畢業(yè)論文-短期智能負(fù)荷預(yù)測系統(tǒng)

HUNANUNIVERSITY畢業(yè)論文論文題目短期智能負(fù)荷預(yù)測系統(tǒng)基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測學(xué)生姓名學(xué)生學(xué)號專業(yè)班級學(xué)院名稱電氣與信息工程學(xué)院指導(dǎo)老師學(xué)院院長2005年 5月日 湖南大學(xué)畢業(yè)設(shè)計(論文)第=1\*ROMANI頁 短期智能負(fù)荷預(yù)測系統(tǒng)摘要電力系統(tǒng)短期負(fù)荷預(yù)測是電力企業(yè)一項重要的工作，預(yù)測的結(jié)果將對變電站、水火發(fā)電廠的合理配置、安全設(shè)備的維修以及電網(wǎng)經(jīng)濟(jì)調(diào)度、能量傳播，還有發(fā)電機(jī)組的生產(chǎn)計劃等產(chǎn)生巨大的影響。如今，隨著信息化的高速發(fā)展，社會各方面的不斷變化，對負(fù)荷預(yù)測精度的要求也越來越高，傳統(tǒng)的預(yù)測方法已經(jīng)再也不能滿足電力工業(yè)發(fā)展的需要，而以人工神經(jīng)網(wǎng)絡(luò)為代表的新的預(yù)測方法在負(fù)荷預(yù)測領(lǐng)域越來越顯示其巨大的優(yōu)越性。本文在研究了大量文獻(xiàn)資料的基礎(chǔ)上，介紹了人工神經(jīng)網(wǎng)絡(luò)的基本理論及特征，特別是BP神經(jīng)網(wǎng)絡(luò)；通過學(xué)習(xí)BP網(wǎng)絡(luò)算法和具體步驟，分析影響電力負(fù)荷的各種重要因素，構(gòu)建了一個三層結(jié)構(gòu)的BP網(wǎng)絡(luò)模型，并確定BP網(wǎng)絡(luò)的輸入層、隱含層及輸出層的節(jié)點數(shù)，并用歷史負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練，對電力系統(tǒng)的短期負(fù)荷進(jìn)行了預(yù)測，并取得了較好的預(yù)測結(jié)果。使用人工神經(jīng)網(wǎng)絡(luò)法的預(yù)測結(jié)果相對于傳統(tǒng)使用的方法來說，預(yù)測精度有了明顯的提高，由此證明了人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期負(fù)荷預(yù)測的有效性。關(guān)鍵詞：短期負(fù)荷預(yù)測，人工神經(jīng)網(wǎng)絡(luò)，BP算法湖南大學(xué)畢業(yè)設(shè)計(論文)第=2\*ROMANII頁IntelligentShort-termLoadForecastingSystymABSTRACTPowersystemshort-termloadforecastingisaveryimportantpartinelectricpowerdispatching,theresultofforecastingwillhaveagreateffectongeneratorproductionplan,thepowerallocation,fuelallocationandsafetyanalysisofequipmentrepairandshort-termgridenergypropagation.Intheinformatizationconstructionisboomingtoday,traditionalartificialforecasthasbeenincreasinglyunabletomeettheneedsofelectricpowerindustrialdevelopment,andthenewpredictionmethodbasedonartificialneuralnetworkastherepresentativehasincreasinglyshownitsgreatsuperiority.Basedonalotofliterature,thispaperintroducesthebasictheoryandcharacteristicsofartificialneuralnetwork,especiallyBPneuralnetwork;ThroughthestudyofBPnetworkalgorithmandspecificsteps,analysisofvariousimportantfactorsofelectricpowerload,theconstructionofathreelayerBPnetworkmodelhasbeensetup,anddetermineBPnetworknodenumberofinputlayer,hiddenlayerandoutputlayer,andusinghistoricalloaddatatraining,theshort-termloadforecastingofthepowersystemissuccessfulground.Theaccuracyofthepredictionresultshasgreatlyimprovedthatiscomparedwiththetraditionalmethod,itprovesthevalidityofthefieldofartificialneuralnetworksinpredictionofshort-termpowerload.Keywoeds:shorttermloadforecasting,neutalnetwork,algorithmofBP湖南大學(xué)畢業(yè)設(shè)計(論文)第=3\*ROMANIII頁 目錄TOC\o"1-3"\h\u11297HUNANUNIVERSITY 頁1緒論1.1預(yù)測的目的及意義至今為止，電力系統(tǒng)已發(fā)展成為了一個大型網(wǎng)絡(luò)，它能給世界上的每個國家提供能源與動力。它的作用不僅僅是為用戶提供電能使用，更重要的是，它能夠確保電能的優(yōu)質(zhì)性及持續(xù)穩(wěn)定性。電力系統(tǒng)負(fù)荷預(yù)測是電力行業(yè)做電力規(guī)劃工作的關(guān)鍵組成部分，同時也是制定發(fā)電計劃的重要基礎(chǔ)。負(fù)荷預(yù)測可以用于進(jìn)行系統(tǒng)充裕性評估、合同電力配合、發(fā)電合同制定、電價預(yù)測、實時調(diào)度和預(yù)測調(diào)度等工作，它不但使系統(tǒng)安全、可靠運行，也提高了系統(tǒng)的經(jīng)濟(jì)性[1]。目前，社會對電力的需求量日益增多，只有正確地預(yù)測出電力需求量及電力負(fù)荷，才能確定電廠應(yīng)發(fā)的電量以及應(yīng)使用的燃料量，或者是安排輸變電設(shè)備及發(fā)電機(jī)組的檢修計劃等。同時確定電網(wǎng)在各段計劃期內(nèi)需要增加的發(fā)電、輸電以及變電的設(shè)備容量，從而獲得最大的經(jīng)濟(jì)效益。因此，準(zhǔn)確的負(fù)荷預(yù)測是實行電力市場的首要任務(wù)和基本條件，作好這一工作對電力行業(yè)具有重大意義。 1.2目前研究現(xiàn)狀 負(fù)荷預(yù)測是指根據(jù)系統(tǒng)的運行特性及增容決策、社會影響、自然條件等諸多因數(shù)，在滿足一定精度的要求下，預(yù)測未來的負(fù)荷值[2][3]。負(fù)荷預(yù)測可以根據(jù)目的的不同分為：長期、中期、短期及超短期負(fù)荷預(yù)測。其中短期負(fù)荷預(yù)測是指周負(fù)荷預(yù)測或日負(fù)荷預(yù)測，其在電網(wǎng)經(jīng)濟(jì)調(diào)度運行和發(fā)電機(jī)組啟停方面，具有十分重要的意義。由于負(fù)荷精度對發(fā)電機(jī)組運行及系統(tǒng)經(jīng)濟(jì)調(diào)度方面具有很大影響，因此，負(fù)荷預(yù)測的精度越高，越有利于電廠的經(jīng)濟(jì)運行。一般情況下，我們都是根據(jù)負(fù)荷的歷史記錄資料和它現(xiàn)在的數(shù)據(jù)來預(yù)測未來的負(fù)荷值的，當(dāng)歷史資料記錄不完整或是丟失時，將會使預(yù)測的未來負(fù)荷不準(zhǔn)確，這也致使負(fù)荷預(yù)測所研究的目標(biāo)是一件不肯定事件。