【正文】 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，各個神經(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)模型是一種反饋動力學(xué)系統(tǒng)，它具有極復(fù)雜的動力學(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)展對日前和末來的科學(xué)技術(shù)的發(fā)展有重要的影響。、基于人工神經(jīng)網(wǎng)絡(luò)日負(fù)荷預(yù)測（1）人工神經(jīng)網(wǎng)絡(luò)簡介及其原理1）神經(jīng)網(wǎng)絡(luò)簡介人工神經(jīng)網(wǎng)絡(luò)的英文名稱是Artificial Neural Networks(ANN)是一種“采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的系統(tǒng)。假設(shè)每天全網(wǎng)最大負(fù)荷是各子區(qū)域最高溫度的函數(shù) （59）其中，為各子區(qū)域某一天最高溫度；為參數(shù)。上述主要以溫度為天氣因素來考慮對負(fù)荷的影響，實際應(yīng)用中，對應(yīng)一小的電網(wǎng)，或某一集中地區(qū)的負(fù)荷預(yù)測，有其合理性和可操作性，同時將帶來預(yù)測精度的提高。 上面計算日負(fù)荷變化系數(shù)，是選擇最近幾個同類型日，然后取平均值來求得，實際上可作如下改進(jìn) （58）這里，為權(quán)重系數(shù)，滿足。方法是，假定每天最大負(fù)荷是每天最高溫度的函數(shù) （55）每天最小負(fù)荷是每天最低溫度的函數(shù) （56）然后根據(jù)過去幾天的最大負(fù)荷和最小負(fù)荷記錄及對應(yīng)的最高溫度和最低溫度記錄，用最小二乘方法決定系數(shù)。4）讀取預(yù)測地區(qū)該預(yù)測日的最高溫度和最低溫度。2）取和預(yù)測日同類型的過去幾天負(fù)荷并分別歸一化，歸一化如下： （51）其中，為第k日第小時負(fù)荷數(shù)據(jù)的歸一化值；為第k日第小時負(fù)荷數(shù)據(jù)；為第k日最小負(fù)荷數(shù)據(jù)；為第k日最大負(fù)荷數(shù)據(jù)。電力短期負(fù)荷預(yù)測研究、基于溫度準(zhǔn)則的外推方法對于日負(fù)荷預(yù)測來說，工作日和休假日負(fù)荷曲線差別明顯，其次，天氣因素，特別是溫度對負(fù)荷有較大的影響，由此，采用基于溫度準(zhǔn)則的外推方法，首先根據(jù)過去數(shù)個同類型日得出預(yù)測日的負(fù)荷變化系數(shù)，認(rèn)為同類型的負(fù)荷變化規(guī)律相近，其次，假定每個同類型日負(fù)荷數(shù)據(jù)和溫度數(shù)據(jù)，求出其相關(guān)系數(shù)，最后,在預(yù)測到預(yù)測日最高溫度和最低溫度出情況下，預(yù)測出預(yù)測日的最大負(fù)荷和最小負(fù)荷，再由預(yù)測日的負(fù)荷變化系數(shù)，最終求出預(yù)測日的各點負(fù)荷預(yù)測值。反向傳播BP學(xué)習(xí)算法用來確定高斯型模糊邏輯系統(tǒng)的參數(shù)，經(jīng)過辨識的模型能夠很好的逼近真實系統(tǒng)，進(jìn)而達(dá)到提高預(yù)測精度的目的。函數(shù)逼近就是模糊邏輯系統(tǒng)可以在任意精度上，一致逼近任何定義在一個致密集上的非線性函數(shù)，其優(yōu)勢在于它有能夠系統(tǒng)而有效地利用語言信息的能力。