【正文】 日的24小時(shí)的整半點(diǎn)負(fù)荷值、日期、天氣值、溫度值四大類，進(jìn)行了非模糊化處理，即把每天各個(gè)小時(shí)的負(fù)荷數(shù)據(jù)除以一個(gè)大于任何一個(gè)負(fù)荷值的整數(shù)，本文取1000，使得每個(gè)負(fù)荷值都小于1。取a為原始小時(shí)負(fù)荷數(shù)據(jù)，b為隨機(jī)因素，c代表經(jīng)過處理的小時(shí)負(fù)荷數(shù)據(jù)（即）。 數(shù)據(jù)預(yù)處理電力系統(tǒng)負(fù)荷建模需要大量的歷史數(shù)據(jù)，而歷史數(shù)據(jù)大多是通過電量采集器或遠(yuǎn)動(dòng)系統(tǒng)采集得來，除了受測量設(shè)備本身或者數(shù)據(jù)傳輸中的種種原因影響外，還有人為拉閘限電的影響。因此歷史負(fù)荷數(shù)據(jù)中往往包含有非真實(shí)的數(shù)據(jù)，通常稱之為“不良數(shù)據(jù)”或“壞數(shù)據(jù)，它們或者在量級上與正常值相差很大，或者雖然在量級上沒有顯著差別，但是誤差卻超過了正常的范圍。如果利用這些偽數(shù)據(jù)進(jìn)行負(fù)荷建模，必然會(huì)給負(fù)荷預(yù)測帶來較大的誤差，甚至導(dǎo)致預(yù)測算法的發(fā)散[18]。因此，在利用這些數(shù)據(jù)之前，應(yīng)先對其進(jìn)行預(yù)處理。缺失數(shù)據(jù)的處理。除了原始數(shù)據(jù)本身有缺失數(shù)據(jù)外，前面在過濾錯(cuò)誤數(shù)據(jù)時(shí)也會(huì)產(chǎn)生新的缺失數(shù)據(jù)。如果缺失數(shù)據(jù)的前后時(shí)間間隔不大，我們采用線性插值的方法將其補(bǔ)上。例如：如果我們已知時(shí)刻、時(shí)刻的溫度值、而缺少中間的數(shù)據(jù)，則中間時(shí)刻的取值為： (41)如果時(shí)間間隔較大，則線性插值的效果不理想，我們采用相鄰幾天的數(shù)據(jù)來代替。對“當(dāng)天數(shù)列”或“昨天數(shù)列”的數(shù)據(jù)中明顯偏離某一域的數(shù)據(jù)，采用取該點(diǎn)前后值之和的平均(對于數(shù)列端點(diǎn)值，則直接取其前值或后值)再結(jié)合該點(diǎn)上周同一天同一點(diǎn)的變化趨勢進(jìn)行調(diào)整獲得該點(diǎn)的新值，新值的數(shù)學(xué)表達(dá)式為： (42)該點(diǎn)的變化趨勢因子=(所有“當(dāng)天數(shù)列”或“昨天數(shù)列”的數(shù)據(jù)之和)/。如果為“當(dāng)天數(shù)列”或“昨天數(shù)列”左端點(diǎn)，則取該點(diǎn)下周同一天同一點(diǎn)的變化趨勢進(jìn)行調(diào)整[19]。 神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的歸一化處理為了避免出現(xiàn)神經(jīng)元飽和這一問題，在對網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前必須對數(shù)據(jù)進(jìn)行處理，以消除原始數(shù)據(jù)形式不同所帶來的不利。通常的方法是歸一化處理。研究表明，以恰當(dāng)?shù)姆绞綄?shù)據(jù)進(jìn)行歸一化處理可以加速神經(jīng)網(wǎng)絡(luò)的收斂。歸一化可以在模型的單個(gè)輸入變量通道上獨(dú)立進(jìn)行，也可以對所有的輸入通道一起進(jìn)行。輸入變量常用的歸一化方法有以下幾種[20]，其中，為歸一化后的數(shù)據(jù)，加為原始數(shù)據(jù)，分別為變量的最大和最小值：簡單歸一化公式為： (43)線性變換[0,1]區(qū)間的公式為： (44)線性變換到區(qū)間[a,b]上的公式為： (45)方法(1)簡單，但變量的變化范圍通常不是，而是[，最小值通常不是0，進(jìn)行歸一化使得變量的精度有一定的損失。