電力系統(tǒng)負荷預報的matlab實現(xiàn)

1、摘要電力系統(tǒng)負荷預測是電力生產(chǎn)部門的重要工作之一。通過準確的負荷預測，可以合理安排機組啟停，減少備用容量，合理安排檢修計劃及降低發(fā)電成本等。準確的預測，特別是短期預測對提高電力經(jīng)營主體的運行效益有直接的作用，對電力系統(tǒng)控制、運行和計劃都有重要意義。神經(jīng)網(wǎng)絡具有以下優(yōu)點：（1）可以任意逼近復雜的非線性函數(shù)；（2）所有定量或定性的信息都等勢分布貯存于網(wǎng)絡內(nèi)的各神經(jīng)元，故有很強的魯棒性和容錯性；（3）采用并行分布處理方法，使得快速進行大量運算成為可能；（4）可學習和自適應不知道或不確定的系統(tǒng)；（5）能夠同時處理定量、定性知識。負荷曲線是與很多因素相關(guān)的一個非線性函數(shù)，神經(jīng)網(wǎng)絡對于抽取和逼近這種非線性

2、函數(shù)是一種很好的方法，用神經(jīng)網(wǎng)絡技術(shù)進行電力系統(tǒng)短期負荷預報可獲得較好的精度。本文介紹了電力負荷預測的主要方法和神經(jīng)網(wǎng)絡的原理、結(jié)構(gòu)，分析了反向傳播算法和廣義神經(jīng)網(wǎng)絡算法，采用改進的三層人工神經(jīng)網(wǎng)絡來建立負荷預測模型，以前七天的負荷數(shù)據(jù)和當天影響負荷的天氣因素作為數(shù)據(jù)樣本，進行神經(jīng)網(wǎng)絡的自我訓練和學習。用Matlab軟件中分別實現(xiàn)了基于BP和GRNN勺兩種神經(jīng)網(wǎng)絡的短期電力負荷預測，取得了良好的預測效果，并對兩種神經(jīng)網(wǎng)絡的仿真結(jié)果進行對比，結(jié)果表明GRNN勺相對誤差率比BP的相對誤差率要小，這說明GRNN）仿真效果勝于BR關(guān)鍵字：短期負荷預測，人工神經(jīng)網(wǎng)絡，BP算法，廣義回歸神經(jīng)網(wǎng)絡Power

3、SystemLoadForecastMatlabAbstractPowersystemloadforecastingpowerproductiondepartmentisoneofthemostimportantwork.Throughthepreciseloadforecast,canarrangeunitstart-stop,reducethesparecapacity,reasonablearrangementofthemaintenanceplanandreducepowercost,etc.Accurateprojections,especiallytheshort-termfore

4、casttoimprovetherunningefficiencypoweroperatorshavedirecteffect,onpowersystemcontrol,operationandplanstohavetheimportantmeaning.Neuralnetworkadvantages(1)canbearbitraryapproximationcomplexnonlinearfunctions;(2)allquantitativeorqualitativeinformationstoredinthepotentialdistributionastheneuronsinthene

5、twork,ithasstrongrobustnessandfaulttolerance;(3)usingtheparalleldistributedprocessingmethods,makingquicklotsofcomputingbecomepossible;(4)canlearnandadaptivedon'tknoworuncertainsystem;(5)cansimultaneouslyprocessingquantitativeandqualitativeknowledge.Thispaperbasedonmatlabsoftwaretoshort-termneura

6、lfunctionpowerloadforecasting,inthepredictionprocessofneuralnetworkachievedgoodpredictioneffect,mainlyusingBPandGRNNoftwokindsofneuralnetworktopredictmajorelectricityload.Thentheforecastresultsareanalyzed,inMatlabsimulationmodeltoestablishtwoneuralnetwork,thesimulation2resultsareanalyzed,getgoodresu

7、lts.Withthetwoneuralnetworkcomparedthesimulationresults,theresultsshowthattherelativeerrorratethanBPGRNNtherelativeerrorrateissmall,itshowsthesimulationresultisbetterthanBPGRNN.Keyword:Short-termloadforecasting,Artificialneuralnetwork,BPalgorithm,Generalizedregressionnervenetwork電力系統(tǒng)負荷預報的matlab實現(xiàn)0引言

8、近幾年來，中國電力工業(yè)正在進行前所未有的電力體制改革，電力市場運營機制將逐步在我國建立。隨著國內(nèi)電力市場的逐步開放并投入運營，對電力系統(tǒng)負荷預測的研究也越來越引起人們的關(guān)注。由于影響電力負荷的因素有很多，包括天氣，地理位置，月份，節(jié)假日等等。這些都會直接影響到用電量的大小，所以單靠經(jīng)驗并不能解決所有的預測問題。如果負荷預測的結(jié)果比實際值低，那么會導致電網(wǎng)的供電能力不足，電能質(zhì)量降低，無法滿足用戶正常供電的要求，甚至嚴重的會造成系統(tǒng)瓦解崩潰；反之負荷預測的結(jié)果比實際值偏高，則會導致超前投資，安裝好的設備不能充分利用，被閑置一邊，降低了企業(yè)的投資效益。另外我國經(jīng)濟正處于發(fā)展階段，并具有很大的潛力，

9、從長遠的來看，我國電力供需形勢不容樂觀，依然面臨很大的挑戰(zhàn)。所以做好負荷預測工作具有十分重要的意義。人工神經(jīng)網(wǎng)絡具有自學習，自組織，自適應和容錯率高的一系列優(yōu)點。在國外很多國家都用神經(jīng)網(wǎng)絡對電力負荷進行預測，并取得了良好的預測效果。人工神經(jīng)網(wǎng)絡在無需建立數(shù)學模型的情況下可實現(xiàn)預測值和每天實際數(shù)據(jù)的實際值之間的非線性映射關(guān)系。本文重點研究了B/申經(jīng)網(wǎng)絡和GRN忡經(jīng)網(wǎng)絡在電力負荷預測中的應用，并對B濟DGRNN種神經(jīng)網(wǎng)絡的結(jié)構(gòu)與原理進行簡要的概述。利用BP和GRNN法建立的神經(jīng)網(wǎng)絡對短期電力負荷進行預測，對兩者的優(yōu)缺點以及算法上進行比較。1概述1.1 電力負荷預測背景電力系統(tǒng)負荷預測的實質(zhì)是對電力