④反向傳播學(xué)習(xí)算法：模糊邏輯系統(tǒng)應(yīng)用主要在于它能夠作為非線性系統(tǒng)的模型，包括含有人工操作員的非線性系統(tǒng)的模型。但主要缺點是模型精度不高，訓(xùn)練時間太長。模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)似乎有著天然的聯(lián)系，模糊神經(jīng)網(wǎng)絡(luò)在本質(zhì)上是模糊系統(tǒng)的實現(xiàn)，就是將常規(guī)的神經(jīng)網(wǎng)絡(luò)(如前向反饋神經(jīng)網(wǎng)絡(luò)，HoPfield神經(jīng)網(wǎng)絡(luò))賦予模糊輸入信號和模糊權(quán)。高木關(guān)野模糊預(yù)測算法雖然已得到了很大的應(yīng)用，適用于各種復(fù)雜的建模，取得了較好的預(yù)測效果，但是它對輸入變量的要求較高等缺點，這必然限制了它的應(yīng)用。結(jié)論部的函數(shù)f(X)也可以用神經(jīng)網(wǎng)絡(luò)來表示。這是一種簡單易行的易于理解的算法，因為它是個順序生成過程，無需反復(fù)學(xué)習(xí)，因此，這個方法同樣具有模糊系統(tǒng)優(yōu)于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的一大優(yōu)點，即構(gòu)造起來既簡單又快速。①表格查尋法：表格法是一種相對簡單明了的算法。模糊系統(tǒng)對于任意一個非線性連續(xù)函數(shù)，就是找出一類隸屬函數(shù)，一種推理規(guī)則，一個解模糊方法，使得設(shè)計出的模糊系統(tǒng)能夠任意逼近這個非線性函數(shù)。模糊控制是在所采用的控制方法上應(yīng)用了模糊數(shù)學(xué)理論，使其進(jìn)行確定性的工作，對一些無法構(gòu)造數(shù)學(xué)模型的被控過程進(jìn)行有效控制。這些優(yōu)點決定了小波分析可以有效地應(yīng)用于負(fù)荷預(yù)測問題的研究。小波分析是一種時域——頻域分析方法，它在時域和頻域上同時具有良好的局部化性質(zhì)，并且能根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密，它容易捕捉和分析微弱信號以及信號、圖象的任意細(xì)小部分。而Wicherhanseer等將Mallat算法進(jìn)一步深化，提出了小波包算法，取得了信號的最佳時頻分解。1990年，Daubechies在美國作了10次小波講座，把小波介紹到工程界中，“小波熱”就開始了。它在數(shù)學(xué)信號的小波分解過程中提供有限的從而更實際、更具體的數(shù)字濾波器。1987年，Mallat巧妙地將計算機(jī)視覺領(lǐng)域內(nèi)的多尺度分析的思想引入到小波分析中小波函數(shù)的構(gòu)成及信號按小波變換的分解及重組，從而成功地統(tǒng)一了此前的各種具體小波函數(shù)的構(gòu)造，并研究了小波變換的離散化情形，得到相應(yīng)的Mallat金字塔式算法，顯著地減少了計算量，使小波分析具有工程實用價值。1986年，法國數(shù)學(xué)家Mayer創(chuàng)造性地構(gòu)造出了一個具有一定衰減特性的光滑函數(shù)，它的二進(jìn)制伸縮和平移系構(gòu)成L（R）的規(guī)范正交基，實現(xiàn)了信號在時頻空間同時局部化的正交分解。1984年法國地球物理學(xué)家Morlet在分析地震波的局部性時，把小波運用于對信號分解，取得了滿意的分析結(jié)果。