【正文】 elsepin(k,:)=[A(i2,23),A(i2,24),A(i1,1),A(i3,23),A(i3,24),A(i2,1),A(i1,23),A(i1,24),A(i,25),A(i,26),A(i,27)]。Tout(k,1)=A(i,t)。k=k+1。endenddelays=2。xu2=windowize(pin,1:delays+1)。xtra2=xu2(1:7,1:delays)。ytra2=xu2(1:7,end)。xval2=xu2(8:9,1:delays)。yval2=xu2(8:9,end)。performance=...validate({xu2(:,1:delays),xu2(:,end),39。f39。,1,1,39。RBF_kernel39。},...xtra2,ytra2,xval2,yval2)。[gam,sig2]=tunelssvm({xu2(:,1:delays),xu2(:,end),39。f39。,10,50,39。RBF_kernel39。},[],...39。gridsearch39。,{},39。validate39。,{xtra2,ytra2,xval2,yval2})。kernel=39。RBF_kernel39。model=initlssvm(pin,Tout,type,gam,sig2,kernel)。model=trainlssvm(model)。i=27。if t2pin_test=[A(i1,t2),A(i1,t1),A(i1,t),A(i2,t2),A(i2,t1),A(i2,t),A(i,t2),A(i,t1),A(i,25),A(i,26),A(i,27)]。elseif t==2pin_test=[A(i2,24),A(i1,1),A(i1,2),A(i3,24),A(i2,1),A(i2,2),A(i1,24),A(i,1),A(i,25),A(i,26),A(i,27)]。elsepin_test=[A(i2,23),A(i2,24),A(i1,1),A(i3,23),A(i3,24),A(i2,1),A(i1,23),A(i1,24),A(i,25),A(i,26),A(i,27)]。endyt2=simlssvm(model, pin_test)。x=A(i,t)。y=x*()+。D(1,t)=y。fh=yt2*()+。B(t,:)=fh。C(1,t)=fh。endplot(0:23,C(1,:),39。39。,0:23,D(1,:)) 。34外文資料天津大學2009屆本科生畢業(yè)設計（論文）中文譯文采用完整自回歸非線性神經網絡的短期負荷預測Chow, .。 Leung, .摘要：一種新穎的基于神經網絡原理包含天氣因素的電力負荷預測技術正呈現于面前。這種被提議的方法是一種非線性研究不固定時間序列預測的方法。完整自回歸非線性模型被認為是最適合用于進行包含天氣因素的短期負荷預測的模型?；谕暾曰貧w非線性模型原理，包含天氣因素的神經網絡模型執(zhí)行超前一天的電力負荷預測。這種包含天氣因素的神經網絡可以精確預測下一天電力負荷的變化。結合香港負荷需求歷史，結果顯示這種方法可以提供更精確的負荷預測，%的預測誤差。關鍵字：短期負荷預測，天氣補充神經網絡，完整自回歸非線性模型Ⅰ 引言：系統(tǒng)負荷預測是電力系統(tǒng)控制中心的一項基本功能。短期負荷預測是實時電力生產控制和能量效率管理系統(tǒng)一項不可缺少的程序。它被用來確立發(fā)電廠操作方案及單元操作方案，發(fā)電和能量交換熱備用方案。重大的預測失誤可能導致過分保守的安排或過分危險的安排。過去幾十年大量各種技術用于短期負荷預測[13]。這些負荷特性建模技術主要可以總結為五種，包括實時模型[46]，衰退模型[78]，專家系統(tǒng)模型[9]，圖形識別模型[10]及神經網絡模型[1116]。在實時模型中，它假設負荷圖形表現出固定的規(guī)律。然而，因為天氣擾動，歡樂假日及其它因素影響，使其不能完全使用。衰退模型能夠表現出負荷需要和其它重要因素之間的關系，但是，得出可以接受的結果需要復雜的建模技術和巨大的計算量。模式識別模型利用模式識別技術被用來預測每小時電力負荷。