基于bp神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)畢業(yè)論文

1、 . . . 本科生畢業(yè)設(shè)計(jì)（論文）題 目：姓 名：學(xué) 號(hào)：學(xué) 院：專 業(yè)：年 級(jí)：指導(dǎo)教師：（簽名） 年 月 日25 / 32電力系統(tǒng)整點(diǎn)負(fù)荷預(yù)測(cè)研究摘要短期負(fù)荷預(yù)測(cè)在電力系統(tǒng)中有著舉足輕重的作用，是電力系統(tǒng)最基本的工作之一，準(zhǔn)確的負(fù)荷預(yù)測(cè)為電力系統(tǒng)的穩(wěn)定，可靠，經(jīng)濟(jì)的運(yùn)行提供了便利條件。隨著我國電力經(jīng)濟(jì)進(jìn)一步發(fā)展，負(fù)荷預(yù)測(cè)對(duì)電力系統(tǒng)的經(jīng)濟(jì)效益和國民經(jīng)濟(jì)的影響越來越大。負(fù)荷預(yù)測(cè)的精度的保證成為現(xiàn)在電力科學(xué)人員的重要工作，負(fù)荷預(yù)測(cè)誤差大直接導(dǎo)致導(dǎo)致成本增加，電力系統(tǒng)調(diào)度難度變大等后果。本文簡單闡述電力系統(tǒng)負(fù)荷預(yù)測(cè)的容，負(fù)荷的特點(diǎn)。并介紹幾種國外所用的短期負(fù)荷預(yù)測(cè)的方法和發(fā)展趨勢(shì)，比較其優(yōu)缺點(diǎn)，

2、說明人工神經(jīng)網(wǎng)絡(luò)在處理短期負(fù)荷預(yù)測(cè)這類問題有自適應(yīng)，自主學(xué)習(xí)的優(yōu)點(diǎn)。本文將利用人工神經(jīng)網(wǎng)絡(luò)BP算法來進(jìn)行短期負(fù)荷的預(yù)測(cè)研究，這種方法主要是利用人工神經(jīng)網(wǎng)絡(luò)的非線性逼近功能來實(shí)現(xiàn)的。本文將對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)進(jìn)行簡單的理論介紹，著重講述了神經(jīng)網(wǎng)絡(luò)的BP算法并將其應(yīng)用于負(fù)荷預(yù)測(cè)研究的計(jì)算過程。本文技術(shù)要求學(xué)習(xí)日負(fù)荷的特點(diǎn)以與建立神經(jīng)網(wǎng)絡(luò)模型，確定三層網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)目，選好傳遞函數(shù)和初始權(quán)值。建好模型之后，利用原始的5到20日的整點(diǎn)負(fù)荷數(shù)據(jù)來預(yù)測(cè)第21，22與23日的整點(diǎn)負(fù)荷數(shù)據(jù)，用MATLAB編寫程序進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練出結(jié)果之后對(duì)其進(jìn)行分析，畫出負(fù)荷數(shù)據(jù)變化曲線和原始數(shù)據(jù)的曲線進(jìn)行比較。由于本文沒

3、有考慮天氣以與節(jié)假日等影響負(fù)荷變化的因素，所做出的仿真的誤差精度不是很小。關(guān)鍵詞：短期負(fù)荷預(yù)測(cè)；人工神經(jīng)網(wǎng)絡(luò)；BP算法;The Power system integer point Load forecastingAbstract Short-term load forecasting plays an important role in the power system，It is one of the basic work of the power system.Accurate load forecasting is to provide convenient conditions fo

4、r the power system to work stable, reliable, and economic.With the further development of China'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 importa

5、nt work for Electric Power Researchers.Large 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 characteristics.And introduced

6、several domestic and foreign short-term load forecasting methods and its trends,compare its advantages and disadvantages,make an explanation about artificial neural network has the advantages of adaptive and self-learning working on short load forecasting.This paper will make use of the neural netwo

7、rk BP algorithm to study short load forecasting,This method is mainly using artificial neural network linear approximation to achieve. In this paper, power system short-term load forecasting will be briefly theoretical introduced ,focuses on the process of BP neural network algorithm and its applied

8、 to the calculation of the load forecasting .The technical requirements of this paper is to learn the daily load characteristics and the establishment of neural network model and to determine the number of nodes of the three-tier network, then select transfer function and initial weights.After build

9、ing the model,By using of the original day 5 to day 20 integer point of load data to predict the integer point load data of day 21, day 22 and day 23. By using of MATLAB programming to train the network and analysis the training results, Plot the forecasting load data curve and the original data cur

10、ve and compare them . Due to this paper does not consider the factors of weather and holidays which affect the load ,the error of the simulation is not so small. Keywords: Short load forecasting; artificial neural network; BP algorithm目錄摘要IAbstractII目錄III第1章 緒論11.1 負(fù)荷預(yù)測(cè)的背景和意義11.2 負(fù)荷預(yù)測(cè)國外發(fā)展現(xiàn)狀11.3 本文主要

11、研究容3第2章 負(fù)荷預(yù)測(cè)介紹42.1 負(fù)荷預(yù)測(cè)的組成和特點(diǎn)42.1.1 負(fù)荷預(yù)測(cè)的組成42.1.2 負(fù)荷預(yù)測(cè)的特點(diǎn)42.2 影響負(fù)荷預(yù)測(cè)的因素52.3 負(fù)荷預(yù)測(cè)的原則和步驟52.3.1 負(fù)荷預(yù)測(cè)的原則52.3.2 負(fù)荷預(yù)測(cè)的模型62.3.3 負(fù)荷預(yù)測(cè)的步驟62.4 本章小結(jié)7第3章 BP神經(jīng)網(wǎng)絡(luò)原理83.1人工神經(jīng)網(wǎng)絡(luò)概述83.1.1 神經(jīng)網(wǎng)絡(luò)的特性83.1.2 人工神經(jīng)元模型83.2 神經(jīng)網(wǎng)絡(luò)BP算法93.2.1 BP網(wǎng)絡(luò)結(jié)構(gòu)93.2.2 BP網(wǎng)絡(luò)的算法103.2.3 BP網(wǎng)絡(luò)的缺點(diǎn)和改進(jìn)方法113.3 本章小結(jié)11第4章 整點(diǎn)負(fù)荷預(yù)測(cè)設(shè)計(jì)與其實(shí)現(xiàn)124.1 模型的設(shè)計(jì)與參數(shù)設(shè)定124.1.