小波分析方法的提出，可以追溯到1910年Harr提出的“小波”規(guī)范正交基及1938年LittlewoodPaley對Fourier變換的相位變化本質(zhì)上不影響函數(shù)的LP理論。由于小波分析在理論上的完美性以及在應(yīng)用上的廣泛性，在短短的幾年中，受到了科學(xué)界、工程界的高度重視，并且在信號處理、圖象處理、模式識別、地震預(yù)報、故障診斷、狀態(tài)監(jiān)視、CT成象、語言識別、雷達(dá)等十幾個科學(xué)領(lǐng)域中得到應(yīng)用。4）小波分析預(yù)測技術(shù)小波分析（Wavelet）是本世紀(jì)數(shù)學(xué)研究成果中最杰出的代表。神經(jīng)網(wǎng)絡(luò)理論是利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)功能，讓計算機(jī)學(xué)習(xí)包含在歷史負(fù)荷數(shù)據(jù)中的映射關(guān)系，再利用這種映射關(guān)系預(yù)測未來負(fù)荷。誤差反向傳播算法又稱為BP法，提出一個簡單的三層人工神經(jīng)網(wǎng)絡(luò)模型，就能實現(xiàn)從輸入到輸出間非線性映射任何復(fù)雜函數(shù)關(guān)系。因此，預(yù)測被當(dāng)作人工神經(jīng)網(wǎng)絡(luò)（簡記為ANN）最有潛力的應(yīng)用領(lǐng)域之一，許多人都試圖應(yīng)用反傳學(xué)習(xí)算法訓(xùn)練ANN。但是，把專家知識和經(jīng)驗等準(zhǔn)確地轉(zhuǎn)化為一系列規(guī)則是非常不容易的。負(fù)荷預(yù)測是城網(wǎng)規(guī)劃部門所面臨的較難處理的基礎(chǔ)工作，還由于預(yù)測過程容易出現(xiàn)人為差錯及預(yù)測專家比較缺乏，使本方法具有較為廣泛的使用前景。所以，一個完整的專家系統(tǒng)是有四部分組成的，即知識庫、推理機(jī)、知識獲取部分和解釋界面。借助專家系統(tǒng)，負(fù)荷預(yù)測人員能識別預(yù)測日所屬的類型，考慮天氣因素對負(fù)荷預(yù)測的影響，按照一定的推理進(jìn)行負(fù)荷預(yù)測。在此基礎(chǔ)上，進(jìn)一步研究了離散函數(shù)光滑性，微分方程背景值、平射性等一些基本問題，同時也考慮了有限和無限的相對性，定義了指標(biāo)集拓?fù)淇臻g的灰導(dǎo)數(shù)，最后解決了微分方程的建模問題。這一工作開始并不順利，一時建立不起可供應(yīng)的模型。后來，他接受了全國糧食預(yù)測的課題，為了搞好預(yù)測工作，他研究了概率統(tǒng)計追求大樣本量，必須先知道分布規(guī)律、發(fā)展趨勢，而時間序列法只致力于數(shù)據(jù)的擬合，不注重規(guī)律的發(fā)展。灰色系統(tǒng)理論的形成是有過程的。灰色系統(tǒng)理論把負(fù)荷序列通過生成變換，使其變化為有規(guī)律的生成數(shù)列再建模，用于負(fù)荷預(yù)測。1)灰色數(shù)學(xué)理論灰色數(shù)學(xué)理論是把負(fù)荷序列看作一真實的系統(tǒng)輸出，它是眾多影響因子的綜合作用結(jié)果。（2）現(xiàn)代負(fù)荷預(yù)測方法20世紀(jì)80年代后期，一些基于新興學(xué)科理論的現(xiàn)代預(yù)測方法逐漸得到了成功應(yīng)用。雖然經(jīng)典的數(shù)學(xué)統(tǒng)計方法具有速度快的優(yōu)點，但是其預(yù)測模型比較簡單，很難準(zhǔn)確描述負(fù)荷預(yù)測的實際模型，所以其精度較差?；貧w模型雖然考慮了氣象信息等因素，但需要事先知道負(fù)荷與氣象變量之間的函數(shù)關(guān)系，這是比較困難的。