10、市場的需求進行預測，是保證電網(wǎng)安全穩(wěn)定運行，合理編制電網(wǎng)運行方式，做好電網(wǎng)供需平衡的關(guān)鍵性工作，也是“三公”調(diào)度和電力市場+運營的重要基礎工作。眾所周知，電力工業(yè)與一般其他的產(chǎn)業(yè)不同，其產(chǎn)品是無法儲存的，電力的生產(chǎn)和消費必須在一瞬間進行，電站建設投資大，建設周期長，電能在國民經(jīng)濟的各個行業(yè)和人民群眾的日常工作中占有舉足輕重的地位，尤其現(xiàn)在面臨一個相當長的時期內(nèi)電力系統(tǒng)調(diào)度，生產(chǎn)部門和計劃部門等管理部門的重要日常工作中來，成為電力市場運營機制中考核供電企業(yè)的一項重要指標。標準的負荷預測，將為電源的合理分布，適時的電網(wǎng)規(guī)劃設計，最佳的投資時間以及獲得最大的經(jīng)濟利益和社會效益提供科學的決策依據(jù)，以及

11、電網(wǎng)的安全經(jīng)濟可靠地運行提供最基本的保證。他決定了發(fā)電，輸電和配電等方面的合理安排，負荷預測的準確與否直接關(guān)系到電力系統(tǒng)的安全經(jīng)濟運行，國民經(jīng)濟發(fā)展等諸多方面。所以在這種背景下發(fā)展電力負荷預測項目有較好的前景，這符合我國國家的發(fā)展。1.2 電力負荷預測的目的及意義電力系統(tǒng)負荷預測可以分為長期，中期，短期以及超短期負荷預測，分類的不同對應不同的用途：長期負荷預測所覆蓋時間從未來數(shù)年到數(shù)十年不等，主要用于各類發(fā)電廠機組檢修安排和電網(wǎng)的發(fā)展安排；中期負荷預測一般指未來一年之內(nèi)的負荷預測，用于安排電氣設備大修計劃及水庫的經(jīng)濟運行；短期負荷預測一般是指24小時的日負荷預測和168小時的周負荷預測，目的主

12、要用于各個點成安排日/周發(fā)電計劃等；超短期負荷預算是指未來一小時以內(nèi)的負荷預測,目的主要用于AGC自動增益控制)和電氣設備的安全監(jiān)視。其影響主要表現(xiàn)在以下幾點：(1)短期負荷預測對制定電力市場實時電價的影響。實時電價即動態(tài)電價，是電力市場的重要表現(xiàn)，也是電力市場的杠桿和核心內(nèi)容。它會直接決定供電企業(yè)和發(fā)電廠的經(jīng)濟效益，只有在參考短期負荷預測的基礎上，才能制定出適宜的實時電價，取得市場競爭的主動權(quán)，而不是消極地、被動地接受，這樣才能保證企業(yè)、電力市場健康地發(fā)展。(2)短期負荷預測對結(jié)算電量的影響。在電力市場中，結(jié)算電量是按不同的時段(低谷、平段和高峰)進行的，所以要將結(jié)算電量按負荷預測后的曲線分

13、配到各個時段上，然后按實時電價和合同電量進行結(jié)算。如果短期負荷預測與實際值偏差太大，將會造成不同時段的結(jié)算電量不正確，導致發(fā)電廠和供電企業(yè)之間收入不合理，產(chǎn)生不必要的矛盾。(3)短期負荷預測對電力市場分析與評估系統(tǒng)(AnalysisandAssessmentofElectricityMarket,簡稱AAEM的影響。電力市場分析與評估系統(tǒng)是對電力系統(tǒng)未來供需狀況進行信息采集及分析的綜合系統(tǒng)。通過采集、分析相關(guān)信息，模擬未來時段內(nèi)的市場行為，分析預測系統(tǒng)在短期、中期供求平衡和安全情況，及時向市場公布。目的是使市場成員尤其是發(fā)電公司能夠提前了解市場一周乃至一年的負荷預測、發(fā)電計劃、用電計劃、檢修計

14、劃及電網(wǎng)安全約束條件等，在此基礎上，進行投資和發(fā)電報價的決策，從而減少發(fā)電公司生產(chǎn)的盲目性。可見，精確的負荷預測對電力市場的發(fā)展具有重大的作用。(4)短期負荷預測對廣大用戶的影響。由上述(1)所言，實時電價是建立在負荷預測的基礎上，每日不同的時段對應不同的電價。所以用戶基于從用電價格考慮，特別是大、中用戶，總是希望盡可能地了解不同時段的出現(xiàn)時間，來安排低電價時段用電，減少電費支出，達到降低生產(chǎn)成本、提高經(jīng)濟效益的目的。這樣也可以使得整個電力系統(tǒng)的負荷曲線變得平穩(wěn)、光滑，從而達到電力部門所希望的削峰添谷的良好用電局面。從目前研究短期負荷預測的眾多方法上看，已經(jīng)積累了豐富的理論和實際經(jīng)驗。然而，需

15、要重點明確：電力系統(tǒng)的負荷是受很多因素的影響，這些因素包含負荷的組成，負荷隨時間的變化，外界氣象（氣溫、能見度、風力等）的變化，節(jié)假日等等。所以，不同的電力系統(tǒng)對應有不同的負荷規(guī)律性，還需人們具體地開發(fā)和研究。1.3 短期電力負荷預測的主要方法1）時間序列法（又稱趨勢外推法）負荷預測的時間序列法是在BoxJenkins所提出的用于解決隨機時間序列問題的時間序列法的基礎上發(fā)展而來的。它的模型主要有：白回歸模型（AR）,動平均模型（MA）,自回歸動平均模型（ARMA）累積式自回歸動平均模型（ARIMA）等。它們的區(qū)別在于：自回歸模型表示函數(shù)值可以用它本身的過去值的有限項的加權(quán)和以及一個干擾量來表示

16、；動平均模型表示函數(shù)值可以用現(xiàn)在值和過去值的干擾量的有限項的加權(quán)和來表示；自回歸動平均模型則表示函數(shù)值可以用其過去值的有限項的加權(quán)和以及現(xiàn)在和過去的干擾量有限項加權(quán)和進行疊加；累積式自回歸動平均模型則適用于方程中含有趨勢分量的非平穩(wěn)隨機過程。當預測對象復雜，影響因素較多而且之間又相互制約時，使用該方法較好。時間序列法就是對歷史負荷資料進行整理歸類，設法建立一個數(shù)學模型來描述負荷的變化規(guī)律，并通過對有關(guān)數(shù)據(jù)的分析研究確定模型的方程和參數(shù)，形成預測模型以后即可利用已知的負荷數(shù)據(jù)對未來的負荷進行預測。由于該方法的前提是假設事物過去的演變規(guī)律將持續(xù)到將來，以此推測負荷的發(fā)展趨勢，故也稱趨勢外推法。在目