由于負(fù)荷一般都會受到系統(tǒng)內(nèi)部設(shè)備檢修、氣候變化及用戶負(fù)荷的隨機(jī)變動等干擾因數(shù)的影響，具有不確定性、時間性、條件性和多樣性等特點。因此，作為短期負(fù)荷預(yù)測，就得考慮多種影響因素，具備精確的負(fù)荷歷史資料，并且能夠確立相關(guān)的數(shù)學(xué)模型來表示當(dāng)前負(fù)荷與過去負(fù)荷以及各種干擾因數(shù)之間的關(guān)系。于是在多年的研究與探討，得出如灰色理論、專家預(yù)測、人工神經(jīng)網(wǎng)絡(luò)等建模方法。因此，要根據(jù)生產(chǎn)實踐中的實際情況來選擇相應(yīng)的預(yù)測方法。(1)時間序列法[4]時間序列法是較為常見的短期負(fù)荷預(yù)測的方法，它主要是通過收集歷史數(shù)據(jù)，然后根據(jù)這些歷史數(shù)據(jù)所呈現(xiàn)出來的某種特性，去確立某種相關(guān)模型來表示產(chǎn)生實際數(shù)據(jù)的隨機(jī)過程，并使用這種相關(guān)的模型對負(fù)荷進(jìn)行預(yù)測。它主要是利用了電力負(fù)荷變動在時間上的連續(xù)性以及其特有的慣性特征，并通過對歷史數(shù)據(jù)時間上的分析處理，確定其變化規(guī)律及基本特征，從而預(yù)測未來負(fù)荷。時間序列法具有的一個較好的優(yōu)點是計算速度快，并且能夠很好地反映負(fù)荷的近期變化。但其對原始時間序列的穩(wěn)定性要求高，不能夠完全考慮天氣等因素的影響，并且當(dāng)原始的時間序列不能夠滿足平穩(wěn)性的要求時，建模就會出現(xiàn)較大的不確定性，此時就要對數(shù)據(jù)進(jìn)行平穩(wěn)化處理，直至?xí)r間序列滿足平穩(wěn)性要求，此過程比較繁瑣。(2)回歸分析法[5]回歸分析法是指通過負(fù)荷的歷史數(shù)據(jù)，從歷史數(shù)據(jù)中的因果關(guān)系出發(fā)，運用數(shù)理學(xué)中的回歸分析來研究各個變量之間的變化情況及其發(fā)展趨勢，從中建立起能夠反映其中變化的數(shù)學(xué)模型，并用這個模型對未來負(fù)荷進(jìn)行預(yù)測。由于回歸分析法的外推特性比較好，其可靠性較一般的時間序列法和直觀分析法高，所以對于過去從未出現(xiàn)的情況也能做出較為準(zhǔn)確的預(yù)測，可以用于長期、中期及短期的負(fù)荷預(yù)測。但是由于它對歷史數(shù)據(jù)要求較高，當(dāng)用簡單的線性方法來分析較為復(fù)雜的情況時，往往會出現(xiàn)較大的誤差[4]。(3)灰色系統(tǒng)預(yù)測法[6][7]所謂灰色系統(tǒng)預(yù)測法指的是利用已經(jīng)知道的部分明確的信息，形成必要的有限的序列及相應(yīng)的微分方程，尋找各個參數(shù)之間的規(guī)律，從而導(dǎo)出不明確信息的發(fā)展方向的分析方法，是多種影響因子共同作用的結(jié)果。由于這種方法是采用生成模塊的方式來鏟除掉隨機(jī)變量的，所以在預(yù)測中實際存在的不穩(wěn)定性或是有大量的隨機(jī)特性的，它都能夠適應(yīng)，并且較回歸預(yù)測法，它所需要的原始數(shù)據(jù)要少。一般來說，灰色系統(tǒng)預(yù)測法可以適用于任意的非線性負(fù)荷預(yù)測，但有一點不足的是它的微分方程解較適合于具有增長趨勢的負(fù)荷預(yù)測，且它的預(yù)測精度跟被預(yù)測的對象的變化規(guī)律有很大的關(guān)系，當(dāng)原始數(shù)據(jù)的變化情況波動較大時，預(yù)測的精度往往不大理想，此時不宜用此方法來進(jìn)行預(yù)測。(4)專家系統(tǒng)方法專家系統(tǒng)就是積累了大量的專門知識和專家經(jīng)驗的一種人工智能推理的系統(tǒng)。它通過對數(shù)據(jù)庫里存放的歷史負(fù)荷數(shù)據(jù)還有天氣情況等進(jìn)行細(xì)致的分析，再匯集了有專業(yè)負(fù)荷預(yù)測人員的知識，從中提取有關(guān)的規(guī)則，再借助專家系統(tǒng)，識別預(yù)測日所屬的類型，并考慮其他影響因素等，進(jìn)而進(jìn)行判斷、決策，進(jìn)而對負(fù)荷進(jìn)行預(yù)測。