1、摘要本科畢業設計（論文）基于神經網絡的電力系統負荷預測的研究牛艷霞燕 山 大 學2009年6月本科畢業設計（論文）基于神經網絡的電力系統負荷預測的研究學院（系）： 里仁學院 專 業： 工業自動化 學生 姓名： 牛艷霞 學 號：051203011009 指導 教師： 楊晟剛 答辯 日期： 燕山大學畢業設計（論文）任務書學院：電氣工程學院 系級教學單位：自動化系 學號051203011009學生姓名牛艷霞專 業班 級工自1班題目題目名稱基于神經網絡的電力系統負荷預測的研究題目性質1.理工類：工程設計 （ ）；工程技術實驗研究型（ ）；理論研究型（ ）；計算機軟件型（ ）；綜合型（ ）2.管理類（

2、）；3.外語類（ ）；4.藝術類（ ）題目類型1.畢業設計（ ） 2.論文（ ）題目來源科研課題（ ） 生產實際（ ）自選題目（ ） 主要內容1建立電力系統的神經網絡預測模型。2根據模型進行仿真實驗。3撰寫畢業設計論文。基本要求1學習和掌握神經網絡的預測方法。2完成電力系統負荷仿真計算。3完成畢業設計論文。參考資料1電力系統相關資料。2預測理論相關資料。3神經網絡理論相關資料。周 次第14周第58周第912周第1316周第17周應完成的內容查閱相關參考資料，了解電力系統負荷模型和神經網絡理論。建立電力系統負荷預測模型。完成電力系統負荷預測的仿真實驗。準備資料，開始撰寫畢業論文完成畢業論文的撰寫

3、，繪制圖紙，準備答辯。指導教師：楊晟剛職稱： 2008年12 月28 日系級教學單位審批： 年 月 日摘要電力系統對各類用戶盡可能地提供經濟、可靠而合乎標準要求的電能，以隨時滿足各類用戶的要求。但由于電力的生產與使用具有其特殊性，即電能是不能儲存的，這就要求電力系統發電時刻緊跟系統負荷的變化，保持動態平衡，否則，就會影響供用電的質量，危及系統的安全與穩定。由此負荷預測成為電力系統運行調度中一項非常重要的內容，它是保證電力系統安全經濟運行和實現電網科學管理及調度的重要方面，也是今后進行電網商業化運營所必需的基本內容。隨著科學技術的發展，負荷預測技術也有當初的依賴電力調度人員技術的傳統預測方式發展

4、到現在的自動預測技術，負荷預測能夠考慮到更多的影響負荷變化的因素，預測水平和精度不斷提高。本文側重于一種新興預測技術，基于神經網絡的電力系統負荷預測。本文首先簡單介紹幾種傳統的負荷預測技術，引出神經網絡預測技術。接著介紹負荷預測原理和神經網絡原理，指出本文所用網絡模型bp網。然后具體介紹bp網絡相關原理及其設計，最后以南方某城市的電力負荷歷史數據為例介紹神經網絡預測技術。關鍵詞神經網絡；負荷預測技術；bp網絡iii 燕山大學本科生畢業設計（論文）abstractpower system provides economic, reliable and standardized power to

5、various type of user as much as possible to meet their requirements. however the unique strait of electric power that it can not be stored requires the power to keep pace with the load and to keep balance, or it will have bad affect of the quality and endanger the systems security and stability. the

6、 power system load forecasting has one of the important items of the scheduling of the system, and which is an important aspect lf ensuring systems safe and economic operation and realizing the scientific management and scheduling of the system, but also it is the necessary elements of the commercia

7、l operation of the power grid in the future.with the development of science and technology, load forecasting has developed by the traditional means relying on the experiences of the technician to the automatically forecasting technology, which is able to contain more factors impacting the changes of

8、 the load. the level and accuracy of load is increasing improved. this article focuses on a new prediction technique, the power system load forecasting basing on neural network.this paper introduces several traditional load forecasting techniques briefly for the first, and then leads out neural netw

9、ork prediction. the next two chapters are devoted to load forecasting theory and neural network theory, pointing out the network model bp network used in this paper. the last chapter relates to the principle of bp network and its design concretely, and finally takes a southern citys power load data

10、as an example to introduce the neural network forecasting technology.keywords neural network；load forecasting technology；bp network iii 目 錄摘要iabstractii第1章 緒論11.1 課題背景及意義11.2 國內外研究現狀11.3 人工神經網絡在負荷預測中的應用61.4 本文的研究內容71.5 本章小結7第2章 電力系統負荷預測分析92.1 負荷預測基礎知識92.1.1 負荷預測的基本原理92.1.2 負荷預測的特點102.1.3 影響負荷變化的因素10