12、1 模型的設(shè)計(jì)124.1.2 參數(shù)的設(shè)定134.2 整點(diǎn)負(fù)荷預(yù)測(cè)數(shù)據(jù)134.3 BP仿真設(shè)計(jì)154.4 預(yù)測(cè)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26第1章 緒論1.1 負(fù)荷預(yù)測(cè)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(jì)地提供可靠而合乎質(zhì)量標(biāo)準(zhǔn)要求的電能，以隨時(shí)滿足各類用戶的需求。由于電能的生產(chǎn)、輸送、分配和消費(fèi)是同時(shí)完成的，難以大量儲(chǔ)存，這就要求發(fā)電系統(tǒng)要隨時(shí)緊跟系統(tǒng)負(fù)荷變化以達(dá)到動(dòng)態(tài)平衡，否則就會(huì)影響供電質(zhì)量，甚至危與電力系統(tǒng)的安全與穩(wěn)定。因此，科學(xué)的電力系統(tǒng)負(fù)荷預(yù)測(cè)就成為電力系統(tǒng)一項(xiàng)重要的工作，同時(shí)也是電力系統(tǒng)自動(dòng)化領(lǐng)域中一項(xiàng)中重要容1。負(fù)荷預(yù)測(cè)指的是，在充分考慮

13、一些重要的系統(tǒng)運(yùn)行特性，增容決策，自然條件和社會(huì)條件下，研究或利用一套系統(tǒng)來處理過去與未來負(fù)荷的數(shù)學(xué)方法，在滿足一定精度要求的意義下，確定未來某特定時(shí)刻的負(fù)荷數(shù)值2。負(fù)荷預(yù)測(cè)按時(shí)間可以分成短期負(fù)荷預(yù)測(cè)，中期負(fù)荷預(yù)測(cè)和長期負(fù)荷預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)有周負(fù)荷預(yù)測(cè)，日負(fù)荷預(yù)測(cè)和小時(shí)負(fù)荷預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)精度對(duì)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?chǎng)穩(wěn)定性和經(jīng)濟(jì)效益息息相關(guān)，由于我國處在社會(huì)主義初級(jí)階段，節(jié)能和科學(xué)發(fā)展是現(xiàn)在發(fā)展的趨勢(shì)，短期負(fù)荷預(yù)測(cè)精度重要性不言而喻。 因此，從各個(gè)方面來講，電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是一項(xiàng)十分重要和必不可少的工作

14、。1.2 負(fù)荷預(yù)測(cè)國外發(fā)展現(xiàn)狀長時(shí)間，人們發(fā)明了很多負(fù)荷預(yù)測(cè)的方法，比如傳統(tǒng)分析法和人工智能等。國外由于經(jīng)濟(jì)發(fā)展較好，電力系統(tǒng)長期比較穩(wěn)定，所以以中長期負(fù)荷預(yù)測(cè)為主，而我國處在社會(huì)主義初級(jí)階段，所以兩者兼并重。 傳統(tǒng)分析法有時(shí)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。近年來，經(jīng)過國外專家不懈努力，發(fā)現(xiàn)了許多人工智能方法，具體的比如灰色理論、模糊邏輯系統(tǒng)預(yù)測(cè)法、人工神經(jīng)網(wǎng)絡(luò)、小波分析法等等一系列負(fù)荷預(yù)測(cè)的方法。 （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(gè)

15、領(lǐng)域得到廣泛應(yīng)用。灰色系統(tǒng)理論將一切隨機(jī)變化量看作是在一定圍變化的灰色量，常用累加生成和累減生成的方法，將雜亂無章的原始數(shù)據(jù)整理成規(guī)律性較強(qiáng)的生成數(shù)據(jù)列，灰色理論預(yù)測(cè)法就是以灰色系統(tǒng)理論為基礎(chǔ)的預(yù)測(cè)技術(shù)，可在數(shù)據(jù)不多的情況下找出某個(gè)時(shí)期起作用的規(guī)律，建立負(fù)荷預(yù)測(cè)的灰色模型，灰色模型的微分方程作為電力系統(tǒng)單一指標(biāo)(如負(fù)荷)的預(yù)測(cè)時(shí)，求解微分方程的時(shí)間響應(yīng)函數(shù)表達(dá)式，即為所求的灰色預(yù)測(cè)模型，對(duì)模型的精度和可信度進(jìn)行校驗(yàn)并修正后，即可據(jù)此模型預(yù)測(cè)未來的負(fù)荷，此方法是中長期負(fù)荷預(yù)測(cè)的主要方法3。(2) 模糊預(yù)測(cè)法 模糊預(yù)測(cè)法，是近幾年來在電力系統(tǒng)負(fù)荷預(yù)測(cè)中不斷出現(xiàn)的一種新的預(yù)測(cè)方法。模糊預(yù)測(cè)技術(shù)考慮了

16、與電力負(fù)荷諸多相關(guān)的因素，將負(fù)荷與對(duì)應(yīng)環(huán)境作為一個(gè)數(shù)據(jù)整體進(jìn)行處理，得出負(fù)荷變化模式與對(duì)應(yīng)環(huán)境因素特征，從而將待測(cè)年環(huán)境因素特征與各歷史環(huán)境因素特征進(jìn)行比較，得出所求負(fù)荷增長率，用以求取預(yù)測(cè)年負(fù)荷，所以模糊預(yù)測(cè)法是目前用于處理各種主觀因素較重、材料和數(shù)據(jù)資料不完整等不確定因素的有效方法。目前模糊集合理論應(yīng)用于負(fù)荷預(yù)測(cè)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。（3）人工神經(jīng)網(wǎng)絡(luò)法 自從1943年第一個(gè)神經(jīng)網(wǎng)絡(luò)模型被提出至今，神經(jīng)網(wǎng)絡(luò)的發(fā)展十分迅速，在電力系統(tǒng)負(fù)荷預(yù)測(cè)領(lǐng)域應(yīng)用較廣泛的模型有：反向傳播模型、自組織特征映射。將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期負(fù)荷預(yù)測(cè)的具體過程為：以

