【導(dǎo)讀】1．建立電力系統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。2．根據(jù)模型進(jìn)行仿真實(shí)驗(yàn)。3．撰寫畢業(yè)設(shè)計(jì)論文。2．完成電力系統(tǒng)負(fù)荷仿真計(jì)算。3．神經(jīng)網(wǎng)絡(luò)理論相關(guān)資料。撰寫，繪制圖紙，電力系統(tǒng)對(duì)各類用戶盡可能地提供經(jīng)濟(jì)、可靠而合乎標(biāo)準(zhǔn)要求的電能，但由于電力的生產(chǎn)與使用具有其特殊性，即電。態(tài)平衡，否則，就會(huì)影響供用電的質(zhì)量，危及系統(tǒng)的安全與穩(wěn)定。運(yùn)營(yíng)所必需的基本內(nèi)容。響負(fù)荷變化的因素，預(yù)測(cè)水平和精度不斷提高。本文側(cè)重于一種新興預(yù)測(cè)技

　　

【正文】 特點(diǎn)： 對(duì)于輸出層， 變換函數(shù) ??fx為單極性的 Sigmoid 函數(shù) ? ? 11 xfx e?? ? （ 313） 對(duì) 于 隱層，變換函數(shù) ??fx為 雙極性正切 函數(shù) tansig ? ? 2111 xxxefx ee???????? （ 314） （ 2） 網(wǎng)絡(luò)誤差與權(quán)值調(diào)整 實(shí)際輸出 輸出與期望輸出 不相等時(shí)，存在誤差 E ： ? ?212E d O?? ? ?2112 l kkk do???? （ 315） 將式 （ 39） 、 （ 310） 代入式 （ 315） ，將其展開至隱層： ? ? 2112 l kkkE d f ???????? 21012 lmk jk jkjd f w y?????????????????? （ 316） 將式 （ 311）、（ 312） 代入 （ 316） ，將其進(jìn)一步展開至隱層： ? ? 21012 lmk jk jkjE d f w f n e t???????????????????? 21 0 012 l m nk jk ij ik j id f w f v x? ? ??????? ??????????? ? ? （ 317） 由此可見，調(diào)整權(quán)值 jkw 、 ijv 即可改變誤差 E ，使用梯度下降法，使權(quán) 值與誤差下降成正比，即 0 , 1 , 2 , , 。 1 , 2 , ,jk jkEw j m k lw? ?? ? ? ?? （ 318） 章及標(biāo)題 23 0 , 1 , 2 , , 。 1 , 2 , ,ij ilEv i n j mv? ?? ? ? ?? （ 319） 其中負(fù)號(hào)表示梯度下降， ? ?0,1?? 是學(xué)習(xí)速率。 （ 3） BP 算法 推導(dǎo) 式 （ 318）、（ 319） 可改寫為如下形式： kjk jk k jkn e tEEw w n e t w?? ???? ? ? ?? ? ? （ 320） jijij j ijn e tEEv v n e t v?? ???? ? ? ?? ? ? （ 321） 對(duì)輸出層和隱含層各給出一個(gè)誤差信號(hào)： 0kkE? ???? （ 322） yjjE? ???? （ 323） 則輸出層權(quán)值調(diào)整式為 ： ojk k jwy??? （ 324） 隱層權(quán)值調(diào)整式為： kij j ivx??? （ 325） 可以看出，只需計(jì)算誤差信號(hào)， jkw 、 ijv 即可求出。 計(jì)算 ok? 、 yj? ： 由于傳遞函數(shù)可導(dǎo)， 則 ? ? ? ? ? ?39。1f x f x f x?????? （ 326） 對(duì)于輸出層有： ? ? ? ? ? ? ? ?39。 1 1k k k k kf n e t f n e t f n e t o o? ? ? ????? （ 327） 由式 （ 315） 得， ? ?kkkE doo? ? ? ?? （ 328） 由式 （ 322）、（ 326） 、（ 328） 得， ? ? ? ? ? ?39。