11、2.2 負荷預測誤差分析102.3 負荷預測基本程序132.4 本章小結14第3章 神經網絡基本原理163.1 神經網絡基礎知識163.1.1 人工神經元模型163.1.2 人工神經網絡模型193.1.3 人工神經網絡的特性193.2 神經網絡算法203.3 bp網絡203.3.1 bp網絡模型與結構203.3.2 bp算法213.3.3 bp網絡的功能273.4 本章小結27第4章 基于神經網絡的電力系統負荷預測284.1 神經網絡預測模型284.1.1 樣本集的設計284.1.2 網絡結構設計294.1.3 參數的選擇304.1.4 輸入輸出數據預處理314.1.5 網絡訓練與測試334.

12、2 網絡仿真結果334.3 bp網絡的改進354.4 本章小結35結論36參考文獻37致謝39附錄15附錄26附錄37附錄417iii章及標題 第1章 緒論1.1 課題背景及意義電力系統的任務是給用戶不間斷地提供優質電能，滿足各類負荷的需要。負荷預測是在考慮各種影響的條件下，利用一套系統地處理過去與未來負荷的數學方法，在滿足一定精度要求的條件下，確定未來某特定時刻的負荷值。負荷預測按時間期限進行分類，通常分為長期、中期、短期、超短期負荷預測。電力系統負荷預測是電力生產部門的重要工作之一，對于電力系統控制、運行和計劃的意義非常重要。負荷預測的結果對于機組啟停的安排及新的發電機的安裝，對于電網的增

13、容和改建，對于旋轉備用容量大小的安排、檢修計劃安排的合理性、發電成本及經濟效益都有重要影響。未來時刻的電力系統調度安排取決于負荷預測的結果，因此其結果的準確性直接影響調度結果，進一步對電力系統的安全運行及其經濟性帶來重要影響。電力負荷變化受多方面影響。在為解決電力壟斷而實行的市場化運營條件下，由于電力交易更加頻繁及經營主體的差別，會出現各種不確定性因素，另外電價對于負荷變化的影響逐漸增強，是的負荷預測更加困難。市場各方更加重視信息的獲取，準確的預測結果對于電力經營主體的運行效益有直接影響，因而對負荷預測精度又提出更高要求。但目前的負荷預測是人工進行的，是調度人員根據經驗尋找相似日直觀的預測，且

14、僅限于提前一天的預測。因此需要一個自動的預測系統，以滿足機組調動及經濟效益的需求，且該系統要能減少對調度人員經驗的依賴性并適應于不同的精度要求。因此，電力負荷預測水平成為衡量一個電力企業的管理是否走向現代化的標志之一，尤其在電力事業高度發展的今天，用電管理走向市場，電力負荷預測問題的解決也成為我們面臨的艱巨而重要的任務。1.2 國內外研究現狀國內外許多學者對此進行了研究，發展至今，已提出了許多測試方法，并在預測中應用最新的數學成果，預測水平得到迅速提高，預測研究取得了很大進展。負荷預測的核心問題是預測的技術方法，即預測數學模型的建立。隨著現代科學技術的發展，預測理論技術得到了很大改進，理論研究

15、得到逐步深入。例如在國內，華北電力大學的陳志業、牛東曉教授等先后對此進行了研究，開發了適合短、中、長期各類負荷預測的應用軟件包，分別通過了電力工業部和有關網省局的技術鑒定，鑒定認為負荷預測模型的研究達到了國際先進水平，并已廣泛的應用于華北電網各個地區1。現已有的預測技術可分為定性的經驗預測技術及依賴于數量模型、定量的預測技術。在實際應用中，經驗技術方法的預測精度并不比定量方法的預測精度差，甚至比某些定量方法的預測精度更高，尤其是在含有天氣突變、重大事件等不確定性因素的特殊情況下。經驗技術方法不是依靠模型分析，而主要是依靠專家的判斷，其結果只是給出一個方向性的結論，這個結論也可能是數值型的。常用

16、經驗技術有專家預測法（通過召開專家會議，面對面討論問題或采用匿名方式獨立發表各自的意見）、類比法（對類似事物作類比分析，通過已知事物預測未知事物）、主觀概率預測法（綜合若干專家估計的特定事件發生地主觀概率p=q/n）。經典技術包括：單耗法（平均單位用電量*該產品產量）、負荷密度法（某地區用電密度*人口數或土地面積）、比例系數法（假定以后與過去有相同的電力負荷增長比例，用歷史數據求出比例系數，按比例預測未來發展）、彈性系數法1。以下簡單介紹一下實際應用中的傳統技術方法。（1）平滑預測方法 平滑預測法是對收集到的負荷變化的t期數據，根據預測中“重近輕遠”的原則，加以不等權，加大新近數據的權系數，減

