【正文】 （31）為網(wǎng)絡(luò)的實際輸出值。結(jié)構(gòu)圖如圖31所示 ..... .... .... 圖31 三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖 BP網(wǎng)絡(luò)的算法 設(shè)網(wǎng)絡(luò)有三層，第三層盡含輸出接點，網(wǎng)絡(luò)輸出為，有N個輸入（=1,2,3，...,N），網(wǎng)絡(luò)輸出亦然。則NML。激發(fā)函數(shù)一般選擇Sigmoid函數(shù)或雙曲函數(shù)。 BP網(wǎng)絡(luò)結(jié)構(gòu)BP網(wǎng)絡(luò)是典型的無反饋前向網(wǎng)絡(luò)，三層的BP網(wǎng)絡(luò)可以達(dá)到一般非線性函數(shù)逼近的問題。 神經(jīng)網(wǎng)絡(luò)BP算法BP算法基本思想是最小二乘學(xué)習(xí)算法，它的算法過程是沿著梯度下降方向不斷修改權(quán)值閾值 ，直到達(dá)到設(shè)定的誤差的最小值。由圖可知，人工神經(jīng)元是多輸出單輸入的非線性元件。 由此看來，在非線性問題上和模式識別和系統(tǒng)仿真上是有其獨特優(yōu)勢的，這類問題都可以轉(zhuǎn)化到用神經(jīng)網(wǎng)絡(luò)來處理。（6） 多變量系統(tǒng)。通過用實際的數(shù)據(jù)建模，對網(wǎng)絡(luò)進行訓(xùn)練，使輸出達(dá)到期望值。（3） 硬件實現(xiàn)。（2） 平行分布處理。非線性結(jié)構(gòu)的系統(tǒng)可以用它來建模、預(yù)測。 神經(jīng)網(wǎng)絡(luò)的特性神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)技術(shù)比起來，有以下明顯的特點：（1） 非線性。人工神經(jīng)網(wǎng)絡(luò)在上個世紀(jì)40年代被提出，至今已經(jīng)有90多年的歷史，在這段時間，這種方法廣泛地被應(yīng)用到各個領(lǐng)域，比如可以預(yù)測電力系統(tǒng)的短期負(fù)荷，可以探測地下水，可以檢查肝病等廣泛的應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)是基于對人腦的組織結(jié)構(gòu)，活動機制的初步認(rèn)識提出的一種新型信息處理體系。具體預(yù)測流程圖如下： 校正與改進模型收集歷史負(fù)荷數(shù)據(jù)負(fù)荷數(shù)據(jù)的分析與選取負(fù)荷數(shù)據(jù)的預(yù)處理建立負(fù)荷預(yù)測模型模型辨識與參數(shù)估計負(fù)荷數(shù)據(jù)預(yù)測負(fù)荷預(yù)測預(yù)測誤差分析 輸出預(yù)測負(fù)荷值 Y N 本章小結(jié) 本章我們學(xué)習(xí)到負(fù)荷預(yù)測在電力系統(tǒng)中的重要性，尤其是短期負(fù)荷預(yù)測，了解到了負(fù)荷預(yù)測的方法，以及負(fù)荷預(yù)測的基本步驟，在后面進行具體操作的時候要一步一步按照步驟來做。電力負(fù)荷其預(yù)測值與實際值一定有出入，即預(yù)測誤差，并且這是不可避免的。接著建立電力負(fù)荷變化模型和負(fù)荷預(yù)測模型。要保證數(shù)據(jù)的連續(xù)性和正確性。所以當(dāng)我們選擇歷史數(shù)據(jù)點的時候，盡量選擇離預(yù)測點近的數(shù)據(jù)。 負(fù)荷預(yù)測的步驟 預(yù)測負(fù)荷前，都要對歷史負(fù)荷進行分析總結(jié)，完成對未來負(fù)荷的預(yù)測。所以，為了使預(yù)測數(shù)據(jù)更加精確，在預(yù)測模型中我們需要添加越多的影響因素分量，神經(jīng)網(wǎng)絡(luò)收斂精度越高。本文只充分考慮了負(fù)荷預(yù)測的周期性，也利用舊的歷史負(fù)荷數(shù)據(jù)。(6) 分析預(yù)測結(jié)果并改進模型。(4)確定一個適當(dāng)?shù)臄?shù)學(xué)模型。(2) 收集與分析預(yù)測所必須的歷史資料。因此，了解未來短期內(nèi)負(fù)荷變化的一個最有效的方法，就是觀察歷史負(fù)荷記錄并進行分析，負(fù)荷的另一個特征就是它具有按天，按周以及按季節(jié)周期性變化的特點[8]。 負(fù)荷預(yù)測的原則和步驟 前兩節(jié)講述了負(fù)荷預(yù)測的特點和影響因素，綜合利用上述特點，可以結(jié)合實際情況按照負(fù)荷預(yù)測的原則和步驟建立模型進行預(yù)測。 （4）其他因素。時間因素是指比如法定節(jié)假日、星期循環(huán)、四季變換都會對負(fù)荷產(chǎn)生影響。特別是溫度對負(fù)荷影響最為明顯，比如在南方，夏天溫度升高，許多用戶必須使用大功率的空調(diào)，導(dǎo)致負(fù)荷變化，增大電力系統(tǒng)的負(fù)荷。 （2）氣候因素。