17、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(cè)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)值與神經(jīng)元的閾值，然后將訓(xùn)練完成的網(wǎng)絡(luò)用于預(yù)測(cè)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(jìn)行電力系統(tǒng)短期負(fù)荷的預(yù)測(cè)工作，預(yù)測(cè)結(jié)果具有較高的精度5。（4） 專家預(yù)測(cè)法 對(duì)數(shù)據(jù)庫里存放的過去幾年的每小時(shí)的負(fù)荷和天氣數(shù)據(jù)進(jìn)行細(xì)致的分析，匯集有經(jīng)驗(yàn)的負(fù)荷預(yù)報(bào)人員的知識(shí)，提取有關(guān)規(guī)則，按照一定的規(guī)則推理進(jìn)行負(fù)荷預(yù)測(cè)，專家系統(tǒng)是對(duì)人類的不可量化的經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)化的一種較好的方法，若能將它與其他方法有機(jī)地結(jié)

18、合起來，構(gòu)成預(yù)測(cè)系統(tǒng)，將可得到滿意的結(jié)果，專家系統(tǒng)法是一個(gè)很耗時(shí)的過程，對(duì)某些復(fù)雜的因素(如天氣因素)要準(zhǔn)確、定量地確定他們對(duì)負(fù)荷的影響也常常是很困難的事6。 總的來說，人工神經(jīng)網(wǎng)絡(luò)這種方法在負(fù)荷預(yù)測(cè)的時(shí)候有其獨(dú)特的優(yōu)勢(shì)，并且得到了許多專家的認(rèn)可，并取得了不錯(cuò)的成就。本文就是利用人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行短期負(fù)荷預(yù)測(cè)，證明這種方法在短期負(fù)荷預(yù)測(cè)中的可行性和實(shí)用性，為電力系統(tǒng)提供更良好的服務(wù)。1.3 本文主要研究容本文在介紹多種負(fù)荷預(yù)測(cè)方法之后，以某地區(qū)的整點(diǎn)負(fù)荷為例，建立三層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行短期負(fù)荷預(yù)測(cè)。用MATLAB軟件編寫程序進(jìn)行仿真，驗(yàn)證此方法的可行性。論文研究主要容如下： 第1章 介紹選題背景

19、、目的與其意義，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)。第2章 介紹負(fù)荷預(yù)測(cè)的容與其影響因素，詳細(xì)介紹負(fù)荷預(yù)測(cè)的基本步驟。第3章 介紹神經(jīng)網(wǎng)絡(luò)BP算法的原理，BP算法的特點(diǎn)。并說明BP算法在短期負(fù)荷預(yù)測(cè)時(shí)改進(jìn)的方法。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(cè)上，建模并仿真以與對(duì)結(jié)果的分析。 第5章 論文結(jié)論和展望。第2章 負(fù)荷預(yù)測(cè)介紹2.1 負(fù)荷預(yù)測(cè)的組成和特點(diǎn)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(diǎn)和變化，但預(yù)測(cè)方法都是一樣的。2.1.1 負(fù)荷預(yù)測(cè)的組成在電力系統(tǒng)中，按預(yù)測(cè)周期可分為長期負(fù)荷預(yù)測(cè)

20、、中期負(fù)荷預(yù)測(cè)和短期負(fù)荷預(yù)測(cè)以與超短期負(fù)荷預(yù)測(cè)。 中長期負(fù)荷預(yù)測(cè)主要是指對(duì)未來一年或幾年的負(fù)荷進(jìn)行預(yù)測(cè)，超短期負(fù)荷預(yù)測(cè)是指對(duì)未來幾分鐘幾小時(shí)的負(fù)荷進(jìn)行預(yù)測(cè)，而短期負(fù)荷預(yù)測(cè)是對(duì)未來幾天的負(fù)荷進(jìn)行預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)和超短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)核心技術(shù)模塊，因?yàn)閮烧咧苯雨P(guān)系到發(fā)電輸電方案的制定，也是能量管理系統(tǒng)（EMS）的重要組成部分。此外，在能量管理系統(tǒng)中，還有母線負(fù)荷預(yù)測(cè)等其他負(fù)荷預(yù)測(cè)。2.1.2 負(fù)荷預(yù)測(cè)的特點(diǎn) 由于負(fù)荷預(yù)測(cè)是根據(jù)電力負(fù)荷的過去和現(xiàn)在推測(cè)它的未來數(shù)值，所以，負(fù)荷預(yù)測(cè)工作所研究的對(duì)象是不肯定事件，只有不肯定事件、隨機(jī)事件、才需要人們采用適當(dāng)?shù)念A(yù)測(cè)技術(shù)，推知負(fù)荷的發(fā)展趨勢(shì)和可能達(dá)到的

21、狀況。這就使負(fù)荷預(yù)測(cè)具有以下明顯的特點(diǎn)7:（1） 不確定性 因?yàn)殡娏ω?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。人們對(duì)于這些發(fā)展變化有些能夠預(yù)先估計(jì)，有些卻很難事先預(yù)見到，加上一些臨時(shí)情況發(fā)生變化的影響，因此就決定了預(yù)測(cè)結(jié)果的不準(zhǔn)確性或不完全準(zhǔn)確性。（2） 條件性 各種負(fù)荷預(yù)測(cè)都是在一定條件下作出的。對(duì)于條件而言，又可分為必然條件和假設(shè)條件兩種。如果負(fù)荷預(yù)測(cè)員真正掌握了電力負(fù)荷的本質(zhì)規(guī)律，那么預(yù)測(cè)條件就是必然條件，所作出的預(yù)測(cè)往往是比較可靠的。而在很多情況下，由于負(fù)荷未來發(fā)展的不肯定性，所以就需要一些假設(shè)條件。例如，我們經(jīng)常說，如果天氣一直不下雨的