17、小遠期數據的權數，以加強近期數據的作用，弱化遠期數據的影響。（2）回歸模型預測技術 電力負荷回歸模型預測技術就是根據負荷的歷史資料，用數理統計中的回歸分析方法，建立回歸模型，對觀測數據進行統計分析，研究隨機變量與可控量之間的關系，對未來負荷進行預測?；貧w預測包括線性回歸與非線性回歸。由于在實際中，負荷受多方面影響，分析變量間關系就要用到多元回歸。多元線性回歸模型的數學表達式： （1-1）其中是線性可控量，是與可控量無關的未知參數，是未知誤差。模型經參數估計與檢驗后，既可用于預測。設定預測點，代入式（1-1）得觀察值為，其預測值為 （1-2）預測誤差為 （1-3）以上介紹的是線性回歸模型，但在實

18、際中多是非線性的變量關系，有些特殊情況可以通過適當的變量代換，轉換線性相關問題，以簡化研究過程2。回歸分析具有原理簡單，預測速度快等特點，但其具有下述弱點，使其應用具有較大的局限性：1）要求大量的樣本；2）要求樣本有較好的分布規律與確定的發展趨勢；3）計算工作量大；4）可能出現量化結果與定性分析結果不符的現象。此類方法實用于電力系統的中期負荷預測3。（3）時間序列預測技術 一個隨著時間變量變化的量，在不同時刻的觀察組成的離散有序集，稱為一個時間序列。電力負荷的歷史數據即為有序集合，這個集合就是一個時間序列，用這個序列模型分析負荷變化規律并對該序列在未來時刻的變量作出預報，就是負荷預測的時間序列

19、法1。在經過模型識別、參數估計及模型檢驗后，該模型用于負荷預測。該方法計算速度快，能反映負荷近期變化的連續性，但對模型的平穩性要求較高，且沒有考慮天氣變化對負荷的影響。（4）灰色預測技術 灰色預測是用灰色模型gm(1，1)、gm(1，n)進行定量的分析?；疑碚撚美奂由?、累減生成、均值化生成、及比生成、灰數的白化函數生成等灰色系統生成方式把原始數據進行整理求得隨機性化弱化、規律性強化了的生成數。用此生成數建立微分方程即為灰色建模。對模型的精度和可信度進行校驗并修正后即可據此模型預測未來的負荷。此法適用于短、中、長三個時期的負荷預測?；疑A測具有要求負荷數據少、不考慮分布規律、不考慮變化趨勢、

20、運算方便、短期預測精度高，易于檢驗等優點。但也存在當數據離散程度越大，即數據灰度越大，預測精度越差這樣的缺點。因此其應用也存在一定的局限性。為了解決這一問題，人們對灰色預測做了很多改進，希望這一技術成為研究負荷變化規律的新型有效技術5。隨著預測理論技術的不斷發展，新的預測方法不斷出現，以下簡單介紹幾種預測技術的新方法。（1）優選組合預測技術 優選組合預測是預先選擇若干預測模型，計算每一種預測模型在近期的預測誤差，可采取一定的加權方式對這些誤差進行加權組合，也可在這些模型中選擇擬合優度最佳或標準誤差最小的預測模型進行預測的方法4。常用組合技術有：等權平均組合預測法、方差協方差優選組合預測法、回歸

21、組合預測法、模型群優選組合預測法。在單個預測模型不能完全正確地描述預測量的變化規律時采用組合預測方法，取各個預測模型之長而避其之短。因其建立在最大信息利用的基礎上，最優組合了多種單一模型所包含的信息，從而改善預測效果。但優選組合預測法在建立模型時也受到兩方面的限制：一是不可能將所有在未來起作用的因素全包含在模型中；二是很難確定眾多參數之間的精確關系。所以其預測精度的提高很受限制。（2）專家系統預測技術 對于各種可能引起負荷變化的情況，還需要預測人員的經驗與判斷力。專家系統預測是一個用基于知識的程序設計方法建立起來的計算機系統，它擁有某個領域內專家的知識和經驗，并能像專家那樣運用這些知識，通過推

22、理，在那個領域內做出智能決策。一個完整的專家系統由四個部分組成：知識庫、推理機、知識獲取部分和界面，其中最重要的部分是知識庫。專家系統法是將人類的不可量化的經驗進行轉化的一種較好的方法，從前述專家的觀點找出歷史負荷數據和溫度之間的對應關系，運用知識、經驗和經驗系統操作器的模擬推理負荷預測。若能將它與其他方法有機地結合起來，構成預測系統，將可得到滿意的結果。此方法能克服單一算法的片面性，且具有快速判斷的優點。但把專家知識和經驗等準確的轉化為一系列規則是非常不易的，因此應用又不方便。（3）小波分析預測技術 小波分析（wavelet）是本世紀數學研究中最杰出的代表，由于其在理論上的完美性及在應用上的