對于方法(3)，區(qū)間[a,b]的選擇要有一定限制，變換后的不宜太大，否則容易使隱含層的神經(jīng)元發(fā)生飽和，我們必須避免這種現(xiàn)象的發(fā)生，當(dāng)a=0，b=l時(shí)，即為式(44)。研究表明，最好的方法是所有的輸入變量應(yīng)在同一個(gè)數(shù)量級。對不同的變量，如果變換后數(shù)量級不同，數(shù)值較大的變量對輸出偏差的影響相對較大，在訓(xùn)練過程中，算法則會(huì)側(cè)重于修改數(shù)值大的變量所對應(yīng)的權(quán)值，從而忽略了數(shù)值較小的變量對輸出的影響。本文中采用了式(44)將輸入變量歸一化[0,1]區(qū)間。 短期負(fù)荷預(yù)測結(jié)果與分析，預(yù)測模型采取的是RBF神經(jīng)網(wǎng)絡(luò)模型，根據(jù)電力負(fù)荷的特點(diǎn)，將日期類型分為4類:周一，工作日(周二到周五)，周六，周日，對一天24個(gè)小時(shí)的日負(fù)荷進(jìn)行預(yù)測。輸入節(jié)點(diǎn)一共是7個(gè)，分別取的是預(yù)測日前一天、前兩天至前一周的歷史負(fù)荷數(shù)據(jù)；輸出節(jié)點(diǎn)是1個(gè)，就是預(yù)測日的整點(diǎn)負(fù)荷值。由上面可知，本文隱含層數(shù)目是采取試驗(yàn)的方法取得的，隨機(jī)對某地區(qū)一天24個(gè)小時(shí)的負(fù)荷進(jìn)行預(yù)測，每隔30分鐘一點(diǎn)，共48點(diǎn)負(fù)荷值，并對負(fù)荷值和相對誤差進(jìn)行了比較。預(yù)測的總體流程圖為：圖 41 預(yù)測的總體流程圖選擇RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法本論文選取的RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法為隨機(jī)選取RBF中心(直接計(jì)算法)。此方法中，隱層單元傳遞函數(shù)的中心是隨機(jī)地在輸入樣本數(shù)據(jù)中選取的，且中心固定。在RBF的中心確定以后，則方差計(jì)算公式為： (46)其中，—中心之間的最大距離，即基函數(shù)寬度的最大值；—隱含層單元中心數(shù)。對訓(xùn)練樣本進(jìn)行選取對負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理利用的函數(shù)：[t1,minp,maxp] = premnmx(t)，對訓(xùn)練樣本進(jìn)行歸一化處理后得到的結(jié)果如表41。表41 輸入樣本歸一化后數(shù)據(jù)時(shí)間/30min歸一化后數(shù)據(jù)123456789101112131415161718192021222324252627282930313233343536373839404142434445464748隱含層輸出程序代碼：for i=1:1:48for j=1:1:48R(i,j)=((x(i,:)c(j,:)))*((x(i,:)c(j,:))39。)。R(i,j)=exp(R(i,j)./delta(j))。endend以上代碼實(shí)現(xiàn)的主要目地是算出訓(xùn)練樣本的隱含層輸出值，并將值賦予R中。建立一個(gè)新的RBF神經(jīng)網(wǎng)絡(luò)建立神經(jīng)網(wǎng)絡(luò)的函數(shù)為newrb函數(shù)，其格式為：[net,tr] = newrb(P,T,goal,spread,MN,DF) (47)式中：P為Q組輸入向量組成的RQ維矩陣；T為Q組目標(biāo)分類向量組成的SQ維矩陣；goal為均方誤差,默認(rèn)值為0；spread為徑向基函數(shù)的擴(kuò)展速度,默認(rèn)值為1； MN為神經(jīng)元的最大數(shù)目,默認(rèn)是Q；DF為兩次顯示之間所添加的神經(jīng)元數(shù)目,默認(rèn)值為25；net為返回值，一個(gè)徑向基網(wǎng)絡(luò)；tr為返回值，訓(xùn)練紀(jì)錄。