【正文】 但我們小組做為一個(gè)團(tuán)隊(duì)，大家相互幫助，相互鼓勵(lì)，互相監(jiān)督，共同討論和解決問題，使論文能高質(zhì)高效的完成。如果沒有趙老師的悉心指導(dǎo)，本論文也不可能完成得如此順利。參考文獻(xiàn)[1][M].北京：電子工業(yè)出版社， 2005[2]許東、——神經(jīng)網(wǎng)絡(luò)[M].西安：西安電子科技大學(xué)出版社，2002[3]樓順天、胡昌華、—— 模糊系統(tǒng)[M].西安：西安電子科技大學(xué)出版社，2001[4][M].北京：中國電力出版社，2001[5]于爾鏗、劉廣一、（EMS）[M].北京：科學(xué)出版社，1998 [6]張乃堯、[M].北京：清華大學(xué)出版社，1998 [7]、模糊神經(jīng)網(wǎng)絡(luò)及應(yīng)用程序設(shè)計(jì)[M].上海：上?？茖W(xué)技術(shù)文獻(xiàn)出版社，1998[8][M].北京：機(jī)械工業(yè)出版社，1995[9]牛東曉、曹樹華、[M].北京：中國電力出版社，1998[10]肖國泉、王春、[M].北京：中國電力出版社，2001[11] ［M］. 西安：西安電子科技大學(xué)出版社，1990.[12][J].系統(tǒng)工程理論與實(shí)踐，1996，16（7）：99104[13]侯志儉、[J].中國電機(jī)工程學(xué)報(bào)，2003，23（1）：4550[14]冉啟文、單永正、[J]. 中國電機(jī)工程學(xué)報(bào)，2003，23（3）：3842[15]謝宏、陳志業(yè)、[J]. 中國電機(jī)工程學(xué)報(bào)，2001，21（5）：510[16]梁海峰、涂光瑜、[J].電網(wǎng)技術(shù)，2001，25（1）：4953[17]王雪峰、［Ｊ］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，1997，(2)：23～25.[18]王雪峰、［Ｊ］.運(yùn)籌學(xué)學(xué)報(bào)，1998，(3)：25～29．[19]牛東曉、[J].中國電機(jī)工程學(xué)報(bào)，1999,23(4):2124謝辭在論文完稿之際，首先我要向指導(dǎo)老師表示衷心的感謝。附加動(dòng)量法是在BP算法的基礎(chǔ)上，在每個(gè)權(quán)值變化上加上一項(xiàng)正比于上一次權(quán)值變化量的值，并根據(jù)BP算法來產(chǎn)生新的權(quán)值變化，利用附加動(dòng)量法可能會(huì)避開某些局部最小值。對于常用的BP算法，可考慮采用遺傳算法、小波分析和徑向基函數(shù)做進(jìn)一步的深入研究。為了進(jìn)一步提高網(wǎng)絡(luò)的預(yù)測精度，需要從以下幾個(gè)方面展開研究：（1）網(wǎng)絡(luò)的訓(xùn)練過程是從給定的樣本數(shù)據(jù)中歸納出輸入、輸出之間的復(fù)雜規(guī)律，為了能夠更加精確地對系統(tǒng)進(jìn)行預(yù)測，樣本數(shù)據(jù)應(yīng)該盡可能準(zhǔn)確。預(yù)測時(shí)段實(shí)際值/MW預(yù)測值/MW誤差/%1：002：003：004：005：006：007：008：009：0010：0011：0012：0013：0014：0015：0016：0017：0018：0019：0020：0021：0022：0023：0024：00，18個(gè)點(diǎn)的誤差的絕對百分誤差小于5%，%，%，%，表明預(yù)測取得了較滿意的結(jié)果。本文介紹的基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法，在綜合考慮天氣情況、歷史負(fù)荷和日類型等對未來負(fù)荷影響的因素后，使用了神經(jīng)網(wǎng)絡(luò)的非線性擬合等功能，取得了較好的負(fù)荷預(yù)測效果。(休息日預(yù)報(bào)誤差曲線)所示,(工作日預(yù)報(bào)誤差曲線)所示。Out=sim(net,P_test)。Out=sim(net,P_test)。 (休息日)訓(xùn)練結(jié)果(工作日)訓(xùn)練結(jié)果訓(xùn)練好的網(wǎng)絡(luò)還需要進(jìn)行測試才可以判定是否可以投入實(shí)際應(yīng)用。net=train(net,P,T)。=。訓(xùn)練參數(shù)的設(shè)定如表所示。