23、廣泛性，受到了科學界、工程界的高度重視。小波分析是一種時域-頻域分析方法，它在時域、頻域內同時具有良好的局部化性質，且能根據信號的頻率自動調節采樣疏密。它容易捕捉和分析微弱信號以及信號、圖像的任意細小部分。以下優點決定了小波分析可以有效地用于負荷預測的研究：1）能對不同的頻率成分采用逐漸精細的采樣步長，從而可以聚焦到信號的任意細節；2）對奇異信號很敏感，能很好地處理微弱或突變的信號；3）能將一個信號的信息轉化成小波系數，從而能方便地加以處理、存儲、傳遞、分析或用于重建原始信號。電力系統負荷具有周期性，即以天、周、年為周期發生波動，大周期中套有小周期。由于小波信號能將不同頻率的混合信號分解成不同

24、頻帶上的塊信號，因此對負荷序列進行小波變換將負荷序列投影到不同的尺度上，這樣各個尺度上的子序列代表了原序列中的不同頻域分量，更清楚地表現了負荷序列的周期性。對不同的子序列進行預測，最后通過序列重組，得到完整的負荷預測結果，其精確性比直接用原負荷序列進行預測有一定改進6。（4）神經網絡預測技術 負荷曲線是與很多因素相關的一個非線性函數，對于抽取和逼近這種非線性函數，神經網絡是一種合適的方法。神經網絡預測技術是剛剛興起的一種方式。它可以模擬人腦對各種信息進行智能化處理，具有學習和自適應功能，是以往算法和技術所不具備的。預測被當做人工神經網絡（ann）最具潛力的應用領域之一。利用人工神經網絡（ann

25、），選取過去一段時間的負荷作為訓練樣本，構造適宜的網絡結構，用某種訓練算法對網絡進行訓練，學習訓練數據中所蘊涵的規律，并將這種規律保存在自己的權值矩陣中，滿足精度要求之后，用于負荷預測。一般而言，ann應用于短期負荷預測要比應用于中長期負荷預測更為合適。因為短期負荷變化可以認為是一個平穩隨機過程，而長期負荷預測與國家或地區的政治、經濟、政策等因素密切相關，通常會有些大的波動，而并非是一個平穩隨機過程7。1.3 人工神經網絡在負荷預測中的應用人工神經元網絡（ann）適于解決時間序列的預測問題，尤其是平穩隨機過程的預測。其在負荷預測中的應用理論上是可行的。（1）首次采用ann進行電力系統負荷預測采

26、用的是bp模型，用不同的輸入預測不同的負荷。采用的模型結構比較簡單，且只限于預測日。用于網絡訓練的樣本數據為歷史數據，但未做適當的預處理，訓練時間較長。一些學者在此基礎上進行研究，提出了bp模型的自適應算法，適于解決樣本數據不太平穩時的訓練問題且速度快，在短期負荷預測方面比標準算法有效。（2）對于樣本的選取，有關文獻提出了在歷史數據中選取與預測時間的特征量相似的數據，以減少樣本數據，加快訓練速度。有關文獻還提出了對樣本數據進行處理的一些方法，并設計了bp模型的一種變形結構，在輸入輸出間增加線性連接，大大改善了bp網的性能。（3）利用自適應線性元件（adaline）提前一周預測某天的負荷，采用譜

27、分析法對負荷進行分解，每個分量都用一個adaline模型。這種模型算法速度快，但只能解決線性問題8。但人工神經網絡方法具有難以科學確定網絡結構、學習速度慢、存在局部極小點、記憶具有不穩定性等固有缺陷。目前，研究負荷預測偏重于將各種算法的優點結合從而提高預測的精度。如將模糊算法與隨機時間序列（armax過程）相結合、將模糊和專家系統相結合、將模糊算法和神經網絡結合。這些算法對于負荷預測的精度有一定的提高，但同時也增加了負荷模型的復雜性。1.4 本文的研究內容本文以南方某城市的負荷數據為研究對象，介紹基于神經網絡的短期負荷預測系統。研究的前提是已知該地區的歷史負荷數據，即2004年7月10日到7月

28、20日的正點有功負荷和預測日的天氣特征，即2004年7月11日到7月21日的天氣特征。本文所做的工作可以歸納為以下幾點:（1）本論文根據該城市的歷史負荷數據，分析影響預測的各種因素，如負荷的組成，負荷區域以及影響負荷變化的天氣因素，提出負荷類型。本文所做預測為短期負荷預測。（2）介紹負荷預測，總結國內外負荷預測技術，主要包括負荷預測的分類、特點及特性的分析；負荷預測的基本模型的概述；總結國內外負荷預測的傳統技術及新技術，重點分析人工神經網絡在負荷預測中的應用。依據功能要求，提出誤差反傳播算法。通過介紹神經網絡原理，引出bp網絡，介紹bp網絡及其誤差反傳播算法，及其改進。（3）介紹網絡設計過程，

