【正文】 55。39。endp=1:count。endif(error(count)precision)break。B1(j)=B1(j)+(1b)*deltB1(j)+b*dB1(j)。dW1(i,j)=deltW1(i,j)。endfor i=1:rfor j=1:ndeltW1(i,j)=a*yin(j)*x(i)。B2(k)=B2(k)+(1b)*deltB2(k)+b*dB2(k)。dW2(j,k)=deltW2(j,k)。endendfor j=1:nfor k=1:sdeltW2(j,k)=a*chu(k)*y(j)。endfor j=1:nyin(j)=。else b=enderror(count)=*errort。endif errort*errorperrorp=errort。endfor k=1:sd(k)=T(k)。endnet=netB2(k)。endfor k=1:snet=。endnet=netB1(j)。endfor j=1:nnet=。while(count=maxcount)for k=1:sd(k)=T。P=[ ]。deltB2=zeros(1,s)。dW2=zeros(n,s)。W2=*rand(n,s)。deltB1=zeros(n,s)。dW1=zeros(r,n)。W1=*rand(r,n)。maxcount=2000。a=。count=1。n=7。,0)。附錄3 附加動量法的MATLAB程序 以第13天的1時刻的負荷為例，編寫的MATLAB程序如下：rand(39。39。endp=1:count。endif(error(count)precision)break。W1(i,j)=W1(i,j)+deltW1(i,j)。endendfor k=1:sB2(k)=B2(k)+a*chu(k)。endendfor j=1:nfor k=1:sdeltW2(j,k)=a*chu(k)*y(j)。endfor j=1:nyin(j)=。enderror(count)=*errort。endfor k=1:sd(k)=T(k)。endnet=netB2(k)。endfor k=1:snet=。endnet=netB1(j)。endfor j=1:nnet=。while(count=maxcount)for k=1:sd(k)=T。P=[ ]。deltW2=zeros(n,s)。B1=*rand(n,s)。W1=*rand(r,n)。maxcount=2000。count=1。n=7。,0)。附錄2 標準BP神經(jīng)網(wǎng)絡的MATLAB程序 以第13天的1時刻的負荷為例，編寫的MATLAB程序如下：rand(39。D=C*Y。]。)。,c39。endB=cat(2,a39。d(k+1)=net4。b(k+1)=net2。for i=1:13net5=net5+X(i)^k*Y(i)*A(i,k+1)。for i=1:13net4=net4+X(i)^(k+3)*A(i,k+1)。for i=1:13net3=net3+X(i)^(k+2)*A(i,k+1)。for i=1:13net2=net2+X(i)^(k+1)*A(i,k+1)。for i=1:13net1=net1+X(i)^k*A(i,k+1)。Y=[ ]。 [參 考 文 獻] [1] 謝潔樹．電力負荷預測的方法研究[J]．燈與照明，2008，3(32)：52～55.[2] 牛曉東，曹樹華，趙磊，[M].北京：中國電力出版社，.[3] 劉晨暉．電力系統(tǒng)負荷預報理論與方法[M]．哈爾濱：哈爾濱工業(yè)大學出版社，～18.[4] 李艷芳．電力負荷預測[D].南昌：南昌大學，2007．[5] 吳軍基，倪黔東，[J]. 繼電器，1999，27（3）：2728.[6] [J].企業(yè)科技與發(fā)展，2010,11（2）：5758.[7] [D].鄭州：鄭州大學電力系統(tǒng)及其自動化專業(yè)，2007.[8] [D].沈陽：沈陽工業(yè)大學，2003. [9] 康重慶，夏清，[M].北京：中國電力出版社，.[10] [D].天津：天津大學控制理論與控制工程專業(yè)，2009.[11] (第三版)[M]．合肥：中國科學技術大學出版社．.[12] [M].北京：國防工業(yè)出版社，.[13] Khotanzad，AfldaarniRohamiR，LuTal．Annstlfaneural．networkbased electric load forecasting system[J]．IEEE Trans on neural network，1997，8(4)：835～845．[14] 李林川，夏道止，楊振平．應用人工神經(jīng)網(wǎng)絡進行短期負荷預測[J].電力系統(tǒng)及其自動化學報，1994，6(3):33－41．[15] 秦桂芳，伍世勝，基于神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測[J].電氣開關，2011，2(4)：3743.[16] 菜廣基，嚴玉清．構(gòu)建BP網(wǎng)絡結(jié)構(gòu)方法分析[J]．河南師范大學學報，2001，29(3)：65—68．[17] 姜勇．電力系統(tǒng)中短期負荷預測方法簡介[J]．東北電力技術，2002，23(8)：49—52．[18] Park D C ElSharkawi M A．Marks J et a1．Electric Load Forecasting Using a Neural Network[J]．IEEE Trans on Power System，1991，6(2)L:442—449．[19] [D].南京：南京信息工程學院，2005.[20] [D].