17、前電力系統(tǒng)短期負荷預測中時間序列法已經(jīng)是最為成熟的一種有效算法。其基本數(shù)學模型如1.1:L(t)=B1(t)+B2，,(1.1)在上式中：B1(t)為t時刻系統(tǒng)基本正常負荷分量，B2(t)為t時刻系統(tǒng)隨機負荷分量。在實際算例中證明，時間序列法在預測天氣和溫度變化不大即具有較高相似度的時段，其預測的結(jié)果是令人滿意的。相反，如果天氣變化較大時或者遇到重大事件、節(jié)假日等特別的時間，該方法預測的結(jié)果就有很大的誤差。為了較準確地處理天氣因素，國外學者T.Haida等人設計出一種基于自回歸和轉(zhuǎn)化技術(shù)(TransformationTechnique)的最大日負荷預測模型，具前提是假設當年的天氣負荷關(guān)系與去年

18、的天氣現(xiàn)象相近。隨著研究地深入，人們發(fā)現(xiàn)用自回歸平均模型法在確定相應參數(shù)時，預測模型容易陷入到局部極小值。對此，H.T.Yang等人又成功引入進化過程(EvolutionaryProgramming)來解決上述問題。雖然時間序列法廣泛地使用在各種負荷預測之中，但是都存在著對天氣等關(guān)鍵因素處理得不好的問題，致使預測精度普遍不高。于是有的學者又提出了利用已經(jīng)發(fā)展很完善的專家系統(tǒng)和模糊理論來進行負荷預測。2)回歸分析法回歸分析法屬于因果分析法，通過對觀察值的統(tǒng)計分析來確定對象及其影響因素之間的相關(guān)關(guān)系，進而對預測對象的變化作出估計，其關(guān)鍵在于建立回歸模型?；貧w分析法所采用的數(shù)學模型為1.2:L(t)

19、=K0K1*X1(t)K2*X2(t)Kn*Xn(t)Xt),(1.2)n=0,1,2,n上式中：Xn是與L(t)對應的有關(guān)變量，日(t)是白噪聲，一組隨機干擾，服從正態(tài)分布，Kn是一組回歸系數(shù)。這種預測方法的特點在于：必須由給定的自變量Xn和因變量L(t)的歷史數(shù)據(jù)資料中，分析其變化規(guī)律，研究出二者之間的函數(shù)關(guān)系，形成最終的回歸方程組?；貧w系數(shù)kn可以通過最小二乘法的求解獲得。于是通過對一組回歸方程的求解，來生成回歸分析法的數(shù)學模型，由此作出對未來某一時刻的負荷進行預測。在電力系統(tǒng)實際負荷預測中，自變量是影響負荷的各種因素，因變量是系統(tǒng)負荷量。常規(guī)的回歸分析法有：一元線性回歸，多元線性回歸，

20、一元非線性回歸，多元非線性回歸，指數(shù)曲線回歸，對數(shù)曲線回歸。但該方法的缺點在于：由于考慮的影響因素太多，很難全面建立起準確的模型，運用于短期負荷預測結(jié)果都不理想。3）專家系統(tǒng)和模糊理論法專家系統(tǒng)是根據(jù)從事電力系統(tǒng)短期負荷預測的技術(shù)人員和閱歷豐富的電網(wǎng)調(diào)度人員的經(jīng)驗，總結(jié)出的一套規(guī)則。由于專家系統(tǒng)將天氣因素作為一個重要方面進行考慮，所以就有關(guān)天氣方面的負荷預測結(jié)果是比較精確的。學者S.Rashmanl?人就利用了專家系統(tǒng)的方法，建立起基于實踐經(jīng)驗的短期負荷預測方法，并較深刻系統(tǒng)地討論了天氣和節(jié)假日等變化因素的處理辦法。模糊理論發(fā)源于LA.Zadeh在模糊集一文中，并首次提出了模糊數(shù)學和模糊控制問

21、題，給出了定量的描述方法。模糊理論法是利用負荷在變化過程中受隨機因素和非線性因素影響較大的特點，模擬專家的推理和判斷進行負荷預測。這種方法主要用來描述含有不確定方面的問題，解決求解信息不完善系統(tǒng)的數(shù)學方法。利用模糊理論在處理從大量數(shù)據(jù)中抽取出具有相似性的代表量和非線性問題的強大功能，將大量看似雜亂無章的原始數(shù)據(jù)整理成規(guī)律性很強的數(shù)據(jù)排列，再進行仔細地研究，并能從高精度上逼近任何定義在一個數(shù)組集合上的目標函數(shù)，最終建立負荷預測模型。這些特點也正是短期負荷預測所需要的，有別于上述方法所欠缺的優(yōu)勢所在。近幾年來，模糊理論法也大量運用于電力系統(tǒng)負荷預測中。專家系統(tǒng)和模糊理論法的長處在于：能夠較好地解決

22、天氣因素等問題，在數(shù)據(jù)處理上也相對比較簡單、可靠。但缺點是：這兩種方法不具有普遍性，適用范圍較狹窄，并且模糊理論的學習能力較差，不易大范圍地推廣應用。4）人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetwork,簡稱ANN）近十多年來，以人工神經(jīng)網(wǎng)絡技術(shù)為代表的智能技術(shù)由于其具有很好的非線性映射能力和強大的自學習、自適應能力，在電力系統(tǒng)負荷預測中得到了越來越多地應用。其原理是模仿人腦的智能化處理，對自然界存在的大量非結(jié)構(gòu)性、非精確性規(guī)律的現(xiàn)象具有自適應訓練能力，具有自主學習、信息記憶、優(yōu)化計算和知識推理的特點，還克服了時間序列法模型在階數(shù)較低時不能充分使用歷史負荷數(shù)據(jù)，而在階數(shù)較高時其參數(shù)

23、不易確定的難點。因此，人工神經(jīng)網(wǎng)絡技術(shù)被應用于負荷預測領(lǐng)域之中是可行的。ParkD.C等人于1991年首次將該技術(shù)應用于電力系統(tǒng)負荷預測，取得了令人滿意的結(jié)果。目前在短期負荷預測上應用誤差反向傳播算法（Back-Propagation,簡稱BP）是被研究得最多的。具基本思路是：首先將待預測量的歷史數(shù)據(jù)中影響負荷的相關(guān)因素作為人工神經(jīng)網(wǎng)絡的輸入量（即刺激，包含氣溫、能見度、濕度、降雨量、風力等），輸入到人工神經(jīng)網(wǎng)絡中，分別經(jīng)過輸入層、隱含層和輸出層中各自神經(jīng)元的作用，最后生成類似輸入量的輸出，從而形成一種輸入到輸出、輸出又回到輸入的條件反射。通過對輸出量與輸入量的誤差比較來決定上述循環(huán)是否終止的