電力系統(tǒng)負(fù)荷隨著人們用電的規(guī)律變化而變化，比如日負(fù)荷，在白天負(fù)荷變化平緩，到傍晚的時候負(fù)荷變化迅速增大，到深夜又迅速減少。（4） 多方案性 由于預(yù)測的不準(zhǔn)確性和條件性，所以有時要對負(fù)荷在各種情況下可能發(fā)展?fàn)顩r進行預(yù)測，就會得到各種條件下不同的負(fù)荷預(yù)測方案。給預(yù)測結(jié)果加以一定的前提條件，更有利于用電部門使用預(yù)測結(jié)果。例如，我們經(jīng)常說，如果天氣一直不下雨的話，排灌負(fù)荷將保持較高的數(shù)值等等。如果負(fù)荷預(yù)測員真正掌握了電力負(fù)荷的本質(zhì)規(guī)律，那么預(yù)測條件就是必然條件，所作出的預(yù)測往往是比較可靠的。（2） 條件性 各種負(fù)荷預(yù)測都是在一定條件下作出的。這就使負(fù)荷預(yù)測具有以下明顯的特點[7]:（1） 不確定性 因為電力負(fù)荷未來的發(fā)展是不肯定的，它要受到多種多樣復(fù)雜因素的影響，而且各種影響因素也是發(fā)展變化的。此外，在能量管理系統(tǒng)中，還有母線負(fù)荷預(yù)測等其他負(fù)荷預(yù)測。 中長期負(fù)荷預(yù)測主要是指對未來一年或幾年的負(fù)荷進行預(yù)測，超短期負(fù)荷預(yù)測是指對未來幾分鐘幾小時的負(fù)荷進行預(yù)測，而短期負(fù)荷預(yù)測是對未來幾天的負(fù)荷進行預(yù)測。第2章 負(fù)荷預(yù)測介紹 負(fù)荷預(yù)測的組成和特點電力系統(tǒng)負(fù)荷按用途可以分為可以分為居民負(fù)荷、農(nóng)業(yè)負(fù)荷、工業(yè)負(fù)荷、商業(yè)負(fù)荷和其他負(fù)荷，雖然每種負(fù)荷都有自己的特點和變化，但預(yù)測方法都是相同的。第4章 主要介紹本文具體把神經(jīng)網(wǎng)絡(luò)BP算法應(yīng)用到某地區(qū)負(fù)荷預(yù)測上，建模并仿真以及對結(jié)果的分析。第3章 介紹神經(jīng)網(wǎng)絡(luò)BP算法的原理，BP算法的特點。論文研究主要內(nèi)容如下： 第1章 介紹選題背景、目的及其意義，介紹本課題的發(fā)展現(xiàn)狀，說明本課題的主要工作任務(wù)。 本文主要研究內(nèi)容本文在介紹多種負(fù)荷預(yù)測方法之后，以某地區(qū)的整點負(fù)荷為例，建立三層神經(jīng)網(wǎng)絡(luò)模型進行短期負(fù)荷預(yù)測。 總的來說，人工神經(jīng)網(wǎng)絡(luò)這種方法在負(fù)荷預(yù)測的時候有其獨特的優(yōu)勢，并且得到了許多專家的認(rèn)可，并取得了不錯的成就。將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期負(fù)荷預(yù)測的具體過程為：以歷史負(fù)荷、天氣因素(如溫度、風(fēng)速、濕度、陰晴等)等作為輸入變量，以負(fù)荷預(yù)測值為輸出變量，通過大量的樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，確定神經(jīng)元之間的連接權(quán)值及神經(jīng)元的閾值，然后將訓(xùn)練完成的網(wǎng)絡(luò)用于預(yù)測未來的負(fù)荷，并且隨著新樣本的加入，可以重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)，形成新的權(quán)值和閾值以適應(yīng)新的樣本，訓(xùn)練好的新神經(jīng)網(wǎng)絡(luò)可以進行電力系統(tǒng)短期負(fù)荷的預(yù)測工作，預(yù)測結(jié)果具有較高的精度[5]。目前模糊集合理論應(yīng)用于負(fù)荷預(yù)測主要有以下幾種方法：模糊聚類法、模糊相似優(yōu)先比法、模糊最大貼近度法等[4]。(2) 模糊預(yù)測法 模糊預(yù)測法，是近幾年來在電力系統(tǒng)負(fù)荷預(yù)測中不斷出現(xiàn)的一種新的預(yù)測方法。 （1）灰色理論 灰色系統(tǒng)理論是20世紀(jì)80年代由我國學(xué)者鄧聚龍教授提出，用來解決信息不完備系統(tǒng)的數(shù)學(xué)方法，已在各個領(lǐng)域得到廣泛應(yīng)用。 傳統(tǒng)分析法有時間序列法和回歸分析法，這些方法在現(xiàn)在的電力系統(tǒng)中有很大的缺陷，誤差比較大而且沒有自適應(yīng)和自學(xué)習(xí)的能力，逐漸被淘汰。 負(fù)荷預(yù)測國內(nèi)外發(fā)展現(xiàn)狀 長時間內(nèi)，人們發(fā)明了很多負(fù)荷預(yù)測的方法，比如傳統(tǒng)分析法和人工智能等。