22、話，排灌負(fù)荷將保持較高的數(shù)值等等。當(dāng)然，這些假設(shè)條件不能毫無根據(jù)的憑空假設(shè)，而應(yīng)根據(jù)研究分析，綜合各種情況而得來。給預(yù)測(cè)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(cè)結(jié)果。（3） 時(shí)間性 各種負(fù)荷預(yù)測(cè)都有一定的時(shí)間圍，因?yàn)樨?fù)荷預(yù)測(cè)屬于科學(xué)預(yù)測(cè)的疇，因此，要求有比較確切的數(shù)量概念，往往需要確切地指明預(yù)測(cè)的時(shí)間。（4） 多方案性 由于預(yù)測(cè)的不準(zhǔn)確性和條件性，所以有時(shí)要對(duì)負(fù)荷在各種情況下可能發(fā)展?fàn)顩r進(jìn)行預(yù)測(cè)，就會(huì)得到各種條件下不同的負(fù)荷預(yù)測(cè)方案。2.2 影響負(fù)荷預(yù)測(cè)的因素有很多影響負(fù)荷預(yù)測(cè)的因素，經(jīng)過多年專家的總結(jié)，分為以下幾種： （1）電力系統(tǒng)負(fù)荷部變化。電力系統(tǒng)負(fù)荷隨著人們用電的規(guī)律變化而變化

23、，比如日負(fù)荷，在白天負(fù)荷變化平緩，到傍晚的時(shí)候負(fù)荷變化迅速增大，到深夜又迅速減少。負(fù)荷部變化往往具有線性和周期性兩大特點(diǎn)。 （2）氣候因素。在我國，由于南北跨越較大，各地氣候有明顯的不同，主要表現(xiàn)在溫度、濕度、風(fēng)力、天氣、污染程度等。特別是溫度對(duì)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。 （3）時(shí)間因素。時(shí)間因素是指比如法定節(jié)假日、星期循環(huán)、四季變換都會(huì)對(duì)負(fù)荷產(chǎn)生影響。一般而言節(jié)假日負(fù)荷要小于工作日負(fù)荷，因?yàn)樵诠?jié)假日許多工廠停止作業(yè)，工業(yè)負(fù)荷下降。 （4）其他因素。比如電力系統(tǒng)設(shè)備故障進(jìn)行檢修，電力系統(tǒng)產(chǎn)生系統(tǒng)震蕩，電力系統(tǒng)發(fā)生

24、事故或自然災(zāi)害這類事件也會(huì)對(duì)負(fù)荷產(chǎn)生很大的影響。2.3 負(fù)荷預(yù)測(cè)的原則和步驟 前兩節(jié)講述了負(fù)荷預(yù)測(cè)的特點(diǎn)和影響因素，綜合利用上述特點(diǎn)，可以結(jié)合實(shí)際情況按照負(fù)荷預(yù)測(cè)的原則和步驟建立模型進(jìn)行預(yù)測(cè)。2.3.1 負(fù)荷預(yù)測(cè)的原則 短期電力負(fù)荷預(yù)測(cè)的一個(gè)突出特點(diǎn)是：為對(duì)系統(tǒng)負(fù)荷進(jìn)行預(yù)測(cè)，要對(duì)過去的負(fù)荷歷史資料進(jìn)行分析，電力系統(tǒng)的負(fù)荷在本質(zhì)上來說是不可控制的，雖然一些小的變化可以用頻率控制來加以影響；或者在某些情況下在局部地區(qū)采用某種特殊的電價(jià)政策來對(duì)負(fù)荷施加影響，然而，總的來說，負(fù)荷是不可控制的。因此，了解未來短期負(fù)荷變化的一個(gè)最有效的方法，就是觀察歷史負(fù)荷記錄并進(jìn)行分析，負(fù)荷的另一個(gè)特征就是它具有按天，

25、按周以與按季節(jié)周期性變化的特點(diǎn)8。 要進(jìn)行負(fù)荷觀測(cè)，就要尋求行之有效的預(yù)測(cè)方法，不論采取什么方法，其基本原則是9：(1)選擇要預(yù)測(cè)的變量、預(yù)測(cè)水平與待預(yù)測(cè)的時(shí)間。(2) 收集與分析預(yù)測(cè)所必須的歷史資料。(3) 決定預(yù)測(cè)可靠性指標(biāo)。(4)確定一個(gè)適當(dāng)?shù)臄?shù)學(xué)模型。(5)進(jìn)行各項(xiàng)負(fù)荷預(yù)測(cè)。(6) 分析預(yù)測(cè)結(jié)果并改進(jìn)模型。2.3.2 負(fù)荷預(yù)測(cè)的模型由短期負(fù)荷的特點(diǎn)所知，短期負(fù)荷的基本變化規(guī)律可由典型負(fù)荷分量的特性來描述，同時(shí)還有一些隨機(jī)變化分量，在本文中未考慮比如氣候這類隨機(jī)變化分量。本文只充分考慮了負(fù)荷預(yù)測(cè)的周期性，也利用舊的歷史負(fù)荷數(shù)據(jù)。按正常情況來講，應(yīng)該對(duì)特殊分量值進(jìn)行修正處理，還要把模型分類

26、，分成節(jié)假日負(fù)荷和工作日負(fù)荷兩種類型，如果有季節(jié)性變化，還要把模型按季節(jié)劃分，分為春季、夏季、秋季、冬季這四種模型。所以，為了使預(yù)測(cè)數(shù)據(jù)更加精確，在預(yù)測(cè)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。人工神經(jīng)網(wǎng)絡(luò)中，需再加入人工修正量，方便在電力系統(tǒng)這個(gè)大環(huán)境下使用定量分析。2.3.3 負(fù)荷預(yù)測(cè)的步驟 預(yù)測(cè)負(fù)荷前，都要對(duì)歷史負(fù)荷進(jìn)行分析總結(jié)，完成對(duì)未來負(fù)荷的預(yù)測(cè)。從中我們可以看出10：電力負(fù)荷之間的時(shí)間距離越近關(guān)系越密切，即相似度越大，所以當(dāng)負(fù)荷預(yù)測(cè)點(diǎn)距離歷史數(shù)據(jù)較遠(yuǎn)時(shí)，預(yù)測(cè)值的誤差相對(duì)較大；而預(yù)測(cè)點(diǎn)距離歷史負(fù)荷數(shù)據(jù)較近時(shí)則誤差相對(duì)較小。所以當(dāng)我們選擇歷史數(shù)據(jù)點(diǎn)的時(shí)候，盡量選擇離預(yù)