24、條件，即：達到負荷預測的誤差之內(nèi)，就只需要將待測測日的相應刺激輸入到人工神經(jīng)網(wǎng)絡就可以得到相應的預測結(jié)果；如達不到要求以內(nèi)，繼續(xù)執(zhí)行條件反射的循環(huán)。實際研究中還發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡還具有部分類似人類的推理和聯(lián)想功能，因此對于循環(huán)過程中沒有出現(xiàn)過的情況，它同樣能夠進行預測。人工神經(jīng)網(wǎng)絡法非常適用于預測具有相似模型的負荷，可以充分考慮天氣、同期類型（工作日與節(jié)假目）對負荷的影響，預測精度較高。而且普遍適用于不同地區(qū)的負荷預測，具有較高的可移植性和很好的函數(shù)逼近能力，特別對天氣變化較大的同期也可以取得較滿意的預測結(jié)果。所以，人工神經(jīng)網(wǎng)絡法受到許多中外研究人員的普遍好評。但在實際運用中，人們也逐漸發(fā)現(xiàn)人

25、工神經(jīng)網(wǎng)絡進行負荷預測還有不少的缺點：比如BP算法具有一些固有的缺陷一一容易陷入局部極小點甚至有時不收斂、訓練和迭代時間長和收斂速度慢等。針對這些缺陷，研究人員也采用了不少好的改進辦法。由此提出了一種基于組合式人工神經(jīng)網(wǎng)絡的短期電力負荷預測模型，該模型綜合運用人工神經(jīng)網(wǎng)絡、模糊聚類分析和模式識別等理論方法進行建造模型。通過實例證明了該模型不僅對普通工作日有較高的預測精度，而且對雙休日、節(jié)假日和一些特殊的情況也有較好的預測精度。在其他一些方面一些科學家為了克服傳統(tǒng)BP神經(jīng)網(wǎng)絡的上述缺陷，將進化計算中的遺傳算法引入到人工神經(jīng)網(wǎng)絡模型中，改善了神經(jīng)網(wǎng)絡的性能，從而形成一類綜合人工智能方法一一遺傳神經(jīng)

26、網(wǎng)絡，來準確、快速預測電力系統(tǒng)負荷。該方法的思路是：首先，利用遺傳算法有指導地計算神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)，不斷地反復學習，從而確定一個較合理的神經(jīng)網(wǎng)絡結(jié)構(gòu)；其次，再由遺傳算法從初始權(quán)值的解群中選出一組優(yōu)秀的初始權(quán)值，克服了以往在初始權(quán)值選取上的盲目性；最后，將建立的神經(jīng)網(wǎng)絡結(jié)構(gòu)和較好的初始權(quán)值結(jié)合起來，利用改進的BP算法進行電力系統(tǒng)負荷預測。5）小波分析法（WaveletAnalysis）小波分析法是本世紀數(shù)學研究成果中一項意義重大的發(fā)現(xiàn)，也是調(diào)和函數(shù)發(fā)展歷史上的里程碑。事實上，小波分析是一種時域一一頻域分析方法，它在時域和頻域上同時具有良好的局部化性質(zhì)，并且根據(jù)信號頻率的變化自動調(diào)節(jié)采樣的疏密

27、。其特點：基于時問和頻率的局域變換，容易捕捉和分析微弱信號以及信號、圖像的采樣步長，特別適用于非穩(wěn)定性信號，通過伸縮和平移等運算功能對函數(shù)或信號進行多尺度細化分析，將一個信號的信息轉(zhuǎn)變成能用于小波分析的系數(shù)，方便地處理、分析、傳遞和儲存。小波分析實質(zhì)上就是測量被分析信號與這一系列小波的相似性，因此選用不同的母小波來分析同一信號，其結(jié)果可能大不一樣；為了取得最佳的小波分析效果，針對具體應用領(lǐng)域來選擇合適的母小波是非常重要的。而電力系統(tǒng)的日負荷曲線都是具有一定的周期性變化，通過小波分析，可以分析短期負荷序列，它對信息成分采取逐漸精細的時域與頻域處理，尤其在突發(fā)與短時的信息分析方面具有明顯的優(yōu)勢。所

28、以以上小波分析的特點決定了小波分析的方法是完全可以應用于電力系統(tǒng)負荷預測。由于小波分析法理論性較強，在實際運用中還不易掌握其規(guī)律，人們在電力系統(tǒng)負荷預測中要成功的應用它目前尚處于摸索階段。天氣等因素是影響負荷預測的首要因素。6）遺傳進化法遺傳進化法，這是一種嶄新的結(jié)構(gòu)描述方法，其實質(zhì)是采用專門的計算機程序，通過無數(shù)次遞推，在生成的許多可行的程序中用收斂條件進行排除，最終找出一個最佳的程序來作為預測模型。其特點是一種基于自然選擇和自然遺傳的全局優(yōu)化算法，具有并行計算的特點，采用從自然選擇機理中抽象出來的幾種算子對參數(shù)進行操作。這種操作是針對由多個可行解組成的群體進行的，故在其世代進化更替中可以并

29、行地對參數(shù)空間的不同區(qū)域內(nèi)進行搜索，并使得搜索的目標向更有可能找到最優(yōu)的方向進行而不至于陷于局部最小或死循環(huán)之中。遺傳進化法的基本步驟：1）根據(jù)具體預測要求，在計算機中隨機產(chǎn)生眾多有函數(shù)和變量組成的程序組（即初始種群）。2）運行以上的每一個程序，并仔細觀察其解決問題的程度賦予相應的適應度。3）把原有的程序進行遺傳變異，來產(chǎn)生新的子程序。4）反復運行、執(zhí)行上述2）、3）步，直到達到終止條件（一般設定為遺傳和變異的代數(shù)）為止。5）把最終得到的一個或幾個的程序作為預測模型。此方法最大的特點是，不需要人們再為負荷預測模型的函數(shù)選擇而煞費苦心，它的學習能力強，能自動尋找并生成函數(shù)關(guān)系來模擬負荷的變化規(guī)律

30、，整個運行中無需人為的干預，從而提高了效率。不足之處在于：方法不易掌握、理解，全靠設計者的感覺和經(jīng)驗來確定初始的程序模型，耗時較長，在實際的負荷預測中很少單獨使用，必須與其他算法（如人工神經(jīng)網(wǎng)絡、人工智能和遺傳算法等）結(jié)合起來使用，效果才顯著。在改進中，作者提出利用遺傳算法來訓練相關(guān)因素映射數(shù)值的新思路，闡述了遺傳算法的優(yōu)越性和本質(zhì)是一種求解問題的高效并行、全局搜索方法。其步驟為：生成初始種群；進行虛擬預測，計算每一代染色體的適應度；選擇操作：交叉操作；變異操作，生成新一代染色體；判斷是否達到終止代數(shù)，如果達到則退出程序；否則再轉(zhuǎn)到執(zhí)行。這樣通過訓練相關(guān)因素庫可以使得相關(guān)因素的量化映射值更加合