使用專家系統(tǒng)方法，能夠?qū)λ占某Ｒ?guī)的建模進(jìn)行評估決策，并且對于突發(fā)事件的影響，系統(tǒng)可以避免負(fù)荷的計算，作出最佳的預(yù)測結(jié)果。但是由于其需要對數(shù)據(jù)進(jìn)行精確分析，所有耗時較長，通用性也較差，并且缺乏自學(xué)能力和自適應(yīng)能力。需要將其與其他方法結(jié)合，才能得出令人滿意的結(jié)果。(5)神經(jīng)網(wǎng)絡(luò)理論[8][9]目前使用較多的是神經(jīng)網(wǎng)絡(luò)法，所謂的神經(jīng)網(wǎng)絡(luò)就是由大量的神經(jīng)元構(gòu)成，網(wǎng)絡(luò)就是通過這些神經(jīng)元之間的相互作用來實現(xiàn)信息處理的。對于具有相似的負(fù)荷模型，比如需要考慮氣象、節(jié)日等各種干擾因素的影響時，其預(yù)測的精度就比較高。另外，由于神經(jīng)網(wǎng)絡(luò)具有很好的函數(shù)逼近能力以及很強(qiáng)的映射關(guān)系、自學(xué)習(xí)能力，因此它能很方便地擬合出具有比較復(fù)雜關(guān)系的非線性系統(tǒng)，在應(yīng)用于短期負(fù)荷預(yù)測方面具有很大的前景。但是，它也存在著自身的缺點，即沒有很快的學(xué)習(xí)速度、記憶不穩(wěn)定性、知識表達(dá)困難等，以致于使調(diào)度人員難以充分利用以往經(jīng)驗中存在的模糊知理論。隨著經(jīng)濟(jì)、政治的發(fā)展，電力市場也在不斷地完善，負(fù)荷預(yù)測在電力市場中的地位日漸顯現(xiàn)，并且對負(fù)荷精度的要求也是越來越高。由于傳統(tǒng)的預(yù)測方法比較地成熟，其預(yù)測結(jié)果不容忽視，對未來的預(yù)測多少會起到一定的參考作用。但要我們并不能滿足于目前的現(xiàn)狀，而是要追求更高的精度要求，使負(fù)荷預(yù)測對電力系統(tǒng)或是社會有更大的效益，這就需要對傳統(tǒng)方法作一些改進(jìn)。目前，隨著科技地不斷進(jìn)步，特別是計算機(jī)技術(shù)日益精湛，加上理論研究方面的深入，這為負(fù)荷預(yù)測的發(fā)展提供了可靠的數(shù)學(xué)基礎(chǔ)和堅實的理論依據(jù)。特別是人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，其適于解決時間序列問題，一但應(yīng)用于負(fù)荷預(yù)測領(lǐng)域，將會使預(yù)測精度得到進(jìn)一步提高。1.3本文的主要研究內(nèi)容(1)首先了解負(fù)荷預(yù)測的目的及意義，并研究了其目前的發(fā)展?fàn)顩r等，對負(fù)荷預(yù)測有個根本的理解。(2)介紹負(fù)荷預(yù)測的基本概念，負(fù)荷的分類及特點等，并且分析了影響負(fù)荷的各種因素，研究負(fù)荷預(yù)測的基本步驟等。 (3)介紹人工神經(jīng)網(wǎng)絡(luò)的基本概念，包括它的特征和模型等，使我們對人工神經(jīng)網(wǎng)絡(luò)有個初步的了解，詳細(xì)介紹了BP網(wǎng)絡(luò)的學(xué)習(xí)算法及步驟，對BP神經(jīng)網(wǎng)絡(luò)有了詳盡的了解。(4)從歷史數(shù)據(jù)的選擇、網(wǎng)絡(luò)結(jié)構(gòu)的建立及輸入數(shù)據(jù)的處理等幾個方面介紹了使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測的網(wǎng)絡(luò)建模問題。(5)確定了所謂負(fù)荷建模的相關(guān)因數(shù)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型，使用實際負(fù)荷進(jìn)行預(yù)測，并使用MATLAB軟件對模型進(jìn)行仿真，得到預(yù)測日24小時的預(yù)測結(jié)果，并對此結(jié)果進(jìn)行誤差分析。