27、測(cè)點(diǎn)近的數(shù)據(jù)。確定預(yù)測(cè)對(duì)象之后，需要廣闊歷史資料，包括前段的歷史天氣資料和歷史負(fù)荷資料并將其分類，分析，挑選出相關(guān)的歷史記錄作為待用。要保證數(shù)據(jù)的連續(xù)性和正確性。當(dāng)歷史負(fù)荷數(shù)據(jù)挑選完之后，把不良數(shù)據(jù)和偽數(shù)據(jù)消除掉，填補(bǔ)缺失數(shù)據(jù)。接著建立電力負(fù)荷變化模型和負(fù)荷預(yù)測(cè)模型。模型建立過程中，需要進(jìn)行模型辨識(shí)和參數(shù)估計(jì)。電力負(fù)荷其預(yù)測(cè)值與實(shí)際值一定有出入，即預(yù)測(cè)誤差，并且這是不可避免的。目前廣泛應(yīng)用的計(jì)算、分析預(yù)測(cè)誤差的方法有平均絕對(duì)誤差、均方誤差、均方根誤差、標(biāo)準(zhǔn)誤差等11。具體預(yù)測(cè)流程圖如下： 校正與改進(jìn)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(cè)模型模型辨識(shí)與參數(shù)估計(jì)負(fù)荷數(shù)

28、據(jù)預(yù)測(cè)負(fù)荷預(yù)測(cè)預(yù)測(cè)誤差分析 輸出預(yù)測(cè)負(fù)荷值YN2.4 本章小結(jié) 本章我們學(xué)習(xí)到負(fù)荷預(yù)測(cè)在電力系統(tǒng)中的重要性，尤其是短期負(fù)荷預(yù)測(cè)，了解到了負(fù)荷預(yù)測(cè)的方法，以與負(fù)荷預(yù)測(cè)的基本步驟，在后面進(jìn)行具體操作的時(shí)候要一步一步按照步驟來做。第3章 BP神經(jīng)網(wǎng)絡(luò)原理3.1人工神經(jīng)網(wǎng)絡(luò)概述神經(jīng)網(wǎng)絡(luò)是實(shí)際存在于人的大腦里，簡稱生物神經(jīng)網(wǎng)絡(luò)，而我們把向生物學(xué)習(xí)，用來模仿人腦神經(jīng)活動(dòng)，建立神經(jīng)活動(dòng)數(shù)學(xué)模型所構(gòu)造出來的神經(jīng)網(wǎng)絡(luò)稱為人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是基于對(duì)人腦的組織結(jié)構(gòu)，活動(dòng)機(jī)制的初步認(rèn)識(shí)提出的一種新型信息處理體系。通過模仿腦神經(jīng)系統(tǒng)的組織結(jié)構(gòu)以與某些活動(dòng)機(jī)理，人工神經(jīng)網(wǎng)絡(luò)可呈現(xiàn)出人腦的許多特征，并具有人腦的一些

29、基本功能12。人工神經(jīng)網(wǎng)絡(luò)在上個(gè)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(shí)間，這種方法廣泛地被應(yīng)用到各個(gè)領(lǐng)域，比如可以預(yù)測(cè)電力系統(tǒng)的短期負(fù)荷，可以探測(cè)地下水，可以檢查肝病等廣泛的應(yīng)用。本文用的是它的非線性逼近能力，然而這種任意逼近能力的證明都是非構(gòu)造性的，這為神經(jīng)網(wǎng)絡(luò)具體應(yīng)用帶來不便，因而許多學(xué)者都致力于各種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的研究，以便得到滿足實(shí)際應(yīng)用的神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和參數(shù)13。3.1.1 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(diǎn)：（1） 非線性。在理論上可以逼近任何非線性映射。非線性結(jié)構(gòu)的系統(tǒng)可以用它來建模、預(yù)測(cè)。短期負(fù)荷預(yù)測(cè)就是利用其這個(gè)性能進(jìn)行預(yù)測(cè)。（2）

30、平行分布處理。本身有高度平行結(jié)構(gòu)。（3） 硬件實(shí)現(xiàn)。（4） 學(xué)習(xí)和自適應(yīng)性。通過用實(shí)際的數(shù)據(jù)建模，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使輸出達(dá)到期望值。（5） 數(shù)據(jù)融合。（6） 多變量系統(tǒng)?？梢詫?shí)現(xiàn)多輸入多輸出。 由此看來，在非線性問題上和模式識(shí)別和系統(tǒng)仿真上是有其獨(dú)特優(yōu)勢(shì)的，這類問題都可以轉(zhuǎn)化到用神經(jīng)網(wǎng)絡(luò)來處理。3.1.2 人工神經(jīng)元模型類似生物神經(jīng)元，人工神經(jīng)網(wǎng)絡(luò)也是由一個(gè)個(gè)人工神經(jīng)元組成的。由圖可知，人工神經(jīng)元是多輸出單輸入的非線性元件。其輸入輸出關(guān)系為： 其中(=1，2,.,n)是從其他細(xì)胞傳來的輸入信號(hào)，為閾值，權(quán)系數(shù)表示連接強(qiáng)度，說明突觸的負(fù)載，稱為激發(fā)函數(shù)或作用函數(shù)，其非線特性可用閾值型、分段線性型

31、和連續(xù)型激發(fā)函數(shù)近似14。3.2 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。網(wǎng)絡(luò)學(xué)習(xí)過程是誤差反向傳播回上一層修改其權(quán)值，直到其達(dá)到收斂之后。3.2.1 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。三層分別是輸入層、輸出層、隱含層，隱藏層可以是一層或者多層，在負(fù)荷預(yù)測(cè)中，隱含層用一層比較好。激發(fā)函數(shù)一般選擇Sigmoid函數(shù)或雙曲函數(shù)。設(shè)三層BP網(wǎng)絡(luò)，輸入層M個(gè)節(jié)點(diǎn)，輸出層L個(gè)節(jié)點(diǎn)，隱層有N個(gè)節(jié)點(diǎn)。則N>M>L。輸入為，期望輸出為。結(jié)構(gòu)圖如圖3-1