（4）網(wǎng)絡(luò)訓(xùn)練計(jì)算出預(yù)測日24點(diǎn)的歸一化系數(shù)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后才可以用于電力負(fù)荷預(yù)測的實(shí)際應(yīng)用。其中，變量threshold用于規(guī)定輸入向量的最大值最小值，規(guī)定了網(wǎng)絡(luò)輸入向量的最大值為1，最小值為0。0 1]。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。這是因?yàn)楹瘮?shù)的輸出位于區(qū)間[0，1]中，正好滿足網(wǎng)絡(luò)輸出的要求。而輸出向量有24個(gè)，所以輸出層中的神經(jīng)元應(yīng)該有24個(gè)。根據(jù)BP網(wǎng)絡(luò)來設(shè)計(jì)網(wǎng)絡(luò)，一般的預(yù)測問題都可以通過單隱層的BP網(wǎng)絡(luò)實(shí)現(xiàn)。 (3)BP網(wǎng)絡(luò)的設(shè)計(jì)本文依據(jù)人工神經(jīng)網(wǎng)絡(luò)來建模，根據(jù)BP網(wǎng)絡(luò)來預(yù)測24點(diǎn)負(fù)荷。目前，訓(xùn)練樣本數(shù)目的確定沒有通用的方法，一般認(rèn)為樣本過少可能使得網(wǎng)絡(luò)的表達(dá)不夠充分，從而導(dǎo)致網(wǎng)絡(luò)外推能力不夠；而樣本過多可能會(huì)出現(xiàn)樣本冗長現(xiàn)象，既增加了網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，也可能出現(xiàn)信息量過剩使得網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象。如果從提高網(wǎng)絡(luò)精度的角度出發(fā)，一方面可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目，另一方面還可以增加輸入向量的維數(shù)。歸一化方法有許多種形式，這里采用如下公式： （61）在樣本中，輸入向量為預(yù)測日前天的電力實(shí)際負(fù)荷數(shù)據(jù)，目標(biāo)向量是預(yù)測日當(dāng)天的電力負(fù)荷。這樣一來，輸出變量就成為一個(gè)24維的向量。因此，輸入變量就是一個(gè)26維的向量。因此，還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測日的最高和最低溫度。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。(2)輸入/輸出向量設(shè)計(jì)在預(yù)測日的前一天中，每1個(gè)小時(shí)對電力負(fù)荷進(jìn)行一次測量，這樣一來，一天共測得24組負(fù)荷數(shù)據(jù)。3）將一周的7天每天都看做一種類型，共有7種類型。在對短期負(fù)荷進(jìn)行預(yù)報(bào)前，一個(gè)特別重要的問題是如何劃分負(fù)荷類型或日期類型。它不依靠專家經(jīng)驗(yàn)，只利用觀察到的數(shù)據(jù)，可以從訓(xùn)練過程中通過學(xué)習(xí)來抽樣和逼近隱含的輸入/輸出非線性的關(guān)系。對于抽樣和逼近這種非線性函數(shù)，神經(jīng)網(wǎng)絡(luò)是一種合適的方法。本文采用MATLAB軟件編程、仿真，具體過程如下所示：(1)問題描述電力系統(tǒng)負(fù)荷短期預(yù)報(bào)問題的解決辦法和方式可以分為統(tǒng)計(jì)技術(shù)、專家系統(tǒng)法和神經(jīng)網(wǎng)絡(luò)法等。同時(shí)，由于受天氣、節(jié)假日等特殊情況的影響，又使負(fù)荷變化出現(xiàn)差異。、電力系統(tǒng)短期負(fù)荷預(yù)測建模及MATLAB實(shí)現(xiàn)負(fù)荷預(yù)測對電力系統(tǒng)控制、運(yùn)行和計(jì)劃都有著重要的意義。另一方面，在系統(tǒng)預(yù)報(bào)中，為保證參數(shù)估計(jì)算法的一致收斂，必須使用一定的持續(xù)激勵(lì)的輸入信號。為了獲得良好的逆動(dòng)力學(xué)特性，應(yīng)妥善選擇網(wǎng)絡(luò)訓(xùn)練所需的樣本集，使其比未知系統(tǒng)的實(shí)際運(yùn)行范圍更大。