2短期負(fù)荷預(yù)測的概論目前，隨著經(jīng)濟(jì)、政治的不斷發(fā)展，電力市場已經(jīng)成為電力行業(yè)不可缺少的一部分。在此基礎(chǔ)上，負(fù)荷預(yù)測也漸漸成為電力市場能量管理系統(tǒng)中非常重要的組成部分，并成為保證電力系統(tǒng)可靠、經(jīng)濟(jì)運行所必需的手段之一。在電力市場的條件下，精確的負(fù)荷預(yù)測已經(jīng)成為實行電力市場的首要任務(wù)及基本條件，對此，對負(fù)荷預(yù)測也提出了更為嚴(yán)格的要求，它不再僅僅是能量管理系統(tǒng)的重要部分，更是成為了制定電力交易計劃的關(guān)鍵。2.1負(fù)荷預(yù)測的概念 負(fù)荷預(yù)測就是根據(jù)系統(tǒng)的增容決策、負(fù)荷特性、社會及自然條件等諸多因素，并在滿足給定的精度要求下，確定未來某一時刻的負(fù)荷值，其中負(fù)荷指的是電力的用電量或者是電力需求量（功率）；負(fù)荷預(yù)測既是電力市場能量管理系統(tǒng)中不可或缺的重要組成部分，也是電力系統(tǒng)經(jīng)濟(jì)調(diào)度中一項至關(guān)重要的內(nèi)容[10]。2.2負(fù)荷預(yù)測的分類及其特點不同的用電部門或是用電單位，甚至是使用不一樣的用電設(shè)備等，對用電方式或是用電需求量都有著明顯的差異。因此在統(tǒng)計綜合用電量或是在電力系統(tǒng)規(guī)劃中作負(fù)荷預(yù)測時，我們并沒有大量的時間或是精力去研究每個部門或每個用電單位的用電量及用電特點，而是針對各個區(qū)域的用電情況，分別采取相應(yīng)的分類方法，將其負(fù)荷進(jìn)行分類，再根據(jù)不同的負(fù)荷類型對它們進(jìn)行詳盡地分析和研究，預(yù)測出它們變化及發(fā)展的趨勢，最后在此預(yù)測的基礎(chǔ)上，運用綜合技術(shù)手段對其進(jìn)行綜合地研究與預(yù)測，從而得到相應(yīng)的負(fù)荷預(yù)測結(jié)果。至今為止，我國的電力行業(yè)采用過的分類方法具有多種，可根據(jù)不同的研究目的來采取不同的方法，一般情況下，電力部門現(xiàn)行的負(fù)荷分類方法是按用電部門的屬性及按負(fù)荷預(yù)測的時間長短劃分。2.2.1按用電部門的屬性劃分負(fù)荷預(yù)測一般可以分為商業(yè)負(fù)荷、城市居民用負(fù)荷、工業(yè)負(fù)荷、農(nóng)業(yè)負(fù)荷以及其他負(fù)荷等，負(fù)荷類型的不同，增長的規(guī)律或是特性指標(biāo)也不同。其主要影響因數(shù)是家用電器、節(jié)假日、季節(jié)變化及氣溫等。隨著經(jīng)濟(jì)的日益發(fā)展，國民經(jīng)濟(jì)結(jié)構(gòu)在不斷地變化，用電量也會隨之不斷地改變，為了能更好地跟上國家發(fā)展，與國際慣例接軌，可將用電種類分為：工業(yè)用電、農(nóng)林水利用電、居民生活用電及其他事業(yè)用電等四類。2.2.2按負(fù)荷預(yù)測的時間長短劃分 一般說來，負(fù)荷預(yù)測可根據(jù)預(yù)測時間從長到短的順序分為：長期、中期、短期及超短期負(fù)荷預(yù)測。一般我們所說的超短期負(fù)荷預(yù)測的預(yù)測時間是幾分鐘、一刻鐘、半小時或是一個小時，其預(yù)測的時間相對較短，主要是用于電力市場的經(jīng)濟(jì)運行或是實時電力調(diào)度。短期負(fù)荷預(yù)測一般是指周負(fù)荷預(yù)測及日負(fù)荷預(yù)測，分別用于安排周調(diào)度計劃及日調(diào)度計劃，主要是確定電力系統(tǒng)的運行方式，包括水火電協(xié)同、負(fù)荷經(jīng)濟(jì)分配、水庫調(diào)度、聯(lián)絡(luò)線交換功率、及設(shè)備檢修等。中期負(fù)荷預(yù)測指月至年的負(fù)荷預(yù)測，它主要是用于制訂電力系統(tǒng)的長期運行方式或是擴(kuò)建規(guī)劃，還可用于確定機(jī)組運行以及設(shè)備的大修計劃等。