32、所示 . 圖3-1 三層BP網(wǎng)絡(luò)結(jié)構(gòu)圖3.2.2 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(diǎn)，網(wǎng)絡(luò)輸出為，有N個(gè)輸入（=1,2,3，.,N），網(wǎng)絡(luò)輸出亦然。設(shè)第二層神經(jīng)元個(gè)數(shù)為N1，第二層第個(gè)神經(jīng)元輸出變量用來表示，由第二層第到第三層第個(gè)神經(jīng)元的權(quán)系數(shù)用來表示，第2層第個(gè)神經(jīng)元的輸出變量用來表示。則有 （3-1）為網(wǎng)絡(luò)的實(shí)際輸出值。 令 （3-2） 其中： （3-3）通過改進(jìn)的BP算法收斂精度更高，網(wǎng)絡(luò)容錯(cuò)能力更強(qiáng)，算法也更加完備。具體算法步驟如下：（1） 對(duì)數(shù)據(jù)進(jìn)行歸一化處理，并隨機(jī)賦給所有的權(quán)值和神經(jīng)元的閾值較小值。（2） 給定輸入和，并正向迭代計(jì)算。（3） 通過迭代，計(jì)算出實(shí)際輸出

33、。（4） 反向修正權(quán)值。改進(jìn)后的修正量為 （3-4）（5） 是增益項(xiàng)，是矩參數(shù)，一般是0.8到0.98，當(dāng)訓(xùn)練結(jié)果達(dá)到誤差精度的要求后，停止訓(xùn)練，如果達(dá)不到，回到（2）。3.2.3 BP網(wǎng)絡(luò)的缺點(diǎn)和改進(jìn)方法BP網(wǎng)絡(luò)逼近非線性函數(shù)效果很好，還有自適應(yīng)和學(xué)習(xí)能力，使我們?cè)谔幚頂?shù)據(jù)的時(shí)候方便了好多。但BP網(wǎng)絡(luò)畢竟不是完美的，它還有幾個(gè)缺點(diǎn)。第一個(gè)缺點(diǎn)就是收斂速度慢。對(duì)于處理大量數(shù)據(jù)的時(shí)候，矩陣也會(huì)比較龐大，用BP算法需要學(xué)習(xí)循環(huán)幾千次甚至上萬次才會(huì)收斂，這是它本身固有的一個(gè)缺點(diǎn)，因?yàn)樗挥芯植克阉髂芰?，容易落入局部極小點(diǎn)。第二個(gè)缺點(diǎn)是網(wǎng)絡(luò)容錯(cuò)能力不夠。再追求誤差到最小的同時(shí)沒有考慮網(wǎng)絡(luò)其他因素，受到

34、干擾便會(huì)產(chǎn)生震蕩。在改進(jìn)收斂速度慢有許多種方法，這里介紹兩個(gè)最常用的方法。第一個(gè)是附加沖量法，這種方法是在每個(gè)加權(quán)調(diào)節(jié)量上加上一項(xiàng)正比于前次加權(quán)變化量的值，可以明顯加快收斂速度。第二個(gè)是采用動(dòng)態(tài)步長。就是改變學(xué)習(xí)速率，開始時(shí)學(xué)習(xí)速率取大值，收斂會(huì)變快，但這個(gè)值不應(yīng)該比引起系統(tǒng)震蕩的最大學(xué)習(xí)速率大，如果發(fā)現(xiàn)系統(tǒng)震蕩，再減小。3.3 本章小結(jié)基于BP理論基礎(chǔ)，將本章的知識(shí)實(shí)踐的應(yīng)用于負(fù)荷預(yù)測(cè)，清楚地了解到BP算法的原理以與其優(yōu)缺點(diǎn)，在進(jìn)行負(fù)荷預(yù)測(cè)的時(shí)候揚(yáng)長避短，遇到問題的時(shí)候懂得是那一方面出了問題。第4章 整點(diǎn)負(fù)荷預(yù)測(cè)設(shè)計(jì)與其實(shí)現(xiàn)4.1 模型的設(shè)計(jì)與參數(shù)設(shè)定4.1.1 模型的設(shè)計(jì) 首先建立一個(gè)三層

35、的BP網(wǎng)絡(luò)，隱含層只有一層。因?yàn)槎嚯[含層會(huì)延長訓(xùn)練的時(shí)間，隱層的激發(fā)函數(shù)選取正切雙曲函數(shù)，輸出層的激發(fā)函數(shù)采用純線性函數(shù)。隱層節(jié)點(diǎn)數(shù)目不能太少，如果太少，會(huì)影響訓(xùn)練的的精度，也不能太多，太多會(huì)延長訓(xùn)練時(shí)間。隱層節(jié)點(diǎn)的確定一般按照下面三個(gè)公式的要求來確定： （4-1） （4-2） （4-3）為隱層節(jié)點(diǎn)數(shù)目，為輸出層節(jié)點(diǎn)數(shù)目，是輸入層節(jié)點(diǎn)數(shù)目，是1到10的整數(shù)。實(shí)際訓(xùn)練的時(shí)候，按照從小到大的順序逐個(gè)代入程序進(jìn)行試驗(yàn)，選出最合適的值。 輸入節(jié)點(diǎn)的個(gè)數(shù)就是輸入神經(jīng)元訓(xùn)練網(wǎng)絡(luò)的個(gè)數(shù)，盡可能多的考慮其他影響因素作為輸入量，由于本文沒有考慮氣候等其他原因，所以輸入變量只有歷史的整點(diǎn)負(fù)荷數(shù)據(jù)。 輸出節(jié)點(diǎn)就是經(jīng)