短期負(fù)荷預(yù)測精度對電力系統(tǒng)有著至關(guān)重要的影響，它影響著電力系統(tǒng)未來的調(diào)度、調(diào)控，影響著電力系統(tǒng)的供電質(zhì)量，并與當(dāng)?shù)氐碾娏κ袌龇€(wěn)定性和經(jīng)濟效益息息相關(guān)，由于我國處在社會主義初級階段，節(jié)能和科學(xué)發(fā)展是現(xiàn)在發(fā)展的趨勢，短期負(fù)荷預(yù)測精度重要性不言而喻。負(fù)荷預(yù)測按時間可以分成短期負(fù)荷預(yù)測，中期負(fù)荷預(yù)測和長期負(fù)荷預(yù)測。因此，科學(xué)的電力系統(tǒng)負(fù)荷預(yù)測就成為電力系統(tǒng)一項重要的工作，同時也是電力系統(tǒng)自動化領(lǐng)域中一項中重要內(nèi)容[1]。 BP algorithm目錄摘要 IAbstract II目錄 III第1章 緒論 1 負(fù)荷預(yù)測的背景和意義 1 負(fù)荷預(yù)測國內(nèi)外發(fā)展現(xiàn)狀 1 本文主要研究內(nèi)容 3第2章 負(fù)荷預(yù)測介紹 4 負(fù)荷預(yù)測的組成和特點 4 負(fù)荷預(yù)測的組成 4 負(fù)荷預(yù)測的特點 4 影響負(fù)荷預(yù)測的因素 5 負(fù)荷預(yù)測的原則和步驟 5 負(fù)荷預(yù)測的原則 5 負(fù)荷預(yù)測的模型 6 負(fù)荷預(yù)測的步驟 6 本章小結(jié) 7第3章 BP神經(jīng)網(wǎng)絡(luò)原理 8 8 神經(jīng)網(wǎng)絡(luò)的特性 8 人工神經(jīng)元模型 8 神經(jīng)網(wǎng)絡(luò)BP算法 9 BP網(wǎng)絡(luò)結(jié)構(gòu) 9 BP網(wǎng)絡(luò)的算法 10 BP網(wǎng)絡(luò)的缺點和改進方法 11 本章小結(jié) 11第4章 整點負(fù)荷預(yù)測設(shè)計及其實現(xiàn) 12 模型的設(shè)計及參數(shù)設(shè)定 12 模型的設(shè)計 12 參數(shù)的設(shè)定 13 整點負(fù)荷預(yù)測數(shù)據(jù) 13 BP仿真設(shè)計 15 預(yù)測結(jié)果分析 20第6章 結(jié)論與展望 21參考文獻(xiàn) 22附錄 23致謝 26III電力系統(tǒng)整點負(fù)荷預(yù)測研究第1章 緒論 負(fù)荷預(yù)測的背景和意義 電力系統(tǒng)的作用是為各類用戶盡可能經(jīng)濟地提供可靠而合乎質(zhì)量標(biāo)準(zhǔn)要求的電能，以隨時滿足各類用戶的需求。s electric power economy, Load forecasting has more affections on economic efficiency of the power system and the national economy. The guarantee of the accuracy of load forecasting now is the important work for Electric Power load forecasting error is a direct result of the increased costs, larger difficulty power system scheduling and other bad consequences. This paper briefly discusses the contents of the power system load forecasting and load introduced several domestic and foreign shortterm load forecasting methods and its trends,pare its advantages and disadvantages,make an explanation about artificial neural network has the advantages of adaptive and selflearning working on short load paper will make use of the neural network BP algorithm to study short load forecasting,This method is mainly using artificial neural network linear approximation to achieve. In this paper, power system shortterm load forecasting will be briefly theoretical introduced ,focuses on the process of BP neural network algorithm and its applied to the calculation of the load forecasting .The technical requirements of this paper is to learn the daily