【正文】 )。endcount=count+1。endendfor j=1:ndeltB1(j)=a*yin(j)。dB2(k)=deltB2(k)。W2(j,k)=W2(j,k)+(1b)*deltW2(j,k)+b*dW2(j,k)。for k=1:schu(k)=(d(k)o(k))。endfor k=1:serrort=(d(k)o(k))^2。for j=1:nnet=net+y(j)*W2(j,k)。for i=1:rnet=net+x(i)*W1(i,j)。T=[]。B2=*rand(1,s)。dB1=zeros(n,s)。deltW1=zeros(r,n)。b=。s=1。twister39。plot(p,error(p),39。endendfor j=1:nB1(j)=B1(j)+a*yin(j)。W2(j,k)=W2(j,k)+deltW2(j,k)。for k=1:schu(k)=(d(k)o(k))。o(k)=net。y(j)=1/(1+exp(net))。endfor i=1:rx(i)=P(i)。B2=*rand(1,s)。deltW1=zeros(r,n)。a=。r=12。O=[13^0 13^1 13^2 13^3]*D。Y=[e39。,b39。c(k+1)=net3。endnet5=。endnet3=。for k=0:3net1=。我今后的工作生涯中，我也會更加認(rèn)真努力。 然后還要感謝所有在大學(xué)期間傳授我知識的老師，每一位老師的悉心教導(dǎo)都是我完成這篇論文的基礎(chǔ)。給我提供論文大量數(shù)據(jù)資料和建議，告訴我應(yīng)注意的細(xì)節(jié)問題，細(xì)心的給我指出錯(cuò)誤。(3) 在分析BP網(wǎng)絡(luò)缺陷的基礎(chǔ)上，采用附加動量法改進(jìn)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法，用以提高訓(xùn)練速度，避免網(wǎng)絡(luò)陷入局部最小值。結(jié)論電力系統(tǒng)短期負(fù)荷預(yù)測是電力市場化和電網(wǎng)正常運(yùn)行的基礎(chǔ)和前提，對于提高對電力部門的經(jīng)濟(jì)效益有著十分重要的意義。 附加動量法由于采用傳統(tǒng)BP算法有容易陷入局部最小值,需要較長的訓(xùn)練時(shí)間等缺點(diǎn)。最小二乘法的自由度根據(jù)公式[11]，得。 (3) 總離偏差和：第13天的總離偏差和為。 (1) 剩余平方和： 。%%，可以看出最小二乘法誤差整體較為平穩(wěn)，精度更高。因此我們可以判斷標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)具有更好的平穩(wěn)性，負(fù)荷波動性對網(wǎng)絡(luò)基本不存在影響，在精度上也更具優(yōu)勢。而最小二乘法在某些負(fù)荷值波動較大的時(shí)刻，其誤差值較標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)要大很多，總體的誤差波動很大，總體精度值明顯不如標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)。 第1天到第7天的實(shí)際負(fù)荷(單位：A)小時(shí)天數(shù)第1天第2天第3天第4天第5天第6天第7天114171515161516220201819181819322232224232422426282728272726526282830303129630283131333130732343436343531831363530303230925303025283123102428262626302211232723272327211225282627282924133034313230342814313434333135291528312931273228162428292827302117222625242326211821242322232520191619171717171420141311131112132112121212121312221211121212121323121213121313152412131214131415 第8天到第14天的實(shí)際負(fù)荷(單位：A)小時(shí)天數(shù)第8天第9天第10天第11天第12天第13天第14天119171617161615220202119202019323242625242422426262930302926528313031313230630343232333230732363634373530827343034333127924312731302721102228262828262011212725262423211222302727292623132935323534332614273735363632261526333030342924162330302830292117232825232627191820232325232419191519181918191520131313141513122112131214121212221312121513121223141412141313132415141314151315 歸一化后的負(fù)荷數(shù)據(jù)根據(jù)(313)歸一化公式對上述14天實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行歸一化。附加動量法的MATLAB程序見附錄3。它對訓(xùn)練的初始值有要求，必須使其值在誤差曲線上的位置所處誤差下降方向與誤差最小值的運(yùn)動方向一致。 根據(jù)附加動量法的設(shè)計(jì)原則，當(dāng)修正的權(quán)值在誤差中導(dǎo)致太大的增長結(jié)果時(shí)，新的權(quán)值應(yīng)被取消而不被采用，并使動量作用停止下來，以使網(wǎng)絡(luò)不進(jìn)入較大的誤差曲面；當(dāng)新的誤差變化率對其舊值超過一個(gè)事先設(shè)定的最大誤差變化率時(shí)，也得取消所計(jì)算的權(quán)值變化。帶有附加動量的權(quán)值調(diào)節(jié)公式為： (315) (316) 其中，k為訓(xùn)練次數(shù)；為動量因子。對于復(fù)雜的網(wǎng)絡(luò)，其誤差函數(shù)為多維空間的曲面，在訓(xùn)練的過程中可能陷入一個(gè)小谷區(qū)，從而這一小谷區(qū)產(chǎn)生的是一個(gè)局部極小值，由此點(diǎn)向各方面變化均使誤差增加，一致使訓(xùn)練無法逃出這一局部極小值。在網(wǎng)絡(luò)的訓(xùn)練過程中，如其權(quán)值調(diào)得過大，可能使得所有的或大部分神經(jīng)元的加權(quán)總和n偏大，這使得激活函數(shù)的輸入工作在S型轉(zhuǎn)移函數(shù)的飽和區(qū)，從而導(dǎo)致其非常小，從而使得對網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)過程幾乎停頓下來[18]。BP網(wǎng)絡(luò)中的神經(jīng)元激活函數(shù)一般取Sigmoid函數(shù)，用下面第一個(gè)式子將負(fù)荷換算到[1,1]之間，在輸出層用第二個(gè)式子換回負(fù)荷值，公式如下： (313) (314) 標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)的MATLAB程序見附錄2。 。 為了保證隨機(jī)選取的初始權(quán)值足夠小。 下面兩圖分別為S型激活函數(shù)和線性激活函數(shù)的曲線： 對數(shù)S型激活函數(shù) 線性激活函數(shù) 初始權(quán)值的選取 由于系統(tǒng)是非線性的，初始值對于學(xué)習(xí)是否達(dá)到局部最小、是否能夠收斂以及網(wǎng)絡(luò)的訓(xùn)練時(shí)間的長短關(guān)系很大。用試湊法確定隱含層神經(jīng)元個(gè)數(shù)為7。 隱層個(gè)數(shù)的確定是非常重要的，會直接影響網(wǎng)絡(luò)性能。 ： 算法流程圖 標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)模型的建立 輸入輸出變量 輸入變量：預(yù)測日前12天第i小時(shí)的負(fù)荷值（i=1,2，…,24）。在正向傳遞過程中，輸入信息從輸入經(jīng)隱含層逐層計(jì)算傳向輸出層，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)[12]。學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實(shí)際輸出與目標(biāo)矢量之間的誤差來修改其連接權(quán)值和偏差，使輸出(l=1,2，?q)與期望盡可能的接近，即是使網(wǎng)絡(luò)輸出層的誤差平方和達(dá)到最小。 ： 單隱層BP網(wǎng)絳模型結(jié)構(gòu) BP網(wǎng)絡(luò)的激活函數(shù)必須是處處可微的，所以經(jīng)常使用的是Sigmoid型的對數(shù)或正切激活函數(shù)和線性函數(shù)。權(quán)值不斷修改的過程, 也就是網(wǎng)絡(luò)學(xué)習(xí)過程。 BP網(wǎng)絡(luò)的原理、結(jié)構(gòu) BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。神經(jīng)元的廣泛聯(lián)系并行工作使整個(gè)網(wǎng)絡(luò)呈現(xiàn)出高度的非線性特點(diǎn)，而分布式存儲的結(jié)構(gòu)特點(diǎn)使網(wǎng)絡(luò)在兩個(gè)方面表現(xiàn)出良好的容錯(cuò)性。 人工神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)(1) 結(jié)構(gòu)特點(diǎn)：信息處理的并行性、信息存儲的分布性。人工神經(jīng)網(wǎng)絡(luò)處理信息是通過信息樣本對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練, 使其具有人的大腦的記憶, 辨識能力, 完成名種信息處理功能[11]。 簡單分析時(shí)，如果某個(gè)預(yù)測模型的參數(shù)個(gè)數(shù)為k，則一般可認(rèn)為， 。