這種模型不適合那些季節(jié)不明確的地方，例如香港。專家系統(tǒng)模型建立負荷預測系統(tǒng)規(guī)則基于一個專家的知識。把一個專家的知識轉換成數學規(guī)則非常的困難。使用人工神經網絡進行負荷預測的嘗試開始于1990年。Peng提議了一種基于時間序列方法的負荷預測技術[11]。Djukanovic和Lu及Chen使用了一種相似的前饋神經網絡，它結合了過去負荷需要，當天是星期幾，當天時間，溫度信息用來作負荷預測[1214]。Papalexopoulos提議額外輸入季節(jié)因素和冷熱程度等變量到一個神經網絡中[15]。Lee把電力負荷需要視為一個不穩(wěn)定的連續(xù)時間變量，他們使用一個循環(huán)人工神經網絡來模擬負荷圖形[16]。在上述基于預測技術的神經網絡中，他們大部分可以歸納為非線性時間序列方式，假設負荷可以被分解為兩部分，是天氣依賴因素和天氣獨立因素。天氣獨立因素負荷的行為主要表現為季節(jié)性和外形傾向于以時間為周期。天氣依賴因素負荷經常通過天氣變量如溫度，相關濕度和風速等來估計。除了循環(huán)神經網絡外，大部分神經網絡技術認為電力負荷需求是短期的。一般，然而負荷側面圖形表現像不固定時間序列，尤其是在發(fā)展中國家。因為這個原因使這些技術提供隨時間精確預測。除此，這些負荷預測模型可以歸納為下列兩個等式。靜止模型（前向神經網絡）， , （1）而動態(tài)模型（鏈型神經網絡），…, （2）其中是負荷消費， 是天氣預測，是天氣信息而是在t時間的剩余干擾。非線性函數h是人工神經網絡的非線性近似。在上述模型中，負荷預測主要預測基于最近可測的負荷圖形我們可以重寫等式1為下列形式 （3）因為負荷和是高度相關的，偏差通常是平日基本負荷的23%。實際上我們負荷預測的目標是針對偏差的預報而不是負荷。換句話說，在預測中人工神經網絡只有23%動態(tài)變化。因為天氣因素劇烈影響電力消費行為。當數據被天氣因素干擾而不準時，很難在誤差低于2%要求下做全面的預測。尤其在香港，人工神經網絡的動態(tài)變化沒有被完全利用。在本文，將提供一種新穎的神經網絡模型用于短期負荷預測。這個模型利用人工神經網絡完全的動態(tài)變化且它是一個用于不固定時間序列的非線性模型。這個模型用于提前一天提供每小時負荷預測。離線仿真在香港島電力負荷圖形上做了，它由香港電力公司提供。在我們的研究中，%誤差相比于普通神經網絡技術。Ⅱ 不固定時間序列預測在描述我們的預測模型之前，這部分略述基于Box和Jenkins方法[17]的不固定時間序列預測。一般而言，一個線性時間序列{}可被寫成如下形式， （4）其中B是反向移位算子，自回歸算子與p的關系如下其中白噪聲與有限方差是零，獨立于過去的。等式4可以以重寫為另一種形式 （5）如果方程的解 （6）在單位圓外時間序列{}是固定的，否則{}是不固定的。對于線性不固定時間序列{}，用于固定時間序列的模型仍可被使用，但是模型要再改用形式如 （7a） （7b）其中和。模型被稱為ARIMA模型，同時等式6的解落在單位圓的外部。一個普通廣義的線性ARIMA模型用于非線性工程將變成完整自回歸非線性移動平均數（NARIMA）模型如下 （8a） （8b）其中h是一個未知的光滑函數且在等式4中他假設白噪聲與有限方差是是零，獨立于過去的。最佳預測有最小的方差，是期望條件 （9）這個預報器有一個平均方差。在我們學習中一個完整非線性自回歸模型（NARI）及其特殊的一種模型（NARIMA）被定義為 （10a） （10b）Ⅲ 完整自回歸非線性神經網絡模型在我們學習中，我們專注于多層前饋神經網絡和它如何用于預測下一天每小時的負荷消費。已證明一個前饋神經網絡可以作為一個普遍函數的近似[18]。一個函數定義在一個緊湊的區(qū)間C[a，b]或U[a，b]可以被一個有一個隱含層的前饋神經網絡很好的近似[19]。因此，前饋神經網絡變成一個通用的工具用于物理實驗和工程靜態(tài)畫圖應用如模式識別。然而，前饋神經網絡在應用于時間序列預測時并不是總能提供可接受的性能。很多的時間序列預測中，時間序列模型總基于非線性自回歸模型[20]如 （11）神經系統(tǒng)的短期負荷預測模型可以被認為是一個改良的非線性自回歸模型如 （12）而未知的光滑函數h用前饋神經網絡非線性的近似。