從數(shù)學(xué)上看，就是利用數(shù)理統(tǒng)計中的回歸分析方法，通過對變量的觀測數(shù)據(jù)進(jìn)行分析，確定變量之間的相互關(guān)系，從而實現(xiàn)預(yù)測目的。時間列模型的缺點在于不能充分利用對負(fù)荷性能有很大影響的氣候信息和其他因素，導(dǎo)致了預(yù)報的不準(zhǔn)確和數(shù)據(jù)的不穩(wěn)定。隨機(jī)型時間序列預(yù)測模型可以看作一個線性濾波器。它利用了電力負(fù)荷變動的慣性特征和時間上的延續(xù)性，通過對歷史數(shù)據(jù)時間序列的分析處理，確定其基本特征和變化規(guī)律，預(yù)測未來負(fù)荷。、電力負(fù)荷預(yù)測基本算法電力負(fù)荷預(yù)測分為經(jīng)典預(yù)測方法和現(xiàn)代預(yù)測方法。詳細(xì)地考慮特別事件（天氣）負(fù)荷分量，是一件復(fù)雜的工作，可以專門用專家系統(tǒng)來做實際工作中一般做適當(dāng)簡化，目前，常把特別事件和天氣對負(fù)荷的影響分開考慮，特別事件用前已講過的乘子模型或疊加模型考慮；天氣變化對負(fù)荷的影響，一般主要考慮溫度影響，把負(fù)荷看作是溫度的函數(shù)，由歷史負(fù)荷數(shù)據(jù)和溫度記，通過線性同歸的辦法，來確定其關(guān)系。周期模型用來描敘24小時為周期的變化規(guī)律，在分析日負(fù)荷曲線形狀時，除掉日平均負(fù)荷的變化因素，將連續(xù)幾天的日負(fù)荷變化畫在一張圖上，可以看出明顯的周期性，即以24小時為周期循環(huán)變化。短期負(fù)荷預(yù)測基本模型是指24小時的日負(fù)荷預(yù)測和168小時的周負(fù)荷預(yù)測，列舉其預(yù)測周期，知其基本變化規(guī)律可由線性變化模型和周期變化模型來描敘，日負(fù)荷至周負(fù)荷的變化，受特別事件影響明顯，對應(yīng)特別事件負(fù)荷分量模型，同附和隨機(jī)負(fù)荷分量。所以，對于一個含有趨勢項的非平穩(wěn)隨機(jī)過程，可有下式來描述： （413）它即稱為ARIMA模型。具有周期變化規(guī)律的非平穩(wěn)時間序列V(t)，它按固定的周期T呈現(xiàn)的規(guī)律變動。某些非平穩(wěn)隨機(jī)序列V(t)，例如均值不為0的非平穩(wěn)隨機(jī)過程，經(jīng)一階差分后得到的序列（1B）V(t)有可能是平穩(wěn)的。2）動平均模型動平均模型（MA）描述的過程是它的現(xiàn)在值V(t)可由其現(xiàn)在和過去的干擾值的有限項的加權(quán)和來表示，即 （410） 同樣，模型的階數(shù)q和系數(shù)（=1，2，…,q），由過去的歷史值通過模型辨別和參數(shù)估計決定。目前，處理這樣問題的最有效辦法是BoxJenkins的時間序列法，其基本的時間序列模型有下述4種。乘子模型，是用一個乘子k來表示特別事件對負(fù)荷的影響程度，k一般接近于1，那么，特別事件負(fù)荷分量為 （47）疊加模型，是直接把特別事件引起的負(fù)荷變化值當(dāng)成特別事件負(fù)荷分量，即 （48）（4）隨機(jī)負(fù)荷分量模型上述各分量的數(shù)學(xué)模型，都不適應(yīng)于隨機(jī)負(fù)荷分量。人工修正方法通常用因子模型來描述。其特點是只有積累大量的事件記錄，才能從中分析出某些事件的出現(xiàn)對負(fù)荷的影響程度，從而作出特別事件對負(fù)荷的修正規(guī)則。在之間一段溫度上，電熱和冷氣均不開放，負(fù)荷和溫度沒什么關(guān)系。（1） 天氣敏感負(fù)荷分量模型影響負(fù)荷的天氣因素，有溫度、濕度、風(fēng)力、陰晴等，這里以溫度為例說明天氣敏感負(fù)荷模