29、根據負荷特性及其影響因素，確定本文所用具體神經網絡模型。（4）以該城市為例進行負荷預測，通過matlab神經網絡工具箱進行模型仿真計算，進行訓練網絡及測試，確定神經網絡算法的可行性。1.5 本章小結本章主要介紹了該課題的研究背景和意義，介紹了負荷預測研究的國內外研究現狀，其中包括傳統預測方法和隨著科學技術發展產生的新技術方法，并介紹了一種新技術-神經網絡技術在負荷預測中的應用。最后引出本文的研究內容。 25 章及標題 第2章 電力系統負荷預測分析電力負荷預測是電力系統用電、調度、計劃、規劃等管理部門的重要工作之一。提高負荷預測水平，有利于規劃電源建設，有利于計劃用電管理，有利于降低發電成本，提

30、高電力系統的經濟效益和社會效益，在當前電力系統市場化的趨勢下，負荷預測已成為電力市場交易管理系統中必不可少的一部分。2.1 負荷預測基礎知識負荷指電力需求量或者用電量，即發電廠或電網在某一瞬間所承擔的工作負荷，或連接在電網的用電設備在某一瞬間所消耗的功率之和。負荷預測是根據現有歷史數據，在考慮各種影響負荷預測因素及滿足一定精度要求的條件下，分析負荷變化規律，以確定未來某時刻的負荷值。負荷預測有多種分類標準，例如按時間分為：長期、中期、短期、超短期負荷預測。2.1.1 負荷預測的基本原理負荷預測是根據負荷變化規律，預測和判斷負荷未來變化趨勢和狀況，用于指導工作。其基本原理有：（1）可知性原理 對

31、于電力負荷的發展規律，其未來的發展趨勢是可以根據現有數據預測到的。（2）相似性原理 相似性原理是指根據一個已知的相似事物的發展狀況預測某事物的發展過程?？梢愿鶕呀ǔ傻木哂锌杀刃缘拈_發區的用電負荷去預測一個將要建設的開發區的用電量，據此進行對象地區的電力規劃與建設。（3）反饋性原理 反饋是利用輸出信號反饋到輸入端，進而調整預測系統精度，提高系統預測的準確性。（4）系統性原理 預測對象是無論本身還是與外界相聯系都是一個完整的系統，因而進行負荷預測時，只有系統整體最佳預測，才是高質量的預測。2.1.2 負荷預測的特點電力負荷預測是根據電力負荷的過去和現在值推測它的未來值。所研究的對象是不確定事件，

32、因此需要采用適當的預測技術，推知其發展狀況。這就使得負荷具有以下特點：（1）預測結果的不確定性 電力負荷的發展受多種復雜因素的影響，這些因素是發展變化的，如社會經濟發展、人口增長、全球氣候變化等。人們對有些因素能預先估計，有些因素則不能或很難被準確預見，同時，預測方法與理論的不斷更新，也將影響到預測的精度。（2）預測的條件性 各種電力負荷預測都是在一定條件下做出的。這些條件有必然條件和假設條件，按必然條件做出的負荷預測是可靠的，按假設條件做出的預測準確性具有條件性。多數情況下，負荷未來發展是不確定的，需要假設。給預測結果加以一定的前提，更有利于用電部門使用預測結果。（3）預測的時間性 負荷預測

33、屬于科學預測的范圍，因此需要指明預測時間。（4）預測的多方案性 由于預測的不準確性和條件性，且負荷預測受一定預測條件的制約并具有精度要求，再加上預測手段及理論模型的多樣性，使得預測的結果并非是唯一的。2.1.3 影響負荷變化的因素影響負荷變化的因素很多，且它們之間沒有確定的關系，對負荷預測的準確性造成很大影響。影響負荷預測的因素有：（1）天氣因素，如溫度、濕度、風力、降雨等氣象因素。（2）負荷構成，如電力用戶類型及其某地區所占比例不同。（3）價格因素。（4）重大節日，如春節，國慶節等重大節日的用電。2.2 負荷預測誤差分析負荷預測值即期望值與實際值存在一定的差距，這個差距就是預測誤差。分析誤差