因此，神經系統(tǒng)的最佳預報器是 （13）其中0≤l≤24且函數是一個平滑有界單調函數tanh()。矢量包含t時刻可利用的天氣信息。參量是神經網絡分量。對于固定時間序列，值的范圍上下限可以被估計因為固定時間序列的統(tǒng)計學特點是對于時間恒定的?；贑hen的研究結果，未知函數h可以很好的被前饋神經網絡任意近似。相反，不固定時間序列統(tǒng)計參數如E{}，是時間不恒定的。值的范圍上下限很難被找到，所以，非線性自回歸模型不是預測不固定時間序列最適合的模型。為了得到一個精確的負荷預測，我們必須確定最適合的模型一致于負荷消費的規(guī)律。如在引言中所敘述的，電力負荷消費實際上是不固定的。在我們研究中，一個改良的完整非線性自回歸模型如等式10b適合短期負荷預測。許多重要的天氣因素也在我們提議的模型中因為天氣變化是影響電力負荷需要的一個至關緊要的因素。因此，改良的完整非線性自回歸模型用于短期負荷預測如下 （14）最佳神經網絡預測器用公式表示為 （15）其中0≤l≤24。天氣因素矢量包含以下成分： 溫度最近一天：24小時的溫度，最高溫度，最低溫度，平均溫度。第二天（預報）：最高溫度，最低溫度。溫度是最重要的天氣變量。系統(tǒng)負荷對溫度變化很敏感。大的系統(tǒng)負荷變化發(fā)生在溫度有大的漲落時。最近一天：24小時的相對濕度。在夏季，在一個已知的溫度范圍內，相對濕度重要的影響空調的使用。另外，云層覆蓋和下雨的可能性也與相對濕度有關。最近一天：降水情況降水是影響系統(tǒng)負荷的另外一個至關重要的變量。在其它文獻中它很少被涉及。在香港，下雨是一個常見現象，尤其是在夏天。它直接影響空調負荷和照明負荷因為相對濕度和云層覆蓋都與降水有關。最近一天：日照日照是云層覆蓋情況的一項測量指標，它直接影響照明負荷消費。我們提議的神經網絡模型體系圖是插圖2。用于短期負荷預測的非線性自回歸模型結構圖是插圖1。81個隱含層圖1，用于神經網絡短期負荷預測的非線性自回歸模型結構圖 81個隱含層 圖2，考慮天氣因素的神經網絡結構圖（改良的非線性自回歸模型）相比電力負荷天氣依賴部分，獨立于天氣因素的部分顯示出低頻特性。根據等式15，低頻獨立于天氣部分可以被排除在外因為算子表現出高通濾波器特性。因此，我們提議的非線性自回歸神經網絡模型被認為是天氣補償神經網絡因為天氣依賴成分將決定于天氣信息和以前每天負荷消費量。Ⅳ 仿真結果所提議方法的個案研究將提供提前一天的每小時電力負荷，使用香港電力有限公司提供的歷史數據，結果被分析基于以下復數：標準偏差： （16）誤差百分數： （17）兩種不同的神經網絡模型非線性自回歸模型和完整非線性自回歸模型都是建立于有一個隱含層的前饋神經網絡。在術語上簡單化，非線性自回歸模型表示非線性自回歸神經網絡模型且完整非線性自回歸模型表示完整非線性自回歸神經網絡模型。在我們的研究中，一種相適應的反向傳播學習運算法則被引用，因為這種運算法則可以通過調整學習速度和動力因素使之相適應而有效地加快訓練速度。有81個隱含層神經元的相同結構的前饋神經網絡將應用于這兩種負荷模型提供超前一天每小時負荷預測。前一天的24小時負荷消費及第3部分提到的天氣信息將作為輸入變量。軟件用C語言編寫且離線數值模擬在一個SUN公司的SPARC工作站上完成。負荷MW負荷MW圖3，和的分散圖負荷MW負荷MW圖4，和的分散圖 負荷MW負荷MW圖5，和的分散圖在這份論文中，周末和法定假日對負荷的影響沒有考慮在短期負荷預測中。在完整非線性自回歸神經網絡模型建立之前，參量d必須被估計。參量d的選擇要基于復數的標準。而復數的值直接取決于和之間的相關性，因為如果和相關性很好則值將很小。因此，d的估計值基于和之間的相關性。和的分散圖可以找到兩個變量之間的相關性。結果，不論和之間關系是線性還是非線性，這種關系在視覺上可以被確定。如圖4，和之間的點圖中到處都是，它表示和沒有相關性。顯然地，圖3和圖5顯示它們更有相關性。比較圖3和圖5，圖3中和看來更具有相關性。因此，參量d被選擇為24。在我們的研究中，平日從1992年三月12號到八月26號的負荷需要被用來測試同時1991年的平日負荷需要被用來訓練。非線性自回歸模型和完整非線性自回歸模型用前