【正文】 。 。 。 。 。 。 。 。 。 %P 表示歸一化后的輸入向量 for i=1:26 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 35 頁 共 41 頁 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，在此表示誠摯的謝意！ 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 33 頁 共 41 頁 參 考 文 獻(xiàn) [1] 飛思科技產(chǎn)品研發(fā)中心編 .神經(jīng)網(wǎng)絡(luò)理論與 MATLAB7 實(shí)現(xiàn) [M].北京：電子工業(yè)出版社 ,20xx. [2] 許東， 吳錚編著 .基于 的系統(tǒng)分析與設(shè)計(jì) —— 神經(jīng)網(wǎng) 絡(luò) [M].西安：西安電子科技大學(xué)出版社， 20xx. [3] 趙希正編著 .中國電力負(fù)荷特性分析與預(yù)測 [M].北京：中國電力出版社， 20xx. [4] 于爾鏗，劉廣一， 周京陽等編著 .能量管理系統(tǒng)（ EMS） [M].北京：科學(xué)出版社，1998. [5] 張乃堯， 閻平凡編著 .神經(jīng)網(wǎng)絡(luò)與模糊控制 [M].北京：清華大學(xué)出版社， 1998. [6] 牛東曉，曹樹華， 趙磊等編著 .電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用 [M].北京：中國電力出版社， 1998. [7] 諸靜編著 .模糊控制原理與應(yīng)用 [M].北京：機(jī)械工業(yè)出版社， 1995. [8] 焦李成 .神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論［ M］ . 西安： 西安電子科技大學(xué)出版社， 1990. [9] 侯志儉 ， 李濤等 .基于小波分析的電力系統(tǒng)短期負(fù)荷預(yù)測方法 [J].中國電機(jī)工程學(xué)報(bào)， 20xx， 23（ 1）： 4550. [10] 冉啟文 ， 單永正 ， 王騏等 .電力系統(tǒng)短期負(fù)荷預(yù)報(bào)的小波 神經(jīng)網(wǎng)絡(luò) PARIMA 方法[J]. 中國電機(jī)工程學(xué)報(bào)， 20xx， 23（ 3）： 3842. [11] 肖國泉 ， 王春 ， 張福偉編著 .電力負(fù)荷預(yù)測 [M].北京：中國電力出版社， 20xx. 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 34 頁 共 41 頁 [12] 施泉生 .短期負(fù)荷 預(yù)報(bào)模型庫的研究及應(yīng)用 [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 ， 馮英浚 .多層神經(jīng)網(wǎng)絡(luò)的一個(gè)快速算法［Ｊ］ .運(yùn)籌學(xué)學(xué)報(bào)， 1998， (3)：25～ 29． [16] 王雪峰 ， 馮英浚 .多層神經(jīng)網(wǎng)絡(luò)的一種新學(xué)習(xí)算法 ［Ｊ］ .哈爾濱工業(yè)大學(xué)學(xué)報(bào)，1997， (2)： 23～ 25. [17] Chow TW work 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 works [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。 表 休息日預(yù)測結(jié)果對(duì)照 預(yù)測時(shí)段 實(shí)際值 /MW 預(yù)測值 /MW 誤差 /% 1： 00 2： 00 3： 00 4： 00 5： 00 6： 00 7： 00 8： 00 9： 00 10： 00 11： 00 12： 00 13： 00 14： 00 15： 00 16： 00 17： 00 18： 00 19： 00 20： 00 21： 00 22： 00 23： 00 24： 00 從表 可見， 17 個(gè)點(diǎn)的誤差的絕對(duì)百分誤差小于 5%，最小絕對(duì)百分誤差為 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 30 頁 共 41 頁 %，最大絕對(duì)百分誤差為 %，平均絕對(duì)百分誤差為 %，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(duì)未來負(fù)荷影響的因素后，使用了神經(jīng)網(wǎng) 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 29 頁 共 41 頁 絡(luò)的非線性擬合等功能 [18]，取得了較好的負(fù)荷預(yù)測效果。預(yù)報(bào)誤差曲線如圖 (休息日預(yù)報(bào)誤差曲線 )所示 ,圖 (工作日預(yù)報(bào)誤差曲線 )所示。 Out=sim(,P_test)。 Out=sim(,P_test)。 圖 (休息日 )訓(xùn)練結(jié)果 本科畢業(yè)設(shè)計(jì)說明書（論文） 第 27 頁 共 41 頁 圖 (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。 =train(,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)。如圖 預(yù)測 24點(diǎn)負(fù)荷的 BP 網(wǎng)絡(luò)?？傊瑯颖镜倪x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，或者增加每日的測量點(diǎn)，或者把預(yù)測日前幾天的負(fù)荷數(shù)據(jù)作為輸入向量。由于這都是實(shí)際的測量值，因此，這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。 獲得輸入和輸出變量后，要對(duì)其進(jìn)行歸一化處理，將數(shù)據(jù)處理為區(qū)間 [0， 1]之間的數(shù)據(jù)。 顯而易見，目標(biāo)向量就是預(yù)測日當(dāng)天的 24 個(gè)負(fù)荷值，即一天中每個(gè)整點(diǎn)的電力負(fù)荷。