1o kk k k k k kk k k koE E E f n e t d o o on e t o n e t o? ?? ? ?? ? ? ? ? ? ? ? ?? ? ? ? （ 329） 對(duì)于隱含層有： ? ? ? ? ? ? ? ?39。 1 1j j j j jf n e t f n e t f n e t y y??? ? ? ??? （ 330） 燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 24 由式 （ 316） 得， ? ? ? ?1 39。lk k k jkkjE d o f n e t wy ?? ? ? ?? ? （ 331）由式 （ 323） 、 （ 326） 、 （ 331） 得， ? ? ? ? ? ?1 39。39。lyj k k k jk jk d o f n e t w f n e t? ?????????? ? ?1 1l ok jk j jk w y y??????????? （ 332） 由以上各式可得輸出層與隱層權(quán)值調(diào)整公式： ? ? ? ?1ojk k j k k k k jw y d o o o y?? ?? ? ? ? （ 333） ? ?1 1lyoij j i k jk j j ikv x w y y x? ? ? ????? ? ?????? （ 334） 以上是三層 BP 網(wǎng)絡(luò)的隱層 與輸出層權(quán)值調(diào)整公式，可以看出，它與三個(gè)因素有關(guān)，學(xué)習(xí)率 ? ，本層輸出誤差信號(hào) ? 及本層輸入信號(hào) 。輸出層誤差信號(hào)直接反映了輸出誤差，隱層誤差信號(hào)是從輸出層反傳過(guò)來(lái)的。 （ 4） BP 算法信號(hào)流向 V W? ?Tf V X? ?Tf W YXY? y? o? do??TWYOTVXV W? ?39。 jf ne t ? ?39。 kf n e t d+ 圖 310 BP算法的信號(hào)流向 由圖可見，輸入信號(hào) X 從輸入層進(jìn)入網(wǎng)絡(luò)后，經(jīng)過(guò)隱層權(quán)值向量 V 處理后得到該層輸出 Y ，繼續(xù)向前傳播，經(jīng)過(guò)輸出層權(quán)值向量 W 處理后得到網(wǎng)絡(luò)實(shí)際輸出 O 。經(jīng)輸出與期望輸出比較得到誤差信號(hào) o? ， 誤差信號(hào)通過(guò)隱層各節(jié)點(diǎn)的權(quán)向量處理后反傳至隱層各節(jié)點(diǎn)，得到隱層的誤差信號(hào) y? ，由此計(jì)算隱層權(quán)值調(diào)整量 。 （ 4） BP 算法程序?qū)崿F(xiàn) BP 算法對(duì)于訓(xùn)練樣本有兩種學(xué)習(xí)方式： 章及標(biāo)題 25 1） 逐一學(xué)習(xí)方式：每次輸入一個(gè)樣本，回傳誤差調(diào)整權(quán)值， 直至收斂，再 提取下一個(gè)樣本，直至所有樣本滿足精度要求。 2） 批量學(xué)習(xí)方式：將所有樣本一次輸入，利用總體回傳誤差計(jì)算調(diào)整各神經(jīng)元權(quán)值和閾值，直至滿足精度要求。 逐一學(xué)習(xí)方式只針對(duì)每個(gè)樣本產(chǎn)生的誤差進(jìn)行調(diào)整，難免顧此失彼，增加訓(xùn)練次數(shù)，是收斂速度過(guò)慢。批量學(xué)習(xí)方式以減小全局誤差為目標(biāo)，可以保證總誤差向減小方向變化，收斂速度較逐一方式快。 BP 算法程序設(shè)計(jì)步驟： 1） 初 始化 對(duì)權(quán)值矩陣 W 、 V 賦初值，將樣本模式計(jì)數(shù)器 p 和訓(xùn)練次數(shù)計(jì)數(shù)器 q 置為 1，誤差 E 置 0，學(xué)習(xí)率 ? 設(shè)為 0～ 1，網(wǎng)絡(luò)訓(xùn)練后達(dá)到的精度 minE 設(shè)為一個(gè)正的小數(shù)。 2）輸入訓(xùn)練樣本對(duì)，計(jì)算各 層輸出 Y 和 O 中各分量。 3）計(jì)算誤差 ? ?21112 Pl ppkkpkE d o??????