31、理，從而使預測效果和穩(wěn)定性進一步得到提高；難點在于編程工作量較大，初始種群具有隨機性。7）灰色預測法灰色預測法是一種對含有不確定因素的系統(tǒng)進行預測的方法?；疑到y(tǒng)是介于白色系統(tǒng)和黑色系統(tǒng)之間的一種系統(tǒng)。白色系統(tǒng)是指一個系統(tǒng)的內(nèi)部特征是完全已知的，即系統(tǒng)的信息是完全充分的。而黑色系統(tǒng)是指一個系統(tǒng)的內(nèi)部信息對外界來說是一無所知的，只能通過它與外界的聯(lián)系來加以觀測研究?；疑到y(tǒng)內(nèi)的一部分信息是已知的，另一部分信息時未知的，系統(tǒng)內(nèi)各因素間具有不確定的關(guān)系?；疑A測通過鑒別系統(tǒng)因素之間發(fā)展趨勢的相異程度，即進行關(guān)聯(lián)分析，并對原始數(shù)據(jù)進行生成處理來尋找系統(tǒng)變動的規(guī)律，生成有較強規(guī)律性的數(shù)據(jù)序列，然后建立相

32、應的微分方程模型，從而預測事物未來發(fā)展趨勢的狀況。其用等時距觀測到的反應預測對象特征的一系列數(shù)量值構(gòu)造灰色預測模型，預測未來某一時刻的特征量，或達到某一特征量的時間。2電力負荷分析與預測1 電力負荷的結(jié)構(gòu)與特點電力系統(tǒng)負荷一般可以分為城市民用負荷、商業(yè)負荷、農(nóng)村負荷、工業(yè)負荷以及其他負荷等，不同類型的負荷具有不同的特點和規(guī)律。城市民用負荷主要是城市居民的家用電器，它具有年年增長的趨勢，以及明顯的季節(jié)性波動特點，而且民用負荷的特點還與居民的日常生活和工作的規(guī)律緊密相關(guān)。商業(yè)負荷，主要是指商業(yè)部門的照明、空調(diào)、動力等用電負荷，覆蓋面積大，且用電增長平穩(wěn)，商業(yè)負荷同樣具有季節(jié)性波動的特性。雖然商業(yè)負

33、荷在電力負荷中所占比重不及工業(yè)負荷和民用負荷，但商業(yè)負荷中的照明類負荷占用電力系統(tǒng)高峰時段。此外，商業(yè)部門由于商業(yè)行為在節(jié)假日會增加營業(yè)時間，從而成為節(jié)假日中影響電力負荷的重要因素之一。工業(yè)負荷是指用于工業(yè)生產(chǎn)的用電，一般工業(yè)負荷的比重在用電構(gòu)成中居于首位，它不僅取決于工業(yè)用戶的工作方式（包括設備利用情況、企業(yè)的工作班制等），而且與各行業(yè)的行業(yè)特點、季節(jié)因素都有緊密的聯(lián)系，一般負荷是比較恒定的。農(nóng)村負荷則是指農(nóng)村居民用電和農(nóng)業(yè)生產(chǎn)用電。此類負荷與工業(yè)負荷相比，受氣候、季節(jié)等自然條件的影響很大，這是由農(nóng)業(yè)生產(chǎn)的特點所決定的。農(nóng)業(yè)用電負荷也受農(nóng)作物種類、耕作習慣的影響，但就電網(wǎng)而言，由于農(nóng)業(yè)用電負

34、荷集中的時間與城市工業(yè)負荷高峰時間有差別，所以對提高電網(wǎng)負荷率有好處。從以上分析可知電力負荷的特點是經(jīng)常變化的，不但按小時變、按日變，而且按周變，按年變，同時負荷又是以天為單位不斷起伏的，具有較大的周期性，負荷變化是連續(xù)的過程，一般不會出現(xiàn)大的躍變，但電力負荷對季節(jié)、溫度、天氣等是敏感的，不同的季節(jié)，不同地區(qū)的氣候，以及溫度的變化都會對負荷造成明顯的影響。電力負荷的特點決定了電力總負荷由以下四部分組成：基本正常負荷分量、天氣敏感負荷分量、特別事件負荷分量和隨機負荷分量。1 獲取電力系統(tǒng)短期負荷數(shù)據(jù)的基本過程1）調(diào)查分析歷史負荷數(shù)據(jù)資料多方面調(diào)查收集資料，包括電力企業(yè)內(nèi)部資料和外部資料，從眾多的

35、資料中挑選出有用的一小部分，即把資料濃縮到最小量。挑選資料時的標準要直接、可靠并且是最新的資料。要多方面廣泛地搜集歷史資料，包括精確的歷史負荷資料和氣象部門的歷史天氣資料，以及相應的社會發(fā)展資料，然后將其歸類整理、分析和研究，從中選出最新的、直接相關(guān)的一部分歷史數(shù)據(jù)待用。其中需注意對所選的數(shù)據(jù)進行必要地分析：數(shù)據(jù)是否具有前后連續(xù)性；是否準確無誤，沒有躍變；是否完整無缺而需要添加新的數(shù)據(jù)等。這些基本工作是否完善，將會直接影響負荷預測的結(jié)果。2）歷史資料的整理一般來說，由于預測的質(zhì)量不會超過所用資料的質(zhì)量，所以要對所收集的與負荷有關(guān)的統(tǒng)計資料進行審核和必要的加工整理，來保證資料的質(zhì)量，從而為保證預

36、測質(zhì)量打下基礎，即要注意資料的完整無缺，數(shù)字準確無誤，反映的都是正常狀態(tài)下的水平，資料中沒有異常的"分離項"，還要注意資料的補缺，并對不可靠的資料加以核實以及調(diào)整。3）對負荷數(shù)據(jù)的預處理在經(jīng)過初步整理之后，還要對所用資料進行數(shù)據(jù)分析預處理,即對歷史資料中的異常值的平穩(wěn)化以及缺失數(shù)據(jù)的補遺，針對異常數(shù)據(jù)，主要采用水平處理、垂直處理方法，數(shù)據(jù)缺損處理法。(1)數(shù)據(jù)的水平處理法在研究歷史負荷數(shù)據(jù)時，將相鄰的前后兩個時刻的負荷數(shù)據(jù)作為基(2.1)2.2)準，設定一個待處理數(shù)據(jù)的最大變化區(qū)間。這樣，只要待處理的負荷數(shù)據(jù)超出此區(qū)間就認為是不良數(shù)據(jù)。對此類數(shù)據(jù)可以采用取平均值的方法來糾正