36、過訓(xùn)練后期望的輸出，就是要預(yù)測(cè)的那幾天的整點(diǎn)負(fù)荷數(shù)據(jù)，是一個(gè)多輸出變量。 建立網(wǎng)絡(luò)通過newff來實(shí)現(xiàn)，這個(gè)函數(shù)將建立起已經(jīng)設(shè)定好參數(shù)的滿足要求的網(wǎng)絡(luò)結(jié)構(gòu)。初始化由函數(shù)init來確定，在確定網(wǎng)絡(luò)結(jié)構(gòu)的同時(shí)，這個(gè)函數(shù)會(huì)將連接網(wǎng)絡(luò)的權(quán)值閾值隨機(jī)賦值，所以每次訓(xùn)練網(wǎng)絡(luò)的輸出值都不一樣。訓(xùn)練網(wǎng)絡(luò)由train函數(shù)來確定，它會(huì)對(duì)輸入矩陣和期望輸出矩陣和設(shè)定好的參數(shù)比如訓(xùn)練次數(shù)、學(xué)習(xí)速率、最小誤差精度等來進(jìn)行訓(xùn)練，直到達(dá)到精度為止。仿真輸出由函數(shù)sim來執(zhí)行，他將根據(jù)上述訓(xùn)練的網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)處理與計(jì)算。 由于BP算法只能處理歸一化的數(shù)據(jù)，所以在進(jìn)行負(fù)荷預(yù)測(cè)的時(shí)候，要將歷史負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理，去掉那些非法的

37、數(shù)據(jù)，這些數(shù)據(jù)有明顯的誤差，不符合實(shí)際情況，會(huì)影響到網(wǎng)絡(luò)的訓(xùn)練精度和數(shù)據(jù)處理。得到輸出預(yù)測(cè)結(jié)果之后，再將輸出結(jié)果進(jìn)行反歸一化處理，得到確切的預(yù)測(cè)負(fù)荷數(shù)值。4.1.2 參數(shù)的設(shè)定 學(xué)習(xí)速率影響著網(wǎng)絡(luò)收斂程度的大小和速度，它影響著每一次訓(xùn)練權(quán)值的變化，學(xué)習(xí)速率越大，修正值越大，可能導(dǎo)致系統(tǒng)震蕩，網(wǎng)絡(luò)不收斂，而學(xué)習(xí)速率小的時(shí)候，系統(tǒng)收斂變慢，訓(xùn)練次數(shù)增加，很容易陷入局部極小。所以學(xué)習(xí)速率要從大往按照經(jīng)驗(yàn)小逐個(gè)實(shí)驗(yàn)，發(fā)現(xiàn)系統(tǒng)震蕩就往小取，發(fā)現(xiàn)收斂速度變慢就往大取。一般取值圍在0.05到0.8之間。 訓(xùn)練次數(shù)的選取要看網(wǎng)絡(luò)樣本的大小，樣本越大，需要的次數(shù)就越多，樣本越小，次數(shù)就越少。但如果把訓(xùn)練次數(shù)設(shè)定

38、的很大，收斂會(huì)變慢，有時(shí)候會(huì)達(dá)到設(shè)定的最大次數(shù)才會(huì)收斂。如果訓(xùn)練次數(shù)少，很可能因?yàn)橛?xùn)練次數(shù)不夠而達(dá)不到收斂。 期望的誤差精度選取要根據(jù)系統(tǒng)的要求來選取，取決于負(fù)荷預(yù)測(cè)誤差的要求圍之就可以，誤差精度不可以取得太小，太小會(huì)導(dǎo)致收斂變慢，訓(xùn)練次數(shù)增多，很難達(dá)到所設(shè)定值。4.2 整點(diǎn)負(fù)荷預(yù)測(cè)數(shù)據(jù) 本文以某地區(qū)5到20日的整點(diǎn)負(fù)荷作為訓(xùn)練樣本，預(yù)測(cè)21、22、23日的整點(diǎn)負(fù)荷。輸入變量就是訓(xùn)練樣本，由于是24小時(shí)整點(diǎn)的數(shù)據(jù)，所以輸入是一個(gè)24維的向量，也是一個(gè)2416的矩陣。由此可知，輸出也是一個(gè)24維的向量，也是一個(gè)243的矩陣。不能直接把歷史負(fù)荷數(shù)據(jù)作為輸入，這樣會(huì)導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)不穩(wěn)定，結(jié)果收斂不到，

39、所以要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，歸一化就是把數(shù)據(jù)歸一到0到1之間。本例不會(huì)因?yàn)闃颖具^小而導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)不穩(wěn)定、表達(dá)不充分而陷入局部極小，反而本例樣本很大，這樣增大了網(wǎng)絡(luò)訓(xùn)練次數(shù)，增長了收斂時(shí)間，數(shù)據(jù)過剩導(dǎo)致網(wǎng)絡(luò)訓(xùn)練慢。樣本數(shù)據(jù)如表4.1和4.2。 表4.1 某地區(qū)5到20日負(fù)荷數(shù)據(jù) 單位：（kw）時(shí)間5日6日7日8日9日10日11日12日 0:001702 1692 1764 1789 1684 1751 1726 1794 1:001560 1602 1662 1642 1609 1643 1648 1693 2:001522 1558 1582 1595 1532 1581 1574 1626

40、3:001504 1501 1535 1568 1509 1546 1528 1607 4:001509 1474 1521 1543 1488 1518 1541 1584 時(shí)間5日6日7日8日9日10日11日12日5:001515 1516 1568 1579 1531 1555 1589 1622 6:001696 1721 1748 1661 1790 1779 1807 1886 7:001828 1874 1861 1811 1902 1851 1897 1947 8:0019702013 2023 1910 2030 2050 2066 2098 9:002114 2120 21

41、20 2012 2143 2143 2184 2213 10:002190 2196 2188 2063 2220 2234 2236 2307 11:002322 2309 2345 2194 2341 2348 2378 2392 12:002065 2061 2038 1930 2014 2031 2055 2064 13:002016 2024 1995 1887 2013 2022 2051 2054 14:002039 2050 2031 1913 2064 2063 2107 2140 15:002041 2075 2020 1898 2053 2043 2137 2125 16

