【正文】 end。 ]39。 。 。 。 。 。 。 。 。 。%繪制預(yù)報(bào)誤差曲：X=[ ]39。P_test=[ ]39。hold on。=。=1000。trainrp39。logsig39。tansig39。 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。 ]39。 。 。 。 。 。 。 。 。 ]39。 。 。 。 。 。 。 。 。for j=1:24 A(j,:)=(max(s(j,:))min(s(j,:)))*Out(j,:)+min(s(j,:))。 。 。 。 。plot(1:24,XOut)%反歸一化處理30號(hào)的負(fù)荷預(yù)測(cè)值s=[ 。Out=sim(net,P_test)。figure。net=train(net,P,T)。=。)。},39。,39。net=newff(threshold,[53,24],{39。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。 0 1。threshold=[0 1。 。 。 。T=[ 。 。 。 。End附錄B：完整的MATLAB 代碼%休息日預(yù)測(cè)P=[ 。 ]39。 。 。 。 。 。 。 。 。 。%P表示歸一化后的輸入向量for i=1:26 P(i,:)=(p(i,:)min(p(i,:)))/(max(p(i,:))min(p(i,:)))。 。 。 。 。此外，我還要感謝我所列參考文獻(xiàn)的作者，正是他們的許多研究成果給了我很大的幫助，在此表示誠(chéng)摯的謝意！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] [M].北京：中國(guó)電力出版社，2001.[4] 于爾鏗，劉廣一，（EMS）[M].北京：科學(xué)出版社，1998.[5] 張乃堯，[M].北京：清華大學(xué)出版社，1998. [6] 牛東曉，曹樹華，[M].北京：中國(guó)電力出版社，1998.[7] [M].北京：機(jī)械工業(yè)出版社，1995.[8] ［M］. 西安：西安電子科技大學(xué)出版社，1990.[9] 侯志儉，[J].中國(guó)電機(jī)工程學(xué)報(bào)，2003，23（1）：4550.[10] 冉啟文，單永正，[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2003，23（3）：3842.[11] 肖國(guó)泉，王春，[M].北京：中國(guó)電力出版社，2001.[12] [J].系統(tǒng)工程理論與實(shí)踐，1996，16（7）：99104.[13] ，數(shù)值計(jì)算，科學(xué)出版社，1959年.[14] Brown,R,G. The Fundamental Theorem of Exponential Smoothing, Operations Research, pp673685,1961.[15] 王雪峰，［Ｊ］.運(yùn)籌學(xué)學(xué)報(bào)，1998，(3)：25～29．[16] 王雪峰，［Ｊ］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，1997，(2)：23～25.[17] Chow TW network based shortterm load forecasting using weather pensation [J].IEEE Trans on PWRS. 1996, 11(4):17361742.[18] , et novel approach to shortterm load forecasting using fuzzy neural networks [J].IEEE. Transactions on Power System,1998,13(2):480492.附錄Ⅰ：歸一化MATLAB代碼%p為休息日原始輸入數(shù)據(jù)p=[ 。 在為期幾個(gè)月的設(shè)計(jì)中，同學(xué)們的團(tuán)結(jié)互助，無私幫助讓我十分的感動(dòng)，如果在這幾個(gè)月中，我單憑一己之力要完成本設(shè)計(jì)是十分困難的，因?yàn)楸驹O(shè)計(jì)的知識(shí)和內(nèi)容大部分是以前未曾接觸的，有許多新的東西要求我在短短幾個(gè)月內(nèi)消化吸收。老師淵博的知識(shí)、豐富的實(shí)踐經(jīng)驗(yàn)和嚴(yán)謹(jǐn)?shù)目茖W(xué)作風(fēng)讓我十分敬佩，老師不辭辛勞，對(duì)每一個(gè)細(xì)節(jié)的詳細(xì)講解、指導(dǎo)和答疑解惑讓我們深受啟發(fā)，并深為感動(dòng)。自適應(yīng)學(xué)習(xí)速率法是在學(xué)習(xí)過程中不斷修正學(xué)習(xí)速率，有利于提高學(xué)習(xí)效率，縮短學(xué)習(xí)時(shí)間。