對于一般的擬合，將1減去剩余平方和占總離（偏）差平方和的比例定義為相關(guān)指數(shù)，記為,計(jì)算公式如下： (216)R值越接近于1，表明曲線擬合的效果越好，相關(guān)性越強(qiáng)。 擬合精度分析 可以以相關(guān)指數(shù)（相關(guān)系數(shù)）、標(biāo)準(zhǔn)差、離散系數(shù)等加以分析[9]。同時(shí)還必須對預(yù)測誤差進(jìn)行計(jì)算分析，進(jìn)而可以檢驗(yàn)所選的預(yù)測模型。 (3) 樣本數(shù)據(jù)帶來的誤差。 誤差產(chǎn)生的原因 產(chǎn)生誤差的原因[10]很多，主要有以下幾個(gè)方面： (1) 由于選擇的預(yù)測模型所產(chǎn)生的誤差。具體的MATLAB程序見附錄1。在實(shí)際應(yīng)用中或；當(dāng)時(shí)所得的擬合多項(xiàng)式就是拉格朗日或牛頓插值多項(xiàng)式。由多元函數(shù)求極值的必要條件，得 ， (24) 即 ， (25) 式(25)是關(guān)于的線性方程組，用矩陣表示為 (26)式(25)和(26)稱為正規(guī)方程組或法方程組。函數(shù)稱為擬合函數(shù)或最小二乘解，求擬合函數(shù)的方法稱為曲線擬合的最小二乘法。 最小二乘法原理 從整體上考慮近似函數(shù)同所給數(shù)據(jù)點(diǎn) (i=0,1,…,m)誤差 (i=0,1,…,m)的大小，常用的方法有以下三種：一是誤差 (i=0,1,…,m)絕對值的最大值；二是誤差絕對值的和；三是誤差平方和的平方根。 2 最小二乘法 為了與后面的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比，突出神經(jīng)網(wǎng)絡(luò)精度上的優(yōu)勢，我們首先運(yùn)用最小二乘法構(gòu)建一個(gè)短期負(fù)荷預(yù)測的模型。(2) 介紹了人工神經(jīng)網(wǎng)絡(luò)的基本理論，包括它的原理、結(jié)構(gòu)、特點(diǎn)，使我們對人工神經(jīng)網(wǎng)絡(luò)有了初步的了解。比如在不同的類型日、一天中的不同時(shí)段，其運(yùn)行規(guī)律不同，因此應(yīng)選取多個(gè)神經(jīng)網(wǎng)絡(luò)解決不同的情況。大致有以下幾種：加入動量項(xiàng)的BP算法、二階BP算法、變步長算法、基于Kalman濾波的快速算法、遺傳算法等。 (2) 采用標(biāo)準(zhǔn)BP算法，并加入了溫度的影響 神經(jīng)網(wǎng)絡(luò)的輸入量為歷史負(fù)荷值與溫度值，輸出量為預(yù)測值。對所選取的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也沒有一定的方法給出。神經(jīng)網(wǎng)絡(luò)是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間動力系統(tǒng)，可以映射任意復(fù)雜的非線性關(guān)系[7]，通過學(xué)習(xí)能把樣本隱含的特征和規(guī)律分布于神經(jīng)網(wǎng)絡(luò)的連接權(quán)上。傳統(tǒng)負(fù)荷預(yù)報(bào)的數(shù)學(xué)模型是用顯式的數(shù)學(xué)表達(dá)式加以描述，這就決定了傳統(tǒng)的預(yù)測模型的局限性。將模糊方法應(yīng)用于負(fù)荷預(yù)測可以更好的處理負(fù)荷變化的不確定性，將這一理論應(yīng)用于負(fù)荷預(yù)測是很合理的選擇。 (2) 模糊預(yù)測技術(shù)模糊預(yù)測法是建立在模糊數(shù)學(xué)理論上的一種負(fù)荷預(yù)測新技術(shù)。然而，由于負(fù)荷發(fā)展變化受到多種因素制約，經(jīng)常會發(fā)生較大的變動，此時(shí)，這些傳統(tǒng)的預(yù)測方法效果往往并不理想?；疑到y(tǒng)理論應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)報(bào)時(shí)，如果將影響負(fù)荷的各種復(fù)雜因素聯(lián)合起來看成一個(gè)大系統(tǒng)，則它兼有確定性和不確定性，本征性和非本征性灰色系統(tǒng)特征。時(shí)間序列法建立的模型必須滿足平穩(wěn)性條件和可逆性條件，不滿足這兩個(gè)條件的模型不能用來預(yù)測模型。回歸分析法也可由給定的多組自變量和因變量資料來研究各自變量和因變量之間的關(guān)系，而形成回歸方程，解回歸方程后，按給定的各自變量值，即能求出因變量值[6]。相對前兩個(gè)方面，在算法方面的研究最廣泛，已經(jīng)涌現(xiàn)出了各種不同算法，而這些算法在模型的復(fù)雜性、靈活性、對數(shù)據(jù)的要求以及滿足用戶的特殊要求等方面都有著很大的不同。負(fù)荷預(yù)測的發(fā)展大致可以劃分為兩個(gè)階段：第一階段(20世紀(jì)6080年代)是使用傳統(tǒng)負(fù)荷預(yù)測技術(shù)的階段，這一階段基本沿襲了經(jīng)濟(jì)領(lǐng)域的預(yù)測技術(shù)，典型的如時(shí)間序列法、回歸分析法；第二階段(20世紀(jì)90年代到現(xiàn)