這里將電力負(fù)荷預(yù)測日當(dāng)日的氣象特征數(shù)據(jù)作為 網(wǎng)絡(luò)的輸入變量 [17]。 此外，由于電力負(fù)荷還與環(huán)境因素有關(guān)，如最高和最低溫度等。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變，因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)重大事故等特殊情況。 本文采用第 1 種負(fù)荷劃分模式，將一 周的 7 天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類型?？v觀已經(jīng)發(fā)表的文獻(xiàn)資料，大體有以下幾種劃分模式： a 將一周的 7 天分為工作日（星期一到星期五）和休息日（星期六和星期天）等兩種類型； b 將一周分為星期一、星期二到星期四、星期五、星期六、星期天等 5 種類型。近年來的研究表明，相對(duì)于前兩種方法，利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)報(bào)可獲得更高的精度。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對(duì)輸入變量做復(fù)雜的相關(guān)假設(shè)的能力。眾所周知，負(fù)荷曲線是很多因素相關(guān)的一個(gè)非線性函數(shù)。由于神經(jīng)網(wǎng)絡(luò)所具有的較強(qiáng)的非線性映射等特性，它常被用于負(fù)荷預(yù)測。電力系統(tǒng)負(fù)荷變化受多方面的影響，一方面，負(fù)荷變化存在著由未知不確定的因素引起的隨機(jī)的波動(dòng)；另一方面，又具有周期變化的規(guī)律性，這也使得負(fù)荷曲線具有相似性。對(duì)于神經(jīng)網(wǎng)絡(luò)，這是一個(gè)仍有待于進(jìn)一步研究的問題。但實(shí)際工作時(shí)的輸入信號(hào) 很難事先給定，因?yàn)榭刂颇繕?biāo)是使系統(tǒng)輸出具有期望的運(yùn)動(dòng)，對(duì)于未知控制系統(tǒng)期望輸入不可能給出。因此，在建立系統(tǒng)逆模型時(shí)，可逆性應(yīng)該事先有所保證。由圖可見，擬預(yù)報(bào)的系統(tǒng)輸出作為網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)輸出與系統(tǒng)輸入比較，相應(yīng)的輸入誤差用于訓(xùn)練，因此網(wǎng)絡(luò)將通過學(xué)習(xí)建立系統(tǒng)的逆模型。 直接逆向建模也稱為廣義逆學(xué) 習(xí)，如圖 所示。 圖 正向建模結(jié)構(gòu) (2) 逆向建模 建立動(dòng)態(tài)系統(tǒng)的逆模型，在神經(jīng)網(wǎng)絡(luò)控制中起著關(guān)鍵的作用，并且得到了特別廣泛的應(yīng)用。當(dāng)系統(tǒng)是被控對(duì)象或傳統(tǒng)控制器時(shí)，神經(jīng)網(wǎng)絡(luò)多采用多層前向網(wǎng)絡(luò)的形式，可直接選用 BP 網(wǎng) 絡(luò)或它的各種變形。正向建模的結(jié)構(gòu)如圖所示，其中神經(jīng)網(wǎng)絡(luò)與待辨別的系統(tǒng)并聯(lián)，兩者的輸出誤差用做網(wǎng) 絡(luò)的訓(xùn)練信號(hào)。遞增模式，就是每增加一個(gè)輸入樣本，重新計(jì)算一次梯度并調(diào)整權(quán)值；批處理模式，就是利用所有的輸入樣本計(jì)算梯度，然后調(diào)整權(quán)值。 假設(shè)三層 BP 網(wǎng)絡(luò) ,輸入節(jié)點(diǎn) ,隱層節(jié)點(diǎn) ,輸出節(jié)點(diǎn) [15]。 BP(誤差反向傳播算法 )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(duì)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 . 1k k k kx x a g? ?? （ 41） 其中 kx 是當(dāng)前的權(quán)值和閾值矩陣 , kg 是當(dāng)前表現(xiàn)函數(shù)的梯度 , ka 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)化學(xué)習(xí)。相互連接型網(wǎng)絡(luò)是指網(wǎng)絡(luò)中任意兩個(gè)單元之間都可以相互連接。按照神經(jīng)元連接的拓?fù)浣Y(jié)構(gòu)不同，可分為分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。激活函數(shù)有許多種類型，其中比較常用的激活函數(shù)可歸結(jié)為三種形式 :閩值型， S型和線性型。 (2) 人工神經(jīng)元基本原理 人工神經(jīng)元模型是生物神經(jīng)元的模擬與抽象。從而可以用于以后的預(yù)測。前饋型神經(jīng)網(wǎng)絡(luò)的基本原理是 :神經(jīng)網(wǎng)絡(luò)在組成時(shí)，各個(gè)神經(jīng)元通過一定權(quán)值相連，神經(jīng)網(wǎng)絡(luò)在使用之前必須確定這些權(quán)值，而沒有經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的權(quán)值是沒有任何意義的，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程就是通過已知數(shù)據(jù)確定權(quán)值的過程。前饋神經(jīng)網(wǎng)絡(luò)模型是指那些在網(wǎng)絡(luò)中各處理單元之間的連接都是單向的，而且總是指向網(wǎng)絡(luò)輸出方向的網(wǎng)絡(luò)模型 。Hopfield網(wǎng)絡(luò)模型和 Hamming網(wǎng)絡(luò)模型。反饋型網(wǎng)絡(luò)模型是一種反饋動(dòng)力學(xué)系統(tǒng)，它具有極復(fù)雜的動(dòng)力學(xué)特性?！比斯ど窠?jīng) 網(wǎng)絡(luò)是最近發(fā)展起來的十分 熱門的交叉學(xué)科，它涉及生物、電子、計(jì)算機(jī)、數(shù)學(xué)和物理學(xué)科，有著非常廣泛的應(yīng)用背景，這門學(xué)科的發(fā)展對(duì)日前和末來的科學(xué)技術(shù)的發(fā)展有重要的影響。