（3） 針對(duì)BP算法中存在的收斂速度慢、易陷入局部最小值的問題，可采用附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率法在一定程度上解決這些問題。（2） 提高網(wǎng)絡(luò)預(yù)測(cè)能力的主要途徑有:a盡可能增加樣本的涵蓋面；b在輸入中盡可能地包括影響輸出的主要因子；c確定適當(dāng)?shù)氖諗空`差。結(jié)束語本文介紹的電力中、短期負(fù)荷預(yù)測(cè)的特點(diǎn)，即都是受多個(gè)影響因素共同影響，且各個(gè)因素之間有著比較復(fù)雜的關(guān)系，具有高度不確定的非線性系統(tǒng)，利用傳統(tǒng)的預(yù)測(cè)方法有著諸多限制，而采用神經(jīng)網(wǎng)絡(luò)方法則能較好地克服這些限制，實(shí)現(xiàn)精確的非線性預(yù)測(cè)。 休息日預(yù)測(cè)結(jié)果對(duì)照預(yù)測(cè)時(shí)段實(shí)際值/MW預(yù)測(cè)值/MW誤差/%1：002：003：004：005：006：007：008：009：0010：0011：0012：0013：0014：0015：0016：0017：0018：0019：0020：0021：0022：0023：0024：00，17個(gè)點(diǎn)的誤差的絕對(duì)百分誤差小于5%，%，%，%，表明預(yù)測(cè)取得了較滿意的結(jié)果。 (休息日)預(yù)報(bào)誤差 (工作日)預(yù)報(bào)誤差(5) 結(jié)論分析電力負(fù)荷預(yù)測(cè)是電力調(diào)度、用電、計(jì)劃、規(guī)劃等部門的重要工作，國(guó)內(nèi)外關(guān)于短期負(fù)荷預(yù)測(cè)的文獻(xiàn)很多，但是由于電力負(fù)荷受諸多因素的影響和負(fù)荷本身的不確定性，使得迄今還沒有一種十分滿意的方法。這里利用仿真函數(shù)sim來計(jì)算網(wǎng)絡(luò)的輸出。工作日測(cè)試代碼如下：P_test=[ ]39。休息日測(cè)試代碼如下：P_test=[ ]39。 %P為輸入向量，T為目標(biāo)向量休息日訓(xùn)練結(jié)果為：TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 17/1000, MSE , Gradient TRAINRP, Performance goal met.工作日訓(xùn)練結(jié)果為:TRAINRP, Epoch 0/1000, MSE , Gradient TRAINRP, Epoch 22/1000, MSE , Gradient TRAINRP, Performance goal met.可見，經(jīng)過次訓(xùn)練后，網(wǎng)絡(luò)誤差達(dá)到要求，(休息日訓(xùn)練結(jié)果)所示,(工作日訓(xùn)練結(jié)果)所示。=。 訓(xùn)練參數(shù)訓(xùn)練次數(shù)訓(xùn)練目標(biāo)學(xué)習(xí)速率1000訓(xùn)練代碼如下：=1000。考慮到網(wǎng)絡(luò)的結(jié)構(gòu)比較復(fù)雜，神經(jīng)元個(gè)數(shù)比較多，需要適當(dāng)增大訓(xùn)練次數(shù)和學(xué)習(xí)速率?！畉rainrp’表示設(shè)定網(wǎng)絡(luò)的訓(xùn)練函數(shù)為trainrp ,它采用BP算法進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)。net=newff(threshold,[53,24],{‘tansig’,’logsig’},’trainrp’)。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。0 1。利用以下代碼創(chuàng)建一個(gè)滿足上述要求的BP網(wǎng)絡(luò)：threshold=[0 1。網(wǎng)絡(luò)中間層的神經(jīng)元傳輸函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)logsig。本文由于輸入向量有26個(gè)元素，所以網(wǎng)絡(luò)輸入層的神經(jīng)元有26個(gè)，經(jīng)過多次訓(xùn)練網(wǎng)絡(luò)中間層的神經(jīng)元可以取53個(gè)。123824n1224輸出層隱 層輸入層 預(yù)測(cè)24點(diǎn)負(fù)荷的BP網(wǎng)絡(luò)BP網(wǎng)絡(luò)是系統(tǒng)預(yù)測(cè)中應(yīng)用特別廣泛的一種網(wǎng)絡(luò)形式，因此，本文采用BP網(wǎng)絡(luò)對(duì)負(fù)荷值進(jìn)行預(yù)報(bào)。 總之，樣本的選取過程需要注意代表性、均衡性和用電負(fù)荷的自身特點(diǎn)，從而選擇合理的訓(xùn)練樣本。即，或者增加每日的測(cè)量點(diǎn)，或者把預(yù)測(cè)日前幾天的負(fù)荷數(shù)據(jù)作為輸