合肥：合肥工業(yè)大學，2005.[21] 丁天懷，李勇，苗君哲，[J].農(nóng)業(yè)工程學報，2003，19（3）：137139.[22] [D].武漢：華中科技大學，2007.附錄1:最小二乘法的MATLAB程序 最小二乘法三次式擬合的MATLAB程序 以第13天的1時刻的負荷為例，編寫的MATLAB程序如下：A=ones(13,4)。人生的每個階段都值得好好珍惜，這段青蔥歲月，在你們的關心和幫助下，我不斷成長。同時也要感謝我的母校合肥工業(yè)大學，給了我知識，給了我思想，給了我成長，也給了我舞臺。在論文的不斷修改中，我也努力做到及時積極地老師交流，使我的論文得到不斷地完善。老師嚴肅的科學態(tài)度，嚴謹?shù)闹螌W精神，精益求精的工作作風，深深地感染和激勵著我。老師平日里工作繁多，但在我做畢業(yè)設計的每個階段，從一開始查閱資料，論文方向的選定，中期檢查，后期詳細地設計到最后整篇文論的完成，都非常耐心的對我進行指導。由于樣本數(shù)據(jù)量的限制，沒有對它相關信息(包括天氣情況、溫度、降雨量、相對濕度等)與負荷變化的關系問題加入到模型中進行分析,在模型中需要進一步考慮跟多的因素；本文的預測工作并未考慮特殊節(jié)假日和周末的這些對電力負荷帶來很大影響的負荷預測，需要建立較好的模型還有待進一步學習和完善；同時對于隱含層數(shù)的選擇上沒有明確的參數(shù)指導，也有待一步學習與思考。(2) 針對BP網(wǎng)絡模型建立中的隱含層數(shù)確定、學習數(shù)率的選擇、初始權(quán)值及歸一化處理等相關問題進行分析，編寫相關MATLAB程序，驗證了所選模型的可行性。為滿足電力市場發(fā)展的需求，保證電力系統(tǒng)安全、優(yōu)質(zhì)、經(jīng)濟的運行，本文針對BP人工神經(jīng)網(wǎng)絡技術對電力系統(tǒng)短期負荷預測進行了研究。通過對標準BP神經(jīng)網(wǎng)絡程序的修改，提出了附加動量法，結(jié)論如下： 標準BP神經(jīng)網(wǎng)絡與附加動量神經(jīng)網(wǎng)絡循環(huán)次數(shù)對比預測方法循環(huán)次數(shù)標準BP神經(jīng)網(wǎng)絡65附加動量神經(jīng)網(wǎng)絡62由于本次設計中模型本身沒有陷入局部最小值，故上述程序設計沒有體現(xiàn)附加動量法的跳出局部最小值的作用效果，但通過循環(huán)次數(shù)的比較我們也不難看出，附加動量法同時能以更小的循環(huán)次數(shù)達到預定的精度目標，提高了訓練速度，因此比標準的BP神經(jīng)網(wǎng)絡具有更好的性能。通過增加動量項可以反映以前積累的調(diào)整經(jīng)驗，起了阻尼作用。 通過上述的相關指數(shù)（相關系數(shù)）、標準差、離散系數(shù)的分析，我們可以看出標準BP神經(jīng)網(wǎng)絡在網(wǎng)絡的擬合精度上有顯著的優(yōu)勢，具有很高的擬合精度。 兩種模型剩余標準差對比預測日模型標準BP神經(jīng)網(wǎng)絡最小二乘法第13天第14天 %，說明神經(jīng)網(wǎng)絡的預測曲線與實際曲線的相關程度明顯優(yōu)于最小二乘法，擬合精度更高。故神經(jīng)網(wǎng)絡。第14天的總離偏差和為(4) 相關系數(shù)： 兩種模型相關系數(shù)對比預測日模型標準BP神經(jīng)網(wǎng)絡最小二乘法第13天第14天 ，曲線的擬合的效果更好，相關性更強。 。 兩種模型擬合精度分析 通過剩余標準差、相關系數(shù)、離散系數(shù)來對標準BP神經(jīng)網(wǎng)絡和最小二乘法擬合精度進行比較。 兩種模型各取10次訓練時間平均值預測方法訓練時間最小二乘法標準BP神經(jīng)網(wǎng)絡。誤差整體在相對誤差方面，%%之間，%，偏離實際負荷很大。 兩種模型絕對誤差對比預測日標準BP神經(jīng)網(wǎng)絡最小二乘法最大絕對誤差最小絕對誤差平均絕對誤差最大絕對誤差最小絕對誤差平均絕對誤差第13天第14天 兩種模型相對誤差對比預測日標準BP神經(jīng)網(wǎng)絡最小二乘法最大相對誤差最小相對誤差平均相對誤差最大相對誤差最小相對誤差平均相對誤差第13天%%%%%%第14天%%%%%% 。相對誤差值基本在2%以外，在某些時刻相對誤差甚至超出了10%，其絕對誤差曲線和相對誤差曲線都波動很大。 第13天兩種模型預測負荷與實際負荷的對比圖 第14天兩種模型預測負荷與實際負荷的對比圖 ，沒有達到很好的擬合，而標準BP神經(jīng)網(wǎng)絡基本與實際負荷曲線吻合，不存在點的偏差情況，擬合度明顯比最小二乘法好。 第13天標準BP神經(jīng)網(wǎng)絡和最小二乘法的負荷數(shù)據(jù)和誤差表時間實際負荷(A)標準BP神經(jīng)網(wǎng)絡最小二乘法預測值(A)絕對誤差相對誤差預測值(A)絕對誤差相對誤差116%%220%%324%%429%%532%%632%%735%%831%%927%%1026%%1123%%1226%%1333%%1432%%1529%%1629%%1727%%1824%%1919%%2013%%2112%%2212 %%2313 %%2413 %% 第14天標準BP神經(jīng)網(wǎng)絡和最小二乘法的負荷數(shù)據(jù)和誤差表時間實際負荷(A)標準BP神經(jīng)網(wǎng)絡最小二乘法預測值(A)絕對誤差相對誤差預測值(A)絕對誤差相對誤差115%%219%%322%%426%%530%%630%%730%%827%%921%%1020%%1121%%1223%%1326%%1426%%1524%%1621%%1719%%1819%%1915%