對樣本進(jìn)行訓(xùn)練樣本進(jìn)行訓(xùn)練的函數(shù)為train函數(shù)，其格式為：[net, TR, Y, E, Pf, Af] = train ( net, P, T, Pi, Ai, VV, TV ) (48)式中：net為神經(jīng)網(wǎng)絡(luò)對象，P為網(wǎng)絡(luò)輸入，T為目標(biāo)矢量，Pi為輸入延遲的初始狀態(tài)，Ai為層延遲的初始狀態(tài)，VV為驗(yàn)證矢量，TV為測試矢量。在函數(shù)返回值中，TR為訓(xùn)練記錄，Y為網(wǎng)絡(luò)輸出，E為輸出和目標(biāo)矢量之間的誤差，Pf為訓(xùn)練終止時(shí)的輸入延遲狀態(tài)，Af為訓(xùn)練終止時(shí)的層延遲狀態(tài)。對神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真神經(jīng)網(wǎng)絡(luò)仿真函數(shù)為sim函數(shù)，其格式為：[Y, Pf, Af, E, perf ] = sim (net, P, Pi, Ai, T) (49)式中：net為神經(jīng)網(wǎng)絡(luò)對象，P為網(wǎng)絡(luò)輸入，Pi為輸入延遲的初始狀態(tài)， Ai為層延遲的初始狀態(tài)，T為目標(biāo)矢量。在函數(shù)返回值中，Y為網(wǎng)絡(luò)輸出，Pf為訓(xùn)練終止時(shí)的輸入延遲狀態(tài)，Af為訓(xùn)練終止時(shí)的層延遲狀態(tài)，E為輸出和目標(biāo)矢量之間的誤差，perf為網(wǎng)絡(luò)的性能值。RBF神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測結(jié)果本文采用RBF神經(jīng)網(wǎng)絡(luò)對負(fù)荷進(jìn)行了預(yù)測，并對負(fù)荷值與相對誤差進(jìn)行了比較。預(yù)測負(fù)荷值和誤差比較如表42。表42 1999年1月10日48點(diǎn)負(fù)荷預(yù)測結(jié)果對比時(shí)間/30min實(shí)際值/MW預(yù)測值/MW誤差百分誤差/%165226463634462255946578757485709582105831157512573135611454315537165461757218577196062060621615226342362824640256432664927646286392965330630316253263533638346403565236656376653867239669406794166042651436414461645620466164760948632預(yù)測負(fù)荷曲線如圖42。圖42 1999年1月10日負(fù)荷預(yù)測曲線由表42和圖42可知，利用RBF神經(jīng)網(wǎng)絡(luò)方法對一天連續(xù)48點(diǎn)的日負(fù)荷預(yù)測結(jié)果還是令人滿意的，%，%，%。因此，采用RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法確實(shí)可以提高預(yù)測預(yù)測的精度，滿足了實(shí)際運(yùn)行的需要。 該章節(jié)主要對原始數(shù)據(jù)進(jìn)行負(fù)荷預(yù)測計(jì)算，內(nèi)容包括RBF神經(jīng)網(wǎng)絡(luò)的建立、RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、樣本的選取、數(shù)據(jù)預(yù)處理等。通過對3日至9日的數(shù)據(jù)進(jìn)行學(xué)習(xí)，對第8天進(jìn)行預(yù)測，并將預(yù)測值與實(shí)際值進(jìn)行對比，計(jì)算出誤差值。