjk，以及隱含層單元的閥值 θj、輸出層單元的閥值 θk賦予(1,1)區(qū)間的隨機數(shù)。其中。,21,21,2iNjLkM???? ? ?前饋過程將樣本集(X l， Yl)中的輸入信號 Xl由輸入層經(jīng)隱含層傳至輸出層，分別計算各層的輸入和輸出。（1）確定輸入層的輸入 Ii和輸出 Oi （31,2iliIiN???17）（2）計算隱含層的輸入 Ij和輸出 Oj （318??1 1,2NjijjjjIfIjL????????）（3）計算輸出層的輸入 Ik和輸出 Ok （319??1 1,2LkjkjkkjI fIM???????）上述的 指各神經(jīng)元節(jié)點的傳遞函數(shù)，可選取 Sigmoid 函數(shù)或雙曲正切函數(shù)，()kfI而對于輸出層，還可以選擇線性函數(shù)。誤差的反向傳播網(wǎng)絡(luò)的期望輸出與網(wǎng)絡(luò)的實際輸出之差的誤差信號 由輸出層經(jīng)隱含層向輸入?層修正連接權(quán)值和閥值。（1）計算輸出層誤差 （320??11,2kkkOyM?????華南理工大學(xué)廣州學(xué)院本科畢業(yè)論文說明書30）（2）計算隱含層誤差 （321??11,2MjjjjkOjL????????）（3）修正隱含層單元到輸出層單元的權(quán)值 （3)]1()[????njkjkjkj ?????22） （323jkjkjkn?)()1(）（4）修正輸出層單元的閥值 （324)]1()[????nkkk?????） （325kkkn?)(1(）（5）修正輸入層單元到隱含層單元的權(quán)值 （326)]1()[????nOijijijij ?????） （3ijijijn?)(1(27）（6）修正隱含層單元的閥值 （328)]1()[????njjjj ?????） （3jjjn?)(1(29）上述式子中， 為學(xué)習(xí)率， 為動量因子，n 為疊代次數(shù)。??第三章 清遠市十二五規(guī)劃負荷預(yù)測建模31判斷收斂定義誤差函數(shù) Ep為期望輸出 yk與實際輸出 Ok之間誤差的平方和： （330?????Mkp12）判斷總誤差是否小于設(shè)定值。若是，則成功完成訓(xùn)練過程；若否，則轉(zhuǎn)回第 2步。 應(yīng)用 BP 網(wǎng)絡(luò)模型預(yù)測清遠市十二五期間全社會用電量計算清遠市 20222022 年各產(chǎn)業(yè) GDP 產(chǎn)值BP 網(wǎng)絡(luò)的設(shè)計與訓(xùn)練涉及到 GDP 數(shù)據(jù)，因此，在本次負荷預(yù)測年限內(nèi)的 GDP數(shù)據(jù)都必須查得或者算得，所以根據(jù)表 31GDP 的年均增長率，可計算出 2022 年至2022 年各產(chǎn)業(yè) GDP 數(shù)據(jù)，具體數(shù)據(jù)見表 310。表 310 清遠市 2022 年至 2022 年各產(chǎn)業(yè) GDP 年數(shù)據(jù)指標項目 2022 年 2022 年 2022 年 2022 年 2022 年國內(nèi)生產(chǎn)總值（GDP ） （億元） 第一產(chǎn)業(yè) GDP 第二產(chǎn)業(yè) GDP 第三產(chǎn)業(yè) GDP （注：計算結(jié)果保留兩位小數(shù)點）數(shù)據(jù)處理BP 神經(jīng)網(wǎng)絡(luò)是通過大量的歷史數(shù)據(jù)來驅(qū)動整個模型的運轉(zhuǎn)，因此，對歷史數(shù)據(jù)的分析是為整個預(yù)測模型而做的前期準備工作，分析后的數(shù)據(jù)直接關(guān)系著網(wǎng)絡(luò)訓(xùn)練效果，所以對歷史數(shù)據(jù)的分析十分有必要。（1） 、歷史數(shù)據(jù)預(yù)處理所謂歷史數(shù)據(jù)的預(yù)處理，一是指統(tǒng)一數(shù)據(jù)單位，本文以億作為計算單位；二是剔除異常的信息，因為數(shù)據(jù)眾多的原因，那些有用的和無用的信息都包括在內(nèi)。