總 （ 335） 4）檢查所有樣本是否輸完 若 pP? ， p 增 1，返回步驟（ 2）；否則繼續(xù)。 5）用 E總 計(jì)算各層誤差信號(hào)。 6）調(diào)整各層權(quán)值。 7） q 增 1，判斷 RMSE 是否小于 minE 若是，訓(xùn)練結(jié)束；否則， 0, 1Ep??，返回步驟（ 2）。 以下是 BP 算法流程圖： 燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 26 初 始 化 V 、 W計(jì) 數(shù) 器 q = 1 、 p = 1輸 入 第 一 對(duì) 樣 本計(jì) 算 各 層 輸 出計(jì) 算 誤 差 ： ? ?21112PlkkpkE d o??????p P ?用 E 計(jì) 算 各 層 誤 差 信 號(hào)調(diào) 整 各 層 權(quán) 值q 增 1m in ?R M SEE?結(jié) 束E = 0 , p = 1p 增 1YNYN 圖 311 BP算法流程圖 章及標(biāo)題 27 BP 網(wǎng)絡(luò)的功能 （ 1）非線性映射能力 BP 網(wǎng)能映射學(xué)習(xí)和存儲(chǔ)大量的輸入輸出關(guān)系，只要給 BP 網(wǎng)供足夠的樣本對(duì)供其進(jìn)行訓(xùn)練，便能完成由 n 維輸入映射到 m維輸出空間的非線性映射。 （ 2）泛化能力 訓(xùn)練 后的網(wǎng)絡(luò)將非線性映射關(guān)系存儲(chǔ)在權(quán)值矩陣中，在以后輸入非樣本數(shù)據(jù)時(shí) 也能正確完成輸入到輸出的非線性映射。泛化能力是衡量網(wǎng)絡(luò)優(yōu)劣的一個(gè)重要方面。 （ 3）容錯(cuò)能力 權(quán)值矩陣是從大量的樣本對(duì)中得到的統(tǒng)計(jì) 規(guī)律，局部或部分神經(jīng)元損壞后不會(huì)影響全局活動(dòng) [10]。 本 章小結(jié) 本文研究的是基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)，因此必須了解神經(jīng)網(wǎng)絡(luò)。本章介紹了神經(jīng)網(wǎng)絡(luò)的基本原理，除了其模型外，還介紹了其算法，包括無(wú)導(dǎo)師學(xué)習(xí)、有導(dǎo)師學(xué)習(xí)和灌輸式學(xué)習(xí)，更多的是介紹 了有導(dǎo)師學(xué)習(xí)中的一種 —BP算法，及其信號(hào)流向和程序?qū)崿F(xiàn)。最后介紹了 BP 網(wǎng)絡(luò)的功能：非線性能力、泛化能力和容錯(cuò)能力。 燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文） 28 第 4 章 基于神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷預(yù)測(cè) 電力工業(yè)作為國(guó)民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，在國(guó)民經(jīng)濟(jì)的發(fā)展中起著舉足輕重的作用。 電力負(fù)荷的大小受多方面因素的影響，負(fù)荷 預(yù)測(cè)成為供電部門的重要工作之一。準(zhǔn)確的負(fù)荷預(yù)測(cè)有利于提高電力系統(tǒng)運(yùn)行的可靠性和經(jīng)濟(jì)性，符合現(xiàn)代供電部門的利益要求。 由于受天氣、節(jié)假日等特殊情況和不確定因素的影響，電力負(fù)荷變化隨機(jī)波動(dòng)。由前幾章分析知，神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力，對(duì)大量的非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能，將其用于負(fù)荷預(yù)測(cè)，能夠打破非線性模型對(duì) 負(fù)荷預(yù)測(cè)的限制。本章以南方某缺電城市的電力負(fù)荷預(yù)測(cè)為例介紹神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)技術(shù)。 