【正文】 入向量。由于這都是實際的測量值，因此，這些數(shù)據(jù)可以對網(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個負(fù)荷值，即一天中每個整點的電力負(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)荷值曲線相鄰的點之間不會發(fā)生突變，因此后一時刻的值必然和前一時刻的值有關(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。縱觀已經(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)報可獲得更高的精度。神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于它具有模擬多變量而不需要對輸入變量做復(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；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。對于神經(jīng)網(wǎng)絡(luò)，這是一個仍有待于進(jìn)一步研究的問題。但實際工作時的輸入信號很難事先給定，因為控制目標(biāo)是使系統(tǒng)輸出具有期望的運(yùn)動，對于未知控制系統(tǒng)期望輸入不可能給出。因此，在建立系統(tǒng)逆模型時，可逆性應(yīng)該事先有所保證。由圖可見，擬預(yù)報的系統(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)。動態(tài)系統(tǒng)神經(jīng)網(wǎng)絡(luò)Ud++_ey 正向建模結(jié)構(gòu)(2) 逆向建模建立動態(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)是被控對象或傳統(tǒng)控制器時，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。遞增模式，就是每增加一個輸入樣本，重新計算一次梯度并調(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,隱層節(jié)點,輸出節(jié)點[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. （41）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)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。 4 人工神經(jīng)網(wǎng)絡(luò)日負(fù)荷預(yù)測方法的原理及MATLAB實現(xiàn) 基于人工神經(jīng)網(wǎng)絡(luò)日負(fù)荷預(yù)測方法的原理 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)。所有指數(shù)平滑法都會遇到這種給定值的問題的。首先計算t=23時段用電的前兩次平滑值然后利用前兩次平滑值計算t=23時段的擬合常數(shù)最后求出對t=24時段的預(yù)測值同理可得到令預(yù)測誤差為 （328）并定義平均誤差ME （329） 平均絕對值誤差MAE （330）平均方差MSE （331）如果從t=10到t=24進(jìn)行誤差統(tǒng)計，則可從表54的計算結(jié)果得到為了利用式（316）及式（318）等，首先必須知道。 線性指數(shù)平滑法的計算過程11421421422151316041385136617371418140916110179111631217013205141921520616217172281822419203202262122222241232382426525(m=1)26(m=2)27(m=3)28(m=4)29(m=5)30(m=6)表中各列分別為：1 原始記錄數(shù)據(jù)；2 一次指數(shù)平滑值，由式（316）求得；3 二次指數(shù)平滑值，由式（318）求得；4 系數(shù)，由式（322）求得；5 系數(shù)，由式（323）求得；6 預(yù)測值，由式（321）求得；整個計算中。例如，當(dāng)時間序列有線性趨勢時，我們用線性指數(shù)平滑法進(jìn)行預(yù)測 （321）式中系數(shù)可由t時刻的前二次指數(shù)平滑值來表示 （322） （323）當(dāng)時間序列具有拋物線趨勢時，我們用平方指數(shù)平滑法進(jìn)行預(yù)測 （324）式中系數(shù)可由t時刻的前三次指數(shù)平滑值來表示 （325） （326） （327）應(yīng)用研究：已知江蘇泰州某小區(qū)兩年來用電情況如下表（單位為MkWh）。在這種情況下，需要高次指數(shù)平滑法。平滑系數(shù)a可根據(jù)最小方差的原則來決定，即選幾個a可能的取值分別計算平滑值與相應(yīng)實際值的均方差/t,并選取其中均方差最小的平滑系數(shù)a。因此式（313）（314）可以改寫為 （316） （317）將t=1,2,……，n的所有一次指數(shù)平滑值作為新的時間序列，再次進(jìn)行指數(shù)平滑，我們就得到了原時間序列的二次指數(shù)平滑 （318）同理，如以（1，2，……，n）做為新的時間序列進(jìn)行指數(shù)平滑，又可得到三次指數(shù)平滑值 （319）依此類推。這就是指數(shù)平滑的由來，它也符合了離目前越近的數(shù)據(jù)，對未來預(yù)測影響越大的原則。在時刻t預(yù)測t+1時刻的數(shù)值時，只需知道t時刻的實際值及預(yù)測值；(2) 對不同時刻的數(shù)據(jù)做了不等權(quán)的處理。實際上，由式(310)可知 （311）式（310）減去（311）得 （312）令代替式中，即可得到 （313） （314）該式可以被理解為下一時刻的預(yù)測值等于本時刻預(yù)測值再加上一個誤差修正項，這就是一次指數(shù)平滑法。其優(yōu)點是計算簡單，缺點是：1要保存的歷史數(shù)據(jù)比較多，如預(yù)測的項目很多就要保存大量歷史數(shù)據(jù)；2它對所有數(shù)據(jù)都同等對待，而從直觀和經(jīng)驗上看，我們在預(yù)測時應(yīng)該對離目前越近的數(shù)據(jù)越重視；3它只能用于水平趨勢的時間序列，當(dāng)時間序列有某種明顯的增加或減少的趨勢時，移動算術(shù)平均法不能很快適應(yīng)這種變化。 擬合曲線的誤差xy112345678910，最大誤差在X=3處均方差為 MSE= 基于指數(shù)平滑法的預(yù)測研究及算例分析指數(shù)平滑法是最常用的預(yù)測方法之一，是確定性的時間序列分析技術(shù)。例如，第13年（即1995年）的負(fù)荷電量為 。，現(xiàn)欲用拋物線對其進(jìn)行擬合（將離散點畫到圖上得拋物線） 試用最小二乘法確定其系數(shù)和。由此可得到m+1個方程式 （K=0，1，2，…，m） （35）整理上式可得 （K=0，1，2，…，m） （36）式中，為簡單起見，令 （37） （38）這樣，式中（36）可展開為 （39）式（39）的系數(shù)矩陣顯然為對稱矩陣。我們要按照（31）的原則確定式中的系數(shù)，即要求下列函數(shù)的最小值 （34）式中S為m+1個自