長期負(fù)荷預(yù)測是指以年為時間單位的負(fù)荷預(yù)測，一般是指未來的3~5年，由于是長時間內(nèi)的負(fù)荷預(yù)測，所以未來負(fù)荷與國民經(jīng)濟(jì)及國家政策有著極大的關(guān)系，要特別注意國家發(fā)展趨勢對其影響。長期負(fù)荷預(yù)測主要是用于電網(wǎng)改造或是擴(kuò)建工作的遠(yuǎn)景計劃。2.3負(fù)荷預(yù)測的特征2.3.1短期負(fù)荷預(yù)測的特征 一般情況下電力系統(tǒng)在正常的條件下，其所輸出的功率則主要是受用戶的需求量所影響。對于一個比較確定的用戶，一般情況下，在沒有出現(xiàn)什么特別重大的用電需求時，它對負(fù)荷的需求量基本上是確定的，具有一定的用電規(guī)律。但是換做是一個大的系統(tǒng)，情況會有所不同，大用戶的用電需求量具有不確定性。甚至就算是在一個短時間段內(nèi)，也常表現(xiàn)為過去負(fù)荷的一種隨機(jī)起伏，與近期內(nèi)過去的負(fù)荷具有密切的關(guān)系?；蛘呖梢哉f是下一個預(yù)測的未來負(fù)荷值基本上是由過去負(fù)荷的情況所決定，但它還受到其他干擾因素的影響，比如天氣變化、用戶用電量的隨機(jī)起伏以及系統(tǒng)內(nèi)部設(shè)備檢修等。因此，在作短期負(fù)荷預(yù)測時，首先必須具備精確的歷史負(fù)荷數(shù)據(jù)，并能夠建立起某種數(shù)學(xué)模型，此模型能夠明確地表示當(dāng)前負(fù)荷與過去負(fù)荷還有其他干擾因素之間的關(guān)系。根據(jù)負(fù)荷歷史記錄資料，分析其存在的變化規(guī)律，可以看出：負(fù)荷除了具有周期性外，還具有明顯的隨機(jī)特性。負(fù)荷具有以季、以周甚至是以日為周期變化的特點，并且這種周期性與記錄的時間長短有關(guān)，通常情況下，此種周期的清晰性與負(fù)荷記錄的時間成正比關(guān)系。因此，作短期負(fù)荷預(yù)測時，為了能夠得出更精準(zhǔn)的預(yù)測結(jié)果，就要分析過去歷史記錄資料，研究過去幾年的負(fù)荷數(shù)據(jù)，只有這樣，才可能將負(fù)荷變化的周期性體現(xiàn)在分析中。綜上所述，電力系統(tǒng)短期負(fù)荷預(yù)測作為一個非平穩(wěn)的時間序列，其具有以下特征：(1)周期性。負(fù)荷具有以季、周甚至是日為周期變化的特點，小周期被“嵌套“在大周期中。(2)負(fù)荷序列的波動幅度與時間的長短成正比。相對應(yīng)于較長的時間段，其波動幅度也較大，反之，波動幅度則較小。(3)非平穩(wěn)性。序列存在著方差，且方差是發(fā)散的，具有漸增趨向。2.4短期負(fù)荷的特性分析 要對電力系統(tǒng)的負(fù)荷進(jìn)行預(yù)測，使預(yù)測的精度更加準(zhǔn)確，那么就要了解負(fù)荷的特性，了解負(fù)荷特性的變化規(guī)律及發(fā)展趨勢等。電力系統(tǒng)的負(fù)荷既有其自身發(fā)展的規(guī)律性，也有其變化的不確定性。比如，從周一至周五，負(fù)荷變化自有其相似性，到了周六和周日，又有它們各自的變化規(guī)律；在一年四季之內(nèi)，氣象條件差異較大，負(fù)荷又隨著天氣變化有其一定的變化規(guī)律；在其不確定方面，如意外事故或特殊事件的發(fā)生，或者是天氣異常變化、環(huán)境變化等，都會使負(fù)荷發(fā)生變化。因此，在預(yù)測負(fù)荷時，既要兼顧其內(nèi)在的變化規(guī)律，又要顧及其他因素的影響，特別是那些不確定因素。通過大量數(shù)據(jù)的分析和研究，得出短期負(fù)荷預(yù)測可由以下幾個部分組成：典型負(fù)荷分量特性、天氣敏感型負(fù)荷分量特性、特殊事件負(fù)荷分量特性及隨機(jī)負(fù)荷分量特性。2.4.1典型負(fù)荷分量特性典型負(fù)荷分量的主要特點是其負(fù)荷具有周期性的變化規(guī)律，其主要是由負(fù)荷種類和負(fù)荷成分所占的比重兩部分組成。由于不同的組成負(fù)荷在這兩個方面的不同，決定了它們具有不同的基本的負(fù)荷特性，也導(dǎo)致了它們對各種影響因素具有不同的反映，從而表現(xiàn)出不同的響應(yīng)特性，主要有日周期性、周周期性、季周期性、年周期性及節(jié)假日特性等。我們認(rèn)為典型負(fù)荷分量是短期負(fù)荷的重要組成部分。