但是如果所辨別的非線性系統(tǒng)是不可逆的，利用上述方法，將得到一個(gè)不正確的逆模型。從原理上說，這是一種最簡單的方法。下面介紹其中一種比較簡單的直接逆向建模法。而當(dāng)系統(tǒng)為性能評價(jià)器時(shí)，則可選擇再勵(lì)學(xué)習(xí)算法，這時(shí)網(wǎng)絡(luò)既可以采用具有全局逼近能力的網(wǎng)絡(luò)，如多層感知器，也可選具有局部逼近能力的網(wǎng)絡(luò)，如小腦模型關(guān)節(jié)控制器等。顯然，這是一個(gè)典型的有教師學(xué)習(xí)問題，實(shí)際系統(tǒng)作為教師，向神經(jīng)網(wǎng)絡(luò)提供算法所需的期望輸出。電力系統(tǒng)短期負(fù)荷預(yù)測建模及MATLAB實(shí)現(xiàn)、基于神經(jīng)網(wǎng)絡(luò)的預(yù)測原理（1）正向建模正向建模是訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)表達(dá)系統(tǒng)正向動(dòng)態(tài)的過程，這一過程建立的神經(jīng)網(wǎng)絡(luò)模型稱為正向建模。誤差函數(shù)對輸出節(jié)點(diǎn)閾值求導(dǎo) （536）其中 （537） （538）則 （539）閾值修正 （540） （541）誤差函數(shù)對隱層節(jié)點(diǎn)閾值求導(dǎo) （542）其中 （543） （544） （545）則（546）閾值修正 （547） （548）4） 傳遞函數(shù)f(x)的導(dǎo)數(shù)S型函數(shù)則 （549） （550）對輸出節(jié)點(diǎn) （551） （552）對輸出節(jié)點(diǎn) （553） （554）求函數(shù)梯度有兩種方法：遞增和批處理。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點(diǎn),隱層節(jié)點(diǎn),模型的計(jì)算公式如下:隱層節(jié)點(diǎn)的輸出 （512）其中 （513）輸出節(jié)點(diǎn)的計(jì)算輸出 （514）其中 （515）輸出節(jié)點(diǎn)的誤差（516）1） 誤差函數(shù)對輸出節(jié)點(diǎn)求導(dǎo) （517）E是多個(gè)的函數(shù). 但有一個(gè)與有關(guān),各間相互獨(dú)立,其中 （518） （519）則 （520）設(shè)輸入節(jié)點(diǎn)誤差為 （521）則 （522）2）誤差函數(shù)對隱層節(jié)點(diǎn)求導(dǎo) （523）E是多個(gè)的函數(shù),針對某一個(gè),對應(yīng)一個(gè),它與所有有關(guān),其中 （524） （525） （526）則（527）設(shè)隱層節(jié)點(diǎn)誤差為 （528）則 （529）由于權(quán)值的修正,正比于誤差函數(shù)沿梯度下降,則有 （530） （531） （532） （533） （534） （535）其中隱層節(jié)點(diǎn)誤差中的表示輸出節(jié)點(diǎn)的的誤差通過權(quán)值向節(jié)點(diǎn)反向傳播成為隱層節(jié)點(diǎn)的誤差。（2）BP網(wǎng)絡(luò)本文采用BP網(wǎng)絡(luò)，BP網(wǎng)絡(luò)學(xué)習(xí)規(guī)則的指導(dǎo)思想:對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向負(fù)梯度方向. （511）其中是當(dāng)前的權(quán)值和閾值矩陣, 是當(dāng)前表現(xiàn)函數(shù)的梯度,是學(xué)習(xí)速度。④神經(jīng)元網(wǎng)絡(luò)的工作過程當(dāng)網(wǎng)絡(luò)訓(xùn)練好了以后，就可以正常進(jìn)行工作，可以用來分析數(shù)據(jù)和處理問題。③神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則在學(xué)習(xí)過程中主要是網(wǎng)絡(luò)的連接權(quán)的值發(fā)生了改變，學(xué)習(xí)到的內(nèi)容也是記憶在連接權(quán)之中。人工神經(jīng)元模型的學(xué)習(xí)方式，其中主要三種:有導(dǎo)師學(xué)習(xí)、無導(dǎo)師學(xué)習(xí)和強(qiáng)