42、:002125 2176 2121 1972 2149 2157 2191 2207 17:002275 2313 2261 2112 2247 2263 2315 2328 18:002308 2354 2295 2154 2292 2298 2337 2328 19:002355 2434 2383 2285 2412 2439 2482 2511 20:002294 2331 2323 2233 2338 2331 2396 2428 21:002203 2215 2199 2155 2234 2276 2289 2324 22:002091 2174 2120 2054 2140 21

43、36 2197 2235 23:001863 1941 1948 1864 1931 1908 2014 2005 續(xù)表4.2時(shí)間13日14日15日16日17日18日19日20日 0:001829 1877 1840 1786 1862 1727 1790 1791 1:001719 1748 1694 1665 1715 1651 1740 1692 2:001644 1693 1620 1622 1671 1569 1635 1625 3:001608 1625 1588 1577 1633 1520 1659 1597 4:001627 1614 1593 1526 1609 1531

44、1576 1588 5:001634 1670 1602 1580 1645 1549 1619 1634 6:001882 1837 1746 1810 1842 1816 1839 1853 7:001998 1910 1785 1848 1937 1873 1921 1911 8:002142 2055 1906 2024 2059 2000 2061 2089 9:002233 2159 1984 2156 2197 2098 2136 2155 10:002268 2254 2091 2239 2283 2188 2221 2245 11:002392 2347 2227 2392

45、2399 2352 2355 2378 12:002070 2067 1955 2067 2061 2006 2033 2096 13:002073 2052 1906 2054 2053 2006 2001 2053 14:002133 2101 1956 2122 2145 2049 2073 2126 15:002117 2088 1964 2124 2147 2056 2080 2132 16:002208 2215 2055 2192 2283 2144 2147 2219 17:002284 2356 2170 2273 2371 2256 2265 2322 18:002330

46、2331 2169 2305 2378 2297 2260 2340 19:002504 2396 2333 2490 2410 2450 2425 2475 20:002447 2335 2296 2416 2307 2385 2381 2397 21:002351 2263 2228 2346 2171 2311 2304 2332 22:002276 2175 2131 2212 2060 2184 2182 2261 23:002070 1980 1928 2008 1867 1999 1955 2036 4.3 BP仿真設(shè)計(jì) 由上文可知，文中輸入節(jié)點(diǎn)和輸出接點(diǎn)個(gè)數(shù)都為24個(gè)，隱層節(jié)點(diǎn)

47、個(gè)數(shù)因?yàn)楸容^重要，直接影響著收斂精度和速度，由公式（4-1)、（4-2）和（4-3）來確定隱層節(jié)點(diǎn)個(gè)數(shù)，算出隱藏節(jié)點(diǎn)個(gè)數(shù)為50個(gè)，比較容易讓網(wǎng)絡(luò)收斂。所以本文的BP網(wǎng)絡(luò)結(jié)構(gòu)是24-50-24。激發(fā)函數(shù)分別選用雙曲正切函數(shù)tansing，又稱對(duì)稱的sigmond函數(shù)，函數(shù)形式如4-4 （4-4）隱層到輸出函數(shù)選用純線性函數(shù)purelin 。訓(xùn)練方法選擇按梯度下降法訓(xùn)練。創(chuàng)建BP網(wǎng)絡(luò)： net=newff（minmax（samplelist），20,24, 'tansig''purelin','traingd) 網(wǎng)絡(luò)訓(xùn)練：訓(xùn)練次數(shù)設(shè)定為20000，訓(xùn)練目標(biāo)為

48、0.01，學(xué)習(xí)速率是0.5，代碼如下： net.trainParam.epochs=20000 net.trainParam.goal=1e-3 net.trainParam.lr=0.5 net=train（net，samplelist，expectlist）接著用20日的數(shù)據(jù)來預(yù)測(cè)21日的，用21日預(yù)測(cè)的數(shù)據(jù)來預(yù)測(cè)22日的，22日的預(yù)測(cè)數(shù)據(jù)來預(yù)測(cè)23日的，最后畫出和實(shí)際值的比較曲線圖。 在經(jīng)過3638次訓(xùn)練之后，達(dá)到了訓(xùn)練目標(biāo)，結(jié)果如圖5-1所示 圖4-1 訓(xùn)練結(jié)果 輸出結(jié)果再經(jīng)過反歸一化之后，得到了21日、22日和23日的預(yù)測(cè)負(fù)荷數(shù)據(jù)，和實(shí)際負(fù)荷值相比較得出了誤差，如表4-2、4-3、4

49、-4所示 表4-2 某地區(qū)21日負(fù)荷誤差表 單位（kw） 時(shí)間實(shí)際值預(yù)測(cè)值誤差（%） 0:001847 1855.3940.45 1:001716 1683.7091.88 2:001618 1647.9971.853:001623 1614.6190.524:001606 1632.5971.665:001633 1587.9232.766:001805 1804.0940.057:001880 1926.5572.488:002037 2091.2412.669:002146 2127.2750.8710:002242 2262.6140.9211:002373 2341.5981.321

50、2:002058 2064.080.29 13:002034 2021.2180.6314:002129 2140.460.5415:002118 2110.7610.3416:002210 2182.9171.2717:002295 2341.9812.0018:002318 2320.6131.1319:002455 2483.6231.1720:0023982412.2740.5921:002304 2336.1281.3922:002231 2296.32.9223:0020502021.4551.39 表4-3 某地區(qū)22日負(fù)荷誤差表 單位（kw）時(shí)間實(shí)際值預(yù)測(cè)值誤差（%） 0:00

51、1871 1798.1373.89 1:001752 1753.0070.06 2:001702 1691.230.633:001644 1683.3320.244:001605 1623.2821.145:001670 1683.790.836:001826 1872.1262.527:001800 1872.6854.038:001854 1795.2093.199:002003 2086.4574.1710:002060 2079.7550.9611:002218 2276.9543.4712:001978 2055.9023.39 13:001938 2007.3273.5814:002000 2045.8592.2915:001991 2003.5880.6316:002071 2048.6881.0817:002150 2205.520.2618:002216 2232.6640.7519:002309 237