34、產生的原因，認識預測的準確度，對于改進預測工作，檢驗預測方案具有重要的指導意義。誤差產生原因有以下幾方面：（1）負荷預測要用到數學模型。對于復雜的電力系統，模型是一種簡化了的系統，只考慮所研究現象的主要因素，沒有也不可能包含所有的相關因素。與實際負荷存在差距，用它進行負荷預測，將不可避免地產生誤差。（2）負荷變化受各式因素的影響，進行預測的目的與要求不同，如果預測模型選擇不當，就會產生誤差。（3）意外事件和突發情況會對負荷預測值產生影響，產生預測誤差；計算或判斷上的錯誤也會造成誤差。（4）負荷預測要用到大量的數據資料，而各項資料不能保證其準確可靠性，這也勢必帶來誤差。了解預測誤差產生原因后，可

35、以對預測模型或預測技術加以改進。同時還必須對預測誤差進行計算分析，進而可以檢驗所選的預測模型。常用的計算和分析預測誤差的方法主要有：（1）絕對誤差與相對誤差 這是一種直觀的表示方法，在實際應用中作為一項考核指標常被應用。設為實際值，為預測值，則稱絕對誤差，或為相對誤差。（2）平均絕對誤差 （2-1）其中，；（3）均方誤差 （2-2）其中，。均方誤差是預測誤差平方之和的平均數，避免了正負誤差不能相加的問題。（4）均方根誤差 （2-3） 其中，此誤差方程的優點是對絕對誤差進行了平方，加強了數值大的誤差的作用，提高了其靈敏性。（5）標準誤差 （2-4）其中，（6）關聯度誤差分析 關聯度是分析系統中各

36、因素關聯程度的方法，根據曲線間相似程度來判斷關聯程度。用此方法來比較預測模型的優越性。比較幾種預測模型對應的預測曲線與實際曲線的擬合程度，關聯度越大，擬合度越高，說明模型越優越。設參考數列，預測數列，則 （2-5）為在第點的關聯系數。其中，為兩數列在 點的絕對差；為兩級最小差，其中是第一級最小差，表示先在曲線上找各點與的最小差，在此基礎上找條曲線中的最小差；是兩級最大差；稱為分辨系數，一般取為0.5。總和各點關聯系數，得出兩曲線關聯度 （2-6）對于單位不同，或初值不同的數列比較時，用每個數列的第一個數除其他數進行初始化。由上述分析可見，關聯度分析是把關聯程度量化的方法。2.3 負荷預測基本程

37、序進行電力負荷預測，必須考慮預測程序問題，因為它是一個用于指導電力調度工作的科學預測范疇，只有清楚其過程，才能做好預測工作。其基本程序如下：（1）確定預測目的，制定預測計劃。首先負荷預測目的一定要明確，才能制定合理的預測工作計劃。以下問題要包括在計劃內：預測時期，所需資料類型、來源及資料量，預測方法，預期完成時間，預測經費等。（2）調查資料和選擇資料。盡可能地多方收集資料，包括已發表的和未發表的，然后把這許多資料按照直接相關性、可靠性、最新性的標準濃縮到最小，深入研究。在我國目前的情況下，收集資料尚存在一定的難度，如果資料收集得不全面活不好會影響預測結果的準確性。（3）整理資料。1）衡量統計資

38、料質量的標準有以下幾個方面：資料完整無缺，各期指標齊全； 數字準確無誤，反映的都是正常狀態下的水平，資料中沒有異常“分離項”； 時間數列各值間有可比性； 歷史資料的表現形式即計量單位是否規范。2）資料的整理包括以下內容： 資料的補缺推算，用前后兩項推算中間項，或用比例計算第一項； 對不可靠資料加以核實調整。能找出原因的加以更正，否則刪除； 對時間數列中不可比資料加以調整。處理可比性問題時所有資料在時間上保持可比性。資料整理的目的是為了保證資料的質量，從而保證預測質量。（4）對資料的初步分析。1）畫出動態折線圖或散點圖，研究資料變動軌跡，分析其異常值和轉折值產生的原因。2）對異常值加以處理：設歷

39、史數據為，令，若，取，使數據數列趨于平穩。3）計算相關系數等統計量，進一步辨明資料軌跡性質，為以后建模作準備。（5）建立預測模型。預測模型反映的是資料內部特征。預測模型的多樣化，要求研究人員依據具體資料選擇適當的預測模型。必要時采用幾種模型進行比較，選擇最佳模型。（6）綜合分析，確定預測結果。 根據選擇的預測模型，計算初步預測值。對影響預測對象的各種因素的發展趨勢，經過綜合分析、對比、推理和評價，最終調整和修正初步預測值，確定糾正后的預測值。（7）編寫預測報告，對預測中的各種情況加以說明。報告應包括數據資料、報告分析、數學模型、預測結果及必要的圖標，便于使用。（8）負荷預測管理9。2.4 本章

