基于bp神經(jīng)網(wǎng)絡的日負荷預測-資料下載頁
2025-06-19 15:40本頁面
【正文】 日）。由此可見，采用BP神經(jīng)網(wǎng)絡進行預測效果良好。圖5 工作日預報誤差及預測曲線圖6 休息日預報誤差及預測曲線對比圖圖6發(fā)現(xiàn)對休息日的預測波動較大，這可能跟訓練樣本數(shù)目不同有關系。仿真中用于訓練工作日神經(jīng)網(wǎng)絡的樣本數(shù)為30個，而用于訓練休息日的樣本僅僅為8個。另外為了驗證網(wǎng)絡設計中一些參數(shù)對結果的影響，又做了三組結果進行對比，一是增大了學習速率，二是添加了動量因子，三是改變中間層神經(jīng)元的個數(shù)。（1）學習速率增大為1的情況仿真得到工作日和休息日的訓練收斂曲線分別如圖圖8所示。從圖中可看出由于學習速率提高了，訓練收斂也加快了。圖7工作日收斂曲線圖8休息日收斂曲線經(jīng)過訓練預測得到工作日和休息日的預報誤差曲線、預測日實際負荷曲線與預測負荷曲線分別如圖圖10所示。且工作日與休息日的平均絕對百分誤差結果為：err = （工作日）；err1 =（休息日）。，誤差的振蕩稍大，預測效果變差。圖9 工作日預報誤差及預測曲線圖10 休息日預報誤差及預測曲線（2）添加動量因子的情況 ，仿真得到工作日和休息日的訓練收斂曲線分別如圖1圖12所示。由圖知，工作日的收斂加快，但休息日的收斂卻減慢了。圖11 工作日收斂曲線圖12休息日收斂曲線經(jīng)過訓練預測得到工作日和休息日的預報誤差曲線、實際預測日負荷曲線與預測負荷曲線分別如圖1圖14所示。工作日與休息日的平均絕對百分誤差結果為：err =（工作日）；err1 =（休息日）。由此可知，較之前沒加動量因子的情況，該參數(shù)下得到的預測效果更好。圖13 工日預報誤差及預測曲線圖14 休息日預報誤差及預測曲線（3）改變中間層神經(jīng)元的個數(shù)在建立神經(jīng)網(wǎng)絡時，中間層神經(jīng)元的個數(shù)的確定沒有特別的說明，數(shù)量越多可能會給預測精度帶來好處，但會增加計算的復雜度，降低系統(tǒng)的穩(wěn)定性甚至使得算法發(fā)散。經(jīng)驗上講如果神經(jīng)網(wǎng)絡輸入向量的維數(shù)是M，輸出向量的維數(shù)是N個，那么中間層神經(jīng)元的個數(shù)為sqrt(M+N)+L（L為6到10的常數(shù)）。為了研究中間層神經(jīng)元個數(shù)對仿真結果的影響，減少中間層神經(jīng)元個數(shù)到25個。仿真收斂曲線如圖116所示，誤差及預測曲線如圖118所示。工作日與休息日的平均絕對百分誤差結果為：err =（工作日）；err1 =（休息日）。對比之前可以看出，適當調(diào)節(jié)中間層神經(jīng)元個數(shù)可以加快算法收斂的速度，改善預測準確度。 圖15 工作日收斂曲線圖16 休息日收斂曲線圖17 工作日預報誤差及預測曲線圖18 休息日預報誤差及預測曲線 4小結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。由仿真結果知，本文介紹的基于BP神經(jīng)網(wǎng)絡的預測方法，使用了神經(jīng)網(wǎng)絡的非線性擬合等功能，搭建好網(wǎng)絡并初始化，再經(jīng)過一定次數(shù)的訓練便能取得較好的負荷預測效果。參考文獻[1][M].北京：電子工業(yè)出版社， 2005[2][M].北京：中國電力出版社，2001[3]張乃堯、[M].北京：清華大學出版社，1998 [4]肖國泉、王春、[M].北京：中國電力出版社，2001[5]冉啟文、單永正、[J]. 中國電機工程學報，2003，23（3）：3842[6]謝宏、陳志業(yè)、[J]. 中國電機工程學報，2001，21（5）：510[7]梁海峰、涂光瑜、[J].電網(wǎng)技術，2001，25（1）：4953[8]牛東曉、[J].中國電機工程學報，1999,23(4):2124.
法律信息相關推薦
鄂ICP備17016276號-1