2.4.2天氣敏感型負(fù)荷分量特性影響負(fù)荷的天氣因素主要有：溫度、降雨、日照等等。不同的天氣因素對負(fù)荷預(yù)測的影響是不一樣的，且不同時段的天氣因素對負(fù)荷預(yù)測的影響也是不同。一般情況下，冬夏時期的負(fù)荷要比春秋時期的負(fù)荷要高。2.4.3特殊事件負(fù)荷分量特性特殊事件對短期負(fù)荷預(yù)測來說是不可忽視的一部分，天氣異常變化或重大特殊事件的發(fā)生都會引起極端負(fù)荷，這些影響因素具有不確定性，難以預(yù)測，因此，我們要想預(yù)測的精度更加的準(zhǔn)確，就要研究歷史記錄，了解負(fù)荷隨機(jī)變化的規(guī)律。2.4.4隨機(jī)負(fù)荷分量特性一般我們所說的隨機(jī)分量就是那些不遵循規(guī)律的那部分分量，但是這些分量可以通過模型或是算法來考慮。從本質(zhì)上來說，負(fù)荷序列就是一個隨機(jī)序列，其存在著諸多隨機(jī)因素，并不能夠準(zhǔn)確預(yù)測的，但可將其考慮在模型中。2.5電力系統(tǒng)負(fù)荷預(yù)測2.5.1負(fù)荷預(yù)測的基本程序負(fù)荷預(yù)測的基本程序如下：確定預(yù)測目標(biāo)首先根據(jù)所要預(yù)測的內(nèi)容和對象，明確預(yù)測的目標(biāo)，即要明確預(yù)測的目的以及所要解決的問題，同時也要明確預(yù)測的范圍及預(yù)測的期限。收集、分析、整理有關(guān)資料情報資料是預(yù)測的基本依據(jù)。當(dāng)要對需電量以及用電負(fù)荷進(jìn)行預(yù)測時，需要了解預(yù)測地區(qū)國民經(jīng)濟(jì)及社會的發(fā)展情況，了解當(dāng)?shù)貧v年用電情況、用電結(jié)構(gòu)、電力系統(tǒng)現(xiàn)有情況等，除此之外，還得收集當(dāng)?shù)氐貐^(qū)經(jīng)濟(jì)增長速度以及其影響因素、自然資源及動力資源情況、大型用戶遠(yuǎn)景用電計劃、單位產(chǎn)品的綜合耗電定額以及其他變化因素等；研究各主要變電站的頻率、電壓以及各無功設(shè)備的安裝容量、運行情況等，對它們進(jìn)行系統(tǒng)性的統(tǒng)計及分析，并且還要了解各種類型用戶的負(fù)荷特性及它們的用電情況，把握其發(fā)展規(guī)律。對于已經(jīng)收集的歷史數(shù)據(jù)以及記錄、統(tǒng)計的資料，需要對其進(jìn)行合理的分析整理，達(dá)到去粗取精、去偽存真的目的。選擇預(yù)測方案在確定預(yù)測目標(biāo)、對象、預(yù)測的精度要求后，根據(jù)掌握情報資料的情況，確定較適合的預(yù)測方案，且確立相應(yīng)的數(shù)學(xué)模型。通常情況，定性預(yù)測是總結(jié)及分析過去經(jīng)驗，而定量預(yù)測則需要收集較完備數(shù)據(jù)，因此，它對資料的要求較嚴(yán)格，但預(yù)測精度也相應(yīng)較高。在進(jìn)行負(fù)荷預(yù)測時，為了得到較準(zhǔn)確的預(yù)測結(jié)果，應(yīng)盡量使用多種預(yù)測方法，定性與定量相結(jié)合，并且要分析各種方法的預(yù)測結(jié)果，找出其中原因，使預(yù)測結(jié)果更傾于準(zhǔn)確和實際。(4)進(jìn)行預(yù)測的編制需要根據(jù)已經(jīng)有的資料和建立起的數(shù)學(xué)模型，對預(yù)測目標(biāo)進(jìn)行預(yù)測，得出不同時期內(nèi)的電力負(fù)荷預(yù)測結(jié)果，填寫相應(yīng)負(fù)荷計劃、報表，并繪制相應(yīng)曲線等。(5)進(jìn)行預(yù)測的滾動修正隨著時間的推移，經(jīng)濟(jì)、政治、氣候等環(huán)境條件的不斷變化，預(yù)測結(jié)果不可能完全與實際值相同，甚至?xí)乖械念A(yù)測模型不再足以反映預(yù)測目標(biāo)的發(fā)展趨勢。這就需要我們對各種影響因素進(jìn)行分析、總結(jié)，及時地對原有數(shù)值或是預(yù)測模型進(jìn)行較核、修正，將誤差減至最小。