37、。其計算公式如下：|L(d,t)-L(d,t-1)|>%(t),|L(d,t)-L(d,t+1)|>B(t),當其中上式任意一方程滿足時，則:L(d,t)=L(d,t-1)L(d,t1)2(2.3)式中：L(d,t)為第d天t時刻的歷史負荷值，0c(t),(3(t)為閥值。(2)數(shù)據(jù)的垂直處理法由于電力負荷具有周期性，若以天為周期，則認為不同日期的同一時刻的負荷數(shù)據(jù)是具有相似度的，其兩者的差距應該維持在一定的范圍內(nèi)。如果超出此范圍的也可以視為不良數(shù)據(jù)，作以下修正：當：|L(d,t)-K(t)|>0(t)成立；，,，(2.4)那么：L(d,t)=K(t)+0(t),L(d,t)

38、>K(t)或者：L(d,t)=K(t)-0(t),L(d,t)<K(t),(2.5)上式中，K(t)為歷史負荷數(shù)據(jù)近幾天t時刻的負荷平均值，0(t)為閥值。1/K(t)=£L(d,t),(2.6)nd1(3)數(shù)據(jù)缺損的處理數(shù)據(jù)缺損是指某一天的數(shù)據(jù)出現(xiàn)大量的失真數(shù)據(jù)或沒有數(shù)據(jù),那么這一天就被稱為數(shù)據(jù)缺損。一般對負荷數(shù)據(jù)缺損的處理方法：利用其前后幾天的歷史數(shù)據(jù)進行填補。填補的原則是采用同一種日期類型的負荷數(shù)據(jù)，比如：公休日的缺損數(shù)據(jù)要用公休日的數(shù)據(jù)來填補等等。用方程表示如下：L(d,t)=a/L(d1,t)+a?*L(d+1,t),(2.7)式中:L(d,t)為第d天的缺損數(shù)

39、據(jù),L(d-1,t),L(d+1,t)為d-1和d+1天的負荷數(shù)據(jù)，a1和a2為前2者各自對應的數(shù)據(jù)權(quán)重。1 電力負荷預測的內(nèi)容與分類電力系統(tǒng)負荷預測包括最大負荷功率、負荷電量及負荷曲線的預測。最大負荷功率預測對于確定電力系統(tǒng)發(fā)電設備及輸變電設備的容量是非常重要的。為了選擇適當?shù)臋C組類型和合理的電源結(jié)構(gòu)以及確定燃料計劃等，還必須預測負荷及電量。負荷曲線的預測可為研究電力系統(tǒng)的峰值、抽水蓄能電站的容量以及發(fā)輸電設備的協(xié)調(diào)運行提供數(shù)據(jù)支持。負荷預測根據(jù)目的的不同可以分為超短期、短期、中期和長期。1)超短期負荷預測是指未來1h以內(nèi)的負荷預測，在安全監(jiān)視狀態(tài)下，需要510s或15min的預測值，預防性

40、控制和緊急狀態(tài)處理需要10min至1h的預測值。2)短期負荷預測是指日負荷預測和周負荷預測，分別用于安排日調(diào)度計劃和周調(diào)度計劃，包括確定機組起停、水火電協(xié)調(diào)、聯(lián)絡線交換功率、負荷經(jīng)濟分配、水庫調(diào)度和設備檢修等，對短期預測，需充分研究電網(wǎng)負荷變化規(guī)律，分析負荷變化相關(guān)因子，特別是天氣因素、日類型等和短期負荷變化的關(guān)系。3)中期負荷預測是指月至年的負荷預測，主要是確定機組運行方式和設備大修計劃等。4)長期負荷預測是指未來35年甚至更長時間段內(nèi)的負荷預測，主要是電網(wǎng)規(guī)劃部門根據(jù)國民經(jīng)濟的發(fā)展和對電力負荷的需求,所作的電網(wǎng)改造和擴建工作的遠景規(guī)劃。對中、長期負荷預測，要特別研究國民經(jīng)濟發(fā)展、國家政策等

41、的影響。1 短期負荷預測模型的流程圖電力系統(tǒng)短期負荷預測一般是對月、周、天或小時，甚至幾分鐘的負荷進行預測。它既可以預測功率，也可以預測能量，但一般是以預測功率為主。短期負荷預測的一個突出的特點：在對負荷進行預測前，都要對歷史的負荷資料進行分析，而且也可以只靠負荷的歷史資料，就能完成未來某一時刻的負荷預測。從中可以看出：電力負荷之間的時間距離越近關(guān)系越密切，即相似度越大，所以當負荷預測點距離歷史數(shù)據(jù)較遠時，預測值的誤差相對較大；而預測點距離歷史負荷數(shù)據(jù)較近時則誤差相對較小。因此在進行負荷預測時，應盡可能采用靠近預測點近的歷史數(shù)據(jù)，或者考慮對距離預測點相對較近的歷史數(shù)據(jù)，因其相似度越大，可以采用

42、賦予一個較大的權(quán)重系數(shù)來處理；相對較遠的歷史數(shù)據(jù)則相反。要對電力系統(tǒng)負荷進行科學的預測，不但要選擇行之有效的預測方法和先進的新思路，而且要從最基本的收集歷史數(shù)據(jù)著手，進行必要的分析、研究與選擇，這些看似簡單的工作卻關(guān)系整個預測結(jié)果的成敗。以下是短期負荷預測的基本流程圖（如圖2.1）:圖2.1短期負荷預測的基本流程圖建立負荷預測模型的作用是為了能夠描述所預測的電力系統(tǒng)負荷變化的特點與規(guī)律，并在此基礎上對未來的電力負荷進行預測。對此，一般需要建立兩個模型：一個是描述電力負荷變化的過程模型；另一個是負荷預測模型。前者是后者的基礎。過程模型的難點在于如何來描述整個電力負荷的過程、干擾以及和負荷之間的相

43、互關(guān)系。而負荷預測模型則是如何利用好已選擇的歷史負荷數(shù)據(jù)，來建立未來負荷與歷史負荷及干擾量之間的關(guān)系。在建立模型的過程中，還需要進行模型辨識和參數(shù)估計。模型辨識就是要決定模型的階數(shù)；參數(shù)估計是指確定模型中各參數(shù)項的系數(shù)。由于電力負荷的變化沒有規(guī)律可循，模型的選擇可能是不同類型的，其合理性只有靠預測誤差來校驗，并反饋到模型、進行必要的校正或改善。3人工神經(jīng)網(wǎng)絡的原理、結(jié)構(gòu)和算法人工神經(jīng)網(wǎng)絡人工神經(jīng)網(wǎng)絡是一種應用類似于大腦神經(jīng)突觸聯(lián)接的結(jié)構(gòu)進行信息處理的數(shù)學模型。在工程與學術(shù)界也常直接簡稱為“神經(jīng)網(wǎng)絡”或類神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是一種運算模型，由大量的節(jié)點（或稱“神經(jīng)元”，或“單元”）和之間相互聯(lián)接構(gòu)