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型 首先需建立神經(jīng)網(wǎng)絡(luò)模型，即其數(shù)學(xué)模型。一個(gè) 合理的神經(jīng)網(wǎng)絡(luò)模型是一個(gè)不斷調(diào)整參數(shù)、不斷對(duì)比 結(jié)果的過(guò)程。本節(jié)介紹神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的基本內(nèi)容。 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)內(nèi)容應(yīng)包括以下四個(gè)要素：樣本集的設(shè)計(jì)、網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)、參數(shù)設(shè)計(jì)、歷史數(shù)據(jù)的預(yù)處理。 樣本集的設(shè)計(jì) 樣本集的準(zhǔn)備是網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的 基礎(chǔ)，其選擇將影響網(wǎng)絡(luò)的泛化能力。為保證訓(xùn)練結(jié)果的可靠性和實(shí)用性，應(yīng)選擇典型性好、精度高的數(shù)據(jù) 集作為樣本。樣本分為訓(xùn)練樣本和測(cè)試樣本。 網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是記錄樣本中的規(guī)律，因此，應(yīng)選用不同的樣本檢驗(yàn)網(wǎng)絡(luò)。 訓(xùn)練樣本的選取主要受兩個(gè)因素的影響： 一是 樣本長(zhǎng)度 ， 樣本長(zhǎng)度并非越長(zhǎng)越好，過(guò)長(zhǎng)的訓(xùn)練樣本不僅影響計(jì)算速度，還 可能 導(dǎo) 致 過(guò) 擬合 現(xiàn)象。 二是樣本的代表性 。這一問(wèn)題包括樣本的選擇和組織：選擇的樣本類別要均衡；輸入時(shí)，各類樣本交叉輸入，或隨機(jī)輸入 [12]。 本章以南方 某缺電城市 2021 年 7月 10 日到 7 月 20 日的正點(diǎn)有功負(fù)荷的 以及 2021 年 7月 11日到 7 月 21 日的氣象特征作為網(wǎng)絡(luò)的訓(xùn)練樣本，預(yù)測(cè) 7 月 21日的電力負(fù)荷。 訓(xùn)練采用批輸入方式，循環(huán)把樣本進(jìn)行輸入到網(wǎng)章及標(biāo)題 29 絡(luò)中進(jìn)行訓(xùn)練，直到誤差滿足要求或達(dá)到設(shè)定最大訓(xùn)練次數(shù)。 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì) 一個(gè) BP 網(wǎng)絡(luò)含有三層：輸入層、隱含層、輸出層。 訓(xùn)練樣本確定后，輸入輸出隨即確定，即輸入輸出神經(jīng) 元個(gè)數(shù)確定 。輸入層神經(jīng)元的個(gè)數(shù)等于輸入變量的個(gè)數(shù)，取決于所要解決問(wèn)題的輸入變量的個(gè)數(shù)，輸入變量應(yīng)盡可能包括所有影響因素，且 輸入量應(yīng)選擇對(duì)輸出影響大且能檢測(cè)的變量，各輸入變量間相關(guān)性應(yīng)很小。 由前三章的內(nèi)容知輸入變量應(yīng)包含以下內(nèi)容： （ 1）預(yù)測(cè)日前一天的實(shí)時(shí)負(fù)荷。 在預(yù)測(cè)日的前一天，每?jī)蓚€(gè)小時(shí)測(cè)量一次電力負(fù)荷，一天共得 12 組數(shù)據(jù)。相鄰各點(diǎn)的負(fù)荷值不會(huì)發(fā)生突變，前后時(shí)刻的值必然相關(guān)，以此作為網(wǎng)絡(luò)的樣本數(shù)據(jù) 。 （ 2）影響負(fù)荷的環(huán)境因素：預(yù)測(cè)日的最高氣溫、最低氣溫和天氣特征。其中以 0 表示晴天， 表示陰天， 1 表示 雨天。 由此，輸入變量是