2.5.2短期負(fù)荷預(yù)測的流程圖根據(jù)以上負(fù)荷預(yù)測的基本步驟，可得到相應(yīng)的負(fù)荷預(yù)測流程圖如圖2.1所示：開始開始確定預(yù)測目標(biāo)收集、分析、整理有關(guān)資料選擇預(yù)測方法，建立預(yù)測模型模型辨識與參數(shù)估計負(fù)荷預(yù)測誤差分析校正與改進(jìn)模型輸出負(fù)荷預(yù)測值結(jié)束是否圖2.1短期負(fù)荷預(yù)測的基本流程圖2.5.3負(fù)荷預(yù)測的誤差分析負(fù)荷預(yù)測模型是對統(tǒng)計資料的一種概括，因而它在一定程度上呈現(xiàn)了經(jīng)驗資料內(nèi)部結(jié)構(gòu)的一般特征，其與具體的結(jié)構(gòu)并不是完全一致，因此，都會在一定程度上產(chǎn)生誤差。對此，我們需要研究誤差產(chǎn)生的原因，并且分析誤差的大小及其影響因素，從而認(rèn)識預(yù)測結(jié)果的精確程度。經(jīng)過各種分析總結(jié)，可以將產(chǎn)生誤差的原因概括為以下幾個方面：（1）在預(yù)測的過程中，我們所采用的模型一般都是主要考慮影響負(fù)荷的主要因素，對于影響較小的因素，我們都忽略了，這只是一種簡單化了的負(fù)荷狀態(tài)的反映，與實際的負(fù)荷之間存在著差距，因此多少都會產(chǎn)生誤差。（2）負(fù)荷預(yù)測的方法具有多種，但并不是每一種都能夠正確反映實際負(fù)荷，因此當(dāng)選擇的方法不恰當(dāng)是時也會產(chǎn)生誤差。（3）預(yù)測中要用到歷史資料進(jìn)行訓(xùn)練和測試，當(dāng)各種歷史資料、數(shù)據(jù)不完善或不準(zhǔn)確時也會使預(yù)測結(jié)果出現(xiàn)偏差。（4）某種意外事故的發(fā)生或者是某種情況的突然改變也會對預(yù)測結(jié)果產(chǎn)生影響。以上各種原因引起的誤差疊加起來可能會使呈現(xiàn)出最終的誤差很大，當(dāng)誤差過大時就要考慮以上各種原因，逐一查找，加以改正。3人工神經(jīng)網(wǎng)絡(luò)的基本理論神經(jīng)網(wǎng)絡(luò)是指由大量的處理單元聯(lián)結(jié)而成的一種網(wǎng)絡(luò)，它通過網(wǎng)絡(luò)內(nèi)部大量神經(jīng)元之間的相互連接來實現(xiàn)網(wǎng)絡(luò)的信息處理，此種連接形式類似于大腦神經(jīng)突觸的聯(lián)結(jié)結(jié)構(gòu)。由于神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的映射能力和自學(xué)習(xí)能力，所以很多復(fù)雜的非線性關(guān)系都可以通過它來擬合。因此，它能使用于電力系統(tǒng)的短期負(fù)荷預(yù)測。3.1人工神經(jīng)網(wǎng)絡(luò)的介紹3.1.1人工神經(jīng)網(wǎng)絡(luò)的基本概念 人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,即ANN），早在20世紀(jì)80年代就成為了人工智能領(lǐng)域興起的一個研究熱點。它是從信息處理的角度出發(fā)，對人腦的神經(jīng)網(wǎng)絡(luò)進(jìn)行抽象處理，從而建立起某種簡單的數(shù)學(xué)模型，并按照不同的連接方式構(gòu)成不同的網(wǎng)絡(luò)。通常情況下，都將它稱為神經(jīng)網(wǎng)絡(luò)或是類神經(jīng)網(wǎng)絡(luò)。作為一種運算模型，它是由大量的神經(jīng)元相互聯(lián)結(jié)組成。每一個神經(jīng)元則代表了某種特定的輸出函數(shù)，這些輸出函數(shù)一般稱為激勵函數(shù)。且每兩個神經(jīng)元之間的連接都代表了通過該兩神經(jīng)元連接信號的加權(quán)值，一般稱之為權(quán)重。人工神經(jīng)網(wǎng)絡(luò)是對人腦的模擬，而它的記憶就是神經(jīng)元之間的加權(quán)值，對于網(wǎng)絡(luò)的輸出，則主要是受網(wǎng)絡(luò)的連接方式、