40、小結針對本文所要研究的內容，本章對負荷預測進行了具體分析。首先介紹了負荷預測的概念、特點、原理及其影響因素。預測就必然存在誤差，本章介紹了負荷預測的各種誤差計算方法。用于預測過程中的誤差計算。最后負荷預測是一項科學研究，是電力部門能源調度的依據，必須保證其正確度，首先就必須清楚其基本程序。章及標題 第3章 神經網絡基本原理3.1 神經網絡基礎知識人工神經網絡（artificial neutral network，ann）是由大量簡單的基本元件-神經元相互連接，通過模擬大腦神經處理信息的方式，進行信息并行處理和非線性轉換的復雜網絡系統，是在現代神經生物學基礎上提出的模擬生物過程，反映人腦特性的一

41、種計算結構，不是人腦神經系統的真實描寫，只是它的某種抽象、簡化和模擬，具有記憶和學習能力，經過一定的訓練后，能夠對給定的輸入做出相應處理。3.1.1 人工神經元模型在人工神經網絡中，神經元被稱為“處理單元”或“節點”。人工神經元是對生物神經元的一種形式化描述，用數字語言描述生物神經元的信息處理過程；用模型圖表達生物神經元的結構和功能。人工神經元是人工神經網絡最基本的處理單元，模擬神經細胞的構成。每個神經元接收來自其它多個神經元的信號，是一個多輸入/單輸出的非線性器件，按其傳遞函數產生一個輸出信號，這個輸出信號通過連接權值的作用后作為其他神經元的一個輸入。人工神經元網絡就是大量神經元按不同拓撲結

42、構連接而成的網絡12。 圖3-1 單個神經元模型從圖3-1可以看出，神經元是一個多輸入單輸出的器件。神經元接收輸入信號、加權、整合，最后經非線性變換輸出。由此得出神經元數學模型： （3-1）其中，表示時刻神經元接收的來自神經元的輸入信號；表示神經元j的輸出；表示輸入輸出間的突觸時延；表示神經元到的權值；表示神經元的閾值。輸入總和，即凈輸入用下式表示 （3-2）當時神經元被激活。如令，則有，輸入與閾值之差表示為 （3-3）若無特殊說明，本文以后各章節中采用此種表示形式。神經元的的信息處理特性取決于所采用的變換函數，其變換函數反映了神經元輸出與激活狀態的關系。以下介紹幾種常用變換函數。（1）閾值型

43、 （3-4）當時，神經元為興奮狀態；當時，神經元輸出為0，為抑制狀態。1.00圖3-2 單極性閾值型變換函數（2）非線性變換函數 常用非線性變化函數是單極性的s型函數，即sigmoid函數，該函數連續可導，且其導數也是連續的。 （3-5）00.51.0圖3-3 單極性s型變換函數（3）分段線性函數 該具有該傳遞函數特性的神經元的輸入與輸出在一定區間內滿足線性關系。 （3-6）1.00圖3-4 單極性分段線性變換函數（4）線性函數 線性函數可將輸入轉化為任意值輸出，即將輸入原值輸出。 （3-7）（5）概率型變換函數 采用這種變換函數的神經元其輸入輸出間的關系是不確定的，需用一個隨機函數來描述其輸

44、出狀態。設輸出為1的概率為 （3-8）3.1.2 人工神經網絡模型神經元按照一定的規則連接成神經網絡，并使網絡中神經元的權值按照一定的規則變化。下面以三層網絡結構。按網絡的拓撲結構分類：（1）前向網絡。神經元分層排列，組成輸入層、隱含層(或稱中間層，可以有若干層)、輸出層。每一層的神經元只能接受來自前一層神經元的輸出信號，輸入模式經過各層次順序傳播，在輸出層輸出。感知器網絡和bp網絡屬于前向網絡。（2）有反饋的前向網絡。網絡仍由前述三部分組成，但從輸入層到輸出層有反饋信號，這種網絡結構用于存儲某種模式序列。神經認知機和回歸bp網絡屬于這種類型。（3）層內有相互結合的前向網絡。這種網絡基本結構仍

45、然有三層，但同一層內的神經元之間又互相結合。這種結構在同一層內引入神經元間的側向作用，使得能同時激活的神經元數可控，以實現神經元的自組織。（4）互相結合型網絡。這種網絡的任意兩個神經元之間都可能有連接，信號在神經元之間反復往返傳遞，網絡處于一種動態過程中，從某一初態開始，經過若干次變化，才會達到某種平衡狀態。根據網絡的結構和神經元的特性，網絡還有可能進入周期振蕩或其它如混沌等平衡狀態11。在實際應用中，bp網絡因其結構簡單，應用廣泛，本文用的就是這種網絡。3.1.3 人工神經網絡的特性神經網絡（ann）采用物理可實現的器件或計算機模擬生物神經網絡的某些結構和功能。它汲取了生物神經網絡的部分優點