（2） 、數(shù)據(jù)的歸一化神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練與測試之前，為了避免神經(jīng)元飽和現(xiàn)象，一般在神經(jīng)網(wǎng)絡(luò)的輸入層先將負荷數(shù)據(jù)及各個特征量進行歸一化到[0, 1]中，輸入數(shù)據(jù)歸一化的公式為：華南理工大學(xué)廣州學(xué)院本科畢業(yè)論文說明書32 （3minax???31）其中， 為實際負荷數(shù)據(jù)， 與 分別為訓(xùn)練樣本集中輸入變量的最大值和xmaxin最小值。在利用神經(jīng)網(wǎng)絡(luò)預(yù)測之后，需要將輸出值換算回負荷值，即結(jié)果的反歸一化，其公式為： （3maxinmin()x????32）建立 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型在進行 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型設(shè)計時，主要考慮網(wǎng)絡(luò)的層數(shù)和每層中神經(jīng)元的個數(shù)，以及激活函數(shù)的選擇。（1） 、網(wǎng)絡(luò)層數(shù)的確定BP 網(wǎng)絡(luò)是通過輸入層到輸出層得計算來完成的。多于一層的隱含層雖然在速度上能提高網(wǎng)絡(luò)的訓(xùn)練，但是在實際應(yīng)用中需要較多的訓(xùn)練時間，而訓(xùn)練速度也可以用增加隱含層節(jié)點來實現(xiàn)的，因此在應(yīng)用 BP 神經(jīng)網(wǎng)絡(luò)進行預(yù)測時，選取只有一個隱含層的 BP 神經(jīng)網(wǎng)絡(luò)就足夠了。（2） 、輸入、輸出以及隱含層節(jié)點的確定輸入與輸出層節(jié)點是與樣本緊密相關(guān)的。通過表 33 至表 36 的相關(guān)性可知，各產(chǎn)業(yè) GDP 的產(chǎn)值對該地全社會用電量影響甚大，所以選擇全社 GDP、第一產(chǎn)業(yè)GDP、第二產(chǎn)業(yè) GDP 以及第三產(chǎn)業(yè) GDP 作為輸入量，則可以確定輸入層有 4 個節(jié)點。對本文的負荷預(yù)測來說，要預(yù)測的是 2022 年至 2022 年未來 5 年的全社會用電量，所以輸出層采用 1 個節(jié)點。如果隱含層的神經(jīng)元數(shù)目過少，網(wǎng)絡(luò)很難識別樣本，難以完成訓(xùn)練，并且網(wǎng)絡(luò)的容差性也會降低；如果數(shù)目過多，則會增加網(wǎng)絡(luò)的迭代次數(shù)，從而延長網(wǎng)絡(luò)的訓(xùn)練時間，同時也會降低網(wǎng)絡(luò)的泛化能力，導(dǎo)致預(yù)測能力下降。在具體設(shè)計時，首先根據(jù)經(jīng)驗公式初步確定隱含層神經(jīng)元的個數(shù)，然后通過對不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進行訓(xùn)練對比，在最終確定神經(jīng)元數(shù)。通用的隱含層神經(jīng)元數(shù)的確定經(jīng)驗公式有 [15]： （3inma??33）其中 i 為隱含層神經(jīng)元的個數(shù)，n 為輸入層神經(jīng)元的個數(shù)， m 為輸出層神經(jīng)元的第三章 清遠市十二五規(guī)劃負荷預(yù)測建模33個數(shù)，a 為常數(shù)，且 1﹤10 。因為輸入層節(jié)點有 4 個，輸出層節(jié)點有 1 個，所以可取隱含層節(jié)點數(shù)的范圍是： 。510i?﹤ ﹤（3） 、激活函數(shù)的選擇雙曲線 S 型