44、成。每個節(jié)點代表一種特定的輸出函數(shù)，稱為激勵函數(shù)（activationfunction）。每兩個節(jié)點間的連接都代表一個對于通過該連接信號的加權(quán)值，稱之為權(quán)重（weight）,這相當于人工神經(jīng)網(wǎng)絡的記憶。網(wǎng)絡的輸出則依網(wǎng)絡的連接方式，權(quán)重值和激勵函數(shù)的不同而不同。而網(wǎng)絡自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達。它的構(gòu)筑理念是受到生物（人或其他動物）神經(jīng)網(wǎng)絡功能的運作啟發(fā)而產(chǎn)生的。人工神經(jīng)網(wǎng)絡通常是通過一個基于數(shù)學統(tǒng)計學類型的學習方法（LearningMethod）得以優(yōu)化，所以人工神經(jīng)網(wǎng)絡也是數(shù)學統(tǒng)計學方法的一種實際應用，通過統(tǒng)計學的標準數(shù)學方法能夠得到大量的可以

45、用函數(shù)來表達的局部結(jié)構(gòu)空間，另一方面在人工智能學的人工感知領(lǐng)域，通過數(shù)學統(tǒng)計學的應用可以來做人工感知方面的決定問題（也就是說通過統(tǒng)計學的方法，人工神經(jīng)網(wǎng)絡能夠類似人一樣具有簡單的決定能力和簡單的判斷能力），這種方法比起正式的邏輯學推理演算更具有優(yōu)勢。人工神經(jīng)網(wǎng)絡的分類及學習類型（1）神經(jīng)網(wǎng)絡分類前向網(wǎng)絡網(wǎng)絡中各個神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡中沒有反饋，可以用一個有向無環(huán)路圖表示。這種網(wǎng)絡實現(xiàn)信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數(shù)的多次復合。網(wǎng)絡結(jié)構(gòu)簡單，易于實現(xiàn)。反傳網(wǎng)絡是一種典型的前向網(wǎng)絡。BP網(wǎng)絡、elman網(wǎng)絡和GRNNJ絡都屬于這種類型。反

46、饋網(wǎng)絡網(wǎng)絡內(nèi)神經(jīng)元間有反饋，可以用一個無向的完備圖表示。這種神經(jīng)網(wǎng)絡的信息處理是狀態(tài)的變換，可以用動力學系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡、波耳茲曼機均屬于這種類型。(2)神經(jīng)網(wǎng)絡學習類型學習是神經(jīng)網(wǎng)絡研究的一個重要內(nèi)容，它的適應性是通過學習實現(xiàn)的。根據(jù)環(huán)境的變化，對權(quán)值進行調(diào)整，改善系統(tǒng)的行為。由Hebbl出的Hebb習規(guī)則為神經(jīng)網(wǎng)絡的學習算法奠定了基礎。Heb嗷則認為學習過程最終發(fā)生在神經(jīng)元之間的突觸部位，突觸的聯(lián)系強度隨著突觸前后神經(jīng)元的活動而變化。在此基礎上，人們提出了各種學習規(guī)則和算法，以適應不同網(wǎng)絡模型的需要。有效的學習算法，使得神經(jīng)網(wǎng)絡能夠通

47、過連接權(quán)值的調(diào)整，構(gòu)造客觀世界的內(nèi)在表示，形成具有特色的信息處理方法，信息存儲和處理體現(xiàn)在網(wǎng)絡的連接中。根據(jù)學習環(huán)境不同，神經(jīng)網(wǎng)絡的學習方式可分為監(jiān)督學習和非監(jiān)督學習。在監(jiān)督學習中，將訓練樣本的數(shù)據(jù)加到網(wǎng)絡輸入端，同時將相應的期望輸出與網(wǎng)絡輸出相比較，得到誤差信號，以此控制權(quán)值連接強度的調(diào)整，經(jīng)多次訓練后收斂到一個確定的權(quán)值。當樣本情況發(fā)生變化時，經(jīng)學習可以修改權(quán)值以適應新的環(huán)境。使用監(jiān)督學習的神經(jīng)網(wǎng)絡模型有反傳網(wǎng)絡、感知器等。非監(jiān)督學習時，事先不給定標準樣本，直接將網(wǎng)絡置于環(huán)境之中，學習階段與工作階段成為一體。此時，學習規(guī)律的變化服從連接權(quán)值的演變方程。非監(jiān)督學習最簡單的例子是Heb坪習規(guī)則

48、。競爭學習規(guī)則是一個更復雜的非監(jiān)督學習的例子，它是根據(jù)已建立的聚類進行權(quán)值調(diào)整。自組織映射、適應諧振理論網(wǎng)絡等都是與競爭學習有關(guān)的典型模型。BP網(wǎng)絡的原理、結(jié)構(gòu)和基本算法1)網(wǎng)絡基本原理BP(BackPropagation)網(wǎng)絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權(quán)值和閾值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結(jié)構(gòu)包括輸入層

49、(input)、隱層(hidelayer)和輸出層(outputlayer)(如圖3.1所示)。輸入層隱層輸出層圖3.1BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖bp神經(jīng)元圖3.2給出了第j個基本BP神經(jīng)元（節(jié)點），它只模仿了生物神經(jīng)元所具有的三個最基本也是最重要的功能：加權(quán)、求和與轉(zhuǎn)移。其中Xi、X2,Xi,Xn分別代表來自神經(jīng)元1、2,i,n的輸入；W、W2,Wi,Wn則分別表示神經(jīng)元1、2,i,n與第j個神經(jīng)元的連接強度，即權(quán)值；bj為閾值；f（?）為傳遞函數(shù)；yj為第j個神經(jīng)元的輸出。第j個神經(jīng)元的凈輸入值不為：3.1)nSj="WjiXibj=WjXbji441圖3.2BP神經(jīng)元其中：X=XiX2