46、，具有如下特性：（1）ann由大量功能簡單的處理單元相互連接而成，這些處理單元集體的、并行的活動得到預期的識別、計算結果，運行速度快。（2）ann具有很強的容錯功能，即使部分單元受到破壞，不會對全局活動造成很大影響。（3）ann通過學習得到的信息存儲在神經元之間的連接權值上，且信息存儲采用分布式。（4）ann均有很強的學習功能，它的拓撲結構和神經元間的連接權值都可以通過學習得到。3.2 神經網絡算法神經網絡的功能特性由其拓撲結構和連接強度，即連接權值決定。神經網絡連接權值可用一個w矩陣表示，反應神經網絡對于所解決問題的知識存儲。神經網絡對樣本的學習訓練，實質是調整權值的過程。神經網絡的學習過程

47、分兩個階段：第一個階段是訓練階段。各計算單元狀態不變，通過學習改變權值；第二個階段是測試階段。連接權值不變，改變輸入，使其達到某穩定狀態。概括來說，訓練的目的是從訓練樣本中提取隱含的規律存儲于網絡中供工作階段使用。神經網絡學習算法很多，可歸納為以下三種：（1）有導師學習。這種學習方式需要一組訓練樣本。學習過程中，網絡根據本身輸出和期望輸出結果之間的誤差來調節系統的權值和閾值。期望輸出作為學習評價的標準。（2）無導師學習。其學習評價標準隱含于網絡內部。網絡根據特有的內部結構和學習規則去發現環境所提供的某些統計規律來調整權值，這是一種自組織過程，使網絡能夠對屬于同一類的模式進行自動分類。（3）灌輸

48、式學習。這種學習方式中網絡的權值是通過某種設計方法得到的，一旦輸入就固定不變12。3.3 bp網絡基于誤差反向傳播(back propagation，簡稱bp)算法的多層前向人工神經網絡-bp網絡，是目前最成熟的人工神經網絡。3.3.1 bp網絡模型與結構一個多層神經網絡模型分為三層：輸入層、輸出層、中間層。中間層不與實際的輸入輸出相聯系，也稱隱含層，可以由若干層組成。采用誤差反向傳播算法的神經網絡稱為bp網。以下是三層bp網絡模型。圖3-9 三層bp網絡模型3.3.2 bp算法（1）bp算法簡介 從數學意義上講，bp網絡是利用訓練樣本實現從輸入到輸出的非線性映射，bp算法是典型的有導師學習方

49、式，基本過程為：輸入模式由輸入層經過中間層向輸出層傳播的“模式順傳播”過程，由“模式順傳播”與“誤差逆傳播”的反復交替進行的網絡“記憶訓練”過程，網絡趨向收斂，即網絡的全局誤差趨向最小值的“學習收斂”過程。歸結起來為，“模式順傳傳播”“模式逆傳播”“記憶訓練”“學習收斂”的過程。設三層bp網絡參數如下：輸入向量,是為隱層神經元引入閾值設置的；隱層輸出向量，是為輸出層神經元引入閾值設置的；輸出層向量為；期望輸出為。輸入層到隱層之間的權值矩陣用表示，其中列向量為隱層第個神經元對應的權向量；隱層到輸出層的權值矩陣用表示，其中列向量為輸出層第個神經元對應的權向量。對于輸出層，有 （3-9） （3-10

50、）對于隱層，有 （3-11） （3-12）變換函數具有連續可導的特點：對于輸出層，變換函數為單極性的sigmoid函數 （3-13）對于隱層，變換函數為雙極性正切函數tansig （3-14）（2）網絡誤差與權值調整 實際輸出輸出與期望輸出不相等時，存在誤差： （3-15）將式（3-9）、（3-10）代入式（3-15），將其展開至隱層： （3-16）將式（3-11）、（3-12）代入（3-16），將其進一步展開至隱層： （3-17）由此可見，調整權值、即可改變誤差，使用梯度下降法，使權值與誤差下降成正比，即 （3-18） （3-19）其中負號表示梯度下降，是學習速率。（3）bp算法推導 式（3-18）、（3-19）可改寫為如下形式： （3-20） （3-21）對輸出層和隱含層各給出一個誤差信號： （3-22） （3-23）則輸出層權值調整式為： （3-24）隱層權值調整式為： （3-25）可以看出，只需計算誤差信號，、即可求出。計算、：由于傳遞函數可導，則 （3-26）對于輸出層有： （3-27）由式（3-15）得， （3-28）由式（3-22）、（3-26）、（3-28）得， （3-