%，最小誤差為0%，得出RBF神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測法確實(shí)可以提高精度。第5章 結(jié)束語電力系統(tǒng)短期負(fù)荷預(yù)測是電力系統(tǒng)運(yùn)行調(diào)度的基礎(chǔ)，關(guān)系到整個(gè)電力系統(tǒng)的效率、效益和安全。特別是隨著電力市場改革的深入，它已經(jīng)成為電力市場技術(shù)支持系統(tǒng)的重要組成部分，是電力交易市場的主要數(shù)據(jù)來源，其預(yù)測精度對電力系統(tǒng)有著非常重要的意義。因此本論文就是基于對負(fù)荷預(yù)測精度的重要性運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)對電力系統(tǒng)短期負(fù)荷預(yù)測進(jìn)行了研究?？偨Y(jié)全文，可以得出以下幾個(gè)主要結(jié)論：通過對某地區(qū)1999年1月3日至1月9日的數(shù)據(jù)處理，預(yù)測了1月10日的24小時(shí)48點(diǎn)（30min一個(gè)點(diǎn)）負(fù)荷，負(fù)荷預(yù)測誤差值在預(yù)定的誤差范圍內(nèi)，說明本文所建立的RBF神經(jīng)網(wǎng)絡(luò)模型是正確的，運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測具有可行性。本文采用的是基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測，它與通常采用的BP算法相比具有訓(xùn)練速度快、推廣能力強(qiáng)、全局收斂好的優(yōu)點(diǎn)。分析和總結(jié)了電力系統(tǒng)負(fù)荷特征，提出將溫度、天氣狀況、日期類型等因素作為神經(jīng)網(wǎng)絡(luò)的輸入變量，有利于提高預(yù)測精度。并對歷史負(fù)荷數(shù)據(jù)中的“壞數(shù)據(jù)”或“不良數(shù)據(jù)”進(jìn)行了預(yù)處理，使得負(fù)荷數(shù)據(jù)不會(huì)超過正常的誤差范圍。本論文雖然進(jìn)行了電力系統(tǒng)短期負(fù)荷預(yù)測的一些研究，但是很多方面還是有待完善的。在以下幾個(gè)方面可以進(jìn)行更深入的探討和研究：由于時(shí)間有限和計(jì)算量大，本文只是針對了正常日負(fù)荷進(jìn)行了預(yù)測，未能針對節(jié)假日的負(fù)荷變化規(guī)律與正常日負(fù)荷變化規(guī)律的差異進(jìn)行預(yù)測。利用神經(jīng)網(wǎng)絡(luò)對電力系統(tǒng)短期負(fù)荷預(yù)測的研究中，網(wǎng)絡(luò)結(jié)構(gòu)和隱含層節(jié)點(diǎn)數(shù)、各種天氣因素的影響、隸屬函數(shù)的科學(xué)選取等方面還需要進(jìn)一步的探討，選取更加相關(guān)的輸入節(jié)點(diǎn)，引入模糊控制，可能使負(fù)荷預(yù)測更加精確。收集齊全的、連續(xù)的歷史負(fù)荷數(shù)據(jù)和相應(yīng)的天氣資料。歷史負(fù)荷數(shù)據(jù)應(yīng)包括盡可能多的節(jié)日負(fù)荷數(shù)據(jù)，天氣資料應(yīng)包括地區(qū)的最高氣溫、最低氣溫、天氣狀況、降雨量、相對濕度、風(fēng)力和風(fēng)向等因素。進(jìn)一步研究天氣信息和其它相關(guān)信息與負(fù)荷變化的關(guān)系問題。致 謝在本次論文的編寫過程中衷心感謝我的指導(dǎo)老師曾曉輝老師。本次的畢業(yè)設(shè)計(jì)是在曾曉輝老師的親切關(guān)懷和悉心指導(dǎo)下完成的。在論文編寫的這段時(shí)間里，我遇到了很多困難，遇到了學(xué)習(xí)的瓶頸，正是曾老師細(xì)心的講解和分析，引導(dǎo)我往正確的方向鉆研，才能圓