50、XXnTWj=WjiWj2WjiWjn若視x0=1,Wj0=bj,即令X及Wj包括x0及Wj0,則X=XoX1X2XiXnTWj=Wj0Wj1Wj2WjiWjn于是節(jié)點j的凈輸入Sj可表示為：nSj=ZWjixi=Wjx,(3.2)i=0凈輸入Sj通過傳遞函數(shù)(TransferFunction)f()后，便得到第j個神經(jīng)元的輸出yj：nyi=f(Sj)=f(£Wji，為)=F(WjX),(3.3)i=0式中f()是單調(diào)上升函數(shù)，而且必須是有界函數(shù)，因為細胞傳遞的信號不可能無限增加，必有一最大值。bp正向傳播設BP網(wǎng)絡的輸入層有n個節(jié)點，隱層有q個節(jié)點，輸出層有m個節(jié)點，輸入層與隱層之

51、間的權(quán)值為，"隱層與輸出層之間的權(quán)值為小1,如圖3.3所示。隱層的傳遞函數(shù)為九()，輸出層的傳遞函數(shù)為f2(),則隱層節(jié)點的輸出為(將閾值寫入求和項中)：nZk=L(£VkiXi)k=1,2,q,(3.4)=0輸出層節(jié)點的輸出為：V=f2(工WjkZk)(j=1,2，m),(3.5)至此B-P網(wǎng)絡就完成了n維空間向量對m維空間的近似映射。圖3.3三層神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)4)bp反向傳播(1)定義誤差函數(shù)輸入P個學習樣本，用x1,x2，x”xp來表示。第P個樣本輸入到網(wǎng)絡后得到輸出yP(j=1,2,n)。采用平方型誤差函數(shù)，于是得到第p個樣本的1m2Ep(tP-yP),2jm3

52、.6)式中：tp為期望輸出。對于P個樣本，全局誤差為:1pmpe'(Lp-yjp)=1Ep,2Pz1j丑p13.7)(2)輸出層權(quán)值的變化采用累計誤差BP算法調(diào)整嗎使全局誤差E變小,即:匚二pp：:E%=-EEp)八(-T二Wjk二Wjkpfpf二Wjk(3.8)式中：刈一學習率定義誤差信號為:yj：ep:：EpSj:y:Sj3.9)其中第一項:yjmmp.,p2p.4匚(tj-yj)=-(tj-yj),y2(3.10)第二項:lj=f2t(Sj),(3.11)是輸出層傳遞函數(shù)的偏微分。m于是、：yj(tjp-y：)f；(Sj),(3.12)由鏈定理得:-:EpFEpSj-:Wjk:S

53、j-：Wjk=-yjZk=-yj)f2(S)zk,3.13)于是輸出層各神經(jīng)元的權(quán)值調(diào)整公式為:Wk(tjp-y：)f2t(Sj)Zk,3.14)(3)隱層權(quán)值的變化:Mi二一Mi-vkiPdpd.：EpMi3.15)定義誤差信號為:zk：Ep.:EP-：ZkSk：ZxSk(3.16)其中第一項:Zkw2'(tjp"p)2=J(t；p、*-yj)一,二Zk3.17)依鏈定理有:生;獸0=4,“”,，(3.18)ZfSjzJJ第二項：個=f；(Sk),(3.19)6k是隱層傳遞函數(shù)的偏微分。于是：m鼠=£(tjpyjP)f；(Sj)Wjkfit(Sk),(3.20)j

54、1由鏈定理得：咀=冬里=-晨X=±(t：-y：)f；(Sj)Wjkf1t(Sk)”，,，(3.21):vki:'SkCvkij1從而得到隱層各神經(jīng)元的權(quán)值調(diào)整公式為：pm”(tjP-yP)f；(Sj)Wjkf1t(Sk)x,(3.22)p=1j13.4GRNN網(wǎng)絡基本原理和結(jié)構(gòu)GRNN申經(jīng)網(wǎng)絡背景電力系統(tǒng)作為社會經(jīng)濟系統(tǒng)中的一個重要子系統(tǒng)在受外界因素影響和作用的同時對外部經(jīng)濟系統(tǒng)也具有一定的反作用使得電力需求同時受到來自電力系統(tǒng)內(nèi)外兩方面因素的影響作為電力基礎設施建設投資決策的基礎電力負荷預測在國家和區(qū)域經(jīng)濟發(fā)展規(guī)劃中具有十分重要的作用其中由于民用負荷和地方經(jīng)濟及企業(yè)發(fā)展的緊

55、密聯(lián)系電力負荷需求預測成為電力需求和經(jīng)濟發(fā)展關(guān)系研究中的一個重要問題，因此作為反映電力負荷需求的一項重要指標短期負荷的預測研究和分析具有較強的實際和理論意義。在此情況下國內(nèi)一些學者將神經(jīng)網(wǎng)絡引入到電力負荷預測中來，很多學者用BP網(wǎng)絡進行了電力負荷預測但BP神經(jīng)網(wǎng)絡在用于函數(shù)逼近時存在收斂速度慢和局部極小等缺點在解決樣本量少而且噪聲較多問題時效果并不理想.GRNN在逼近能力分類能力和學習速度方面具有較強優(yōu)勢網(wǎng)絡最后收斂于樣本量積聚最多的優(yōu)化回歸面并且在數(shù)據(jù)缺乏時效果也較好網(wǎng)絡可以處理不穩(wěn)定的數(shù)據(jù)，因此采用GRNNi立了貨運量預測模型并利用歷史統(tǒng)計數(shù)據(jù)對貨運量進行預測。廣義回歸神經(jīng)網(wǎng)絡(Gener

56、alizedRegressionNeuralNetwork,簡稱GRNN)是美國學者DonaldF.Specht在1991年提出的，它是徑向基函數(shù)網(wǎng)絡的一種。GRNNM有很強的非線性映射能力和柔性網(wǎng)絡結(jié)構(gòu)，以及高度的容錯性和魯棒性，適于非線性問題的研究，在逼近能力和學習速度上較RBF網(wǎng)絡有著較強的優(yōu)勢，網(wǎng)絡最后收斂于樣本量積聚較多的優(yōu)化回歸面，并且在樣本數(shù)據(jù)較少時，預測效果也較好，止匕外，網(wǎng)絡還可以處理不穩(wěn)定的數(shù)據(jù)。因此GRN在信號過程、結(jié)構(gòu)分析、教育產(chǎn)業(yè)、能源、食品科學、控制決策系統(tǒng)、藥物設計、金融領(lǐng)域、生物工程等各個領(lǐng)域得到了廣泛的應用。GRNN勺理論基礎和網(wǎng)絡結(jié)構(gòu)廣義回歸神經(jīng)網(wǎng)絡的理論基礎是非線性(核)回歸分析，非獨立變量Y相對于獨立變量x的回歸分析實際上是計算具有最大概率值的y。設隨機向量x和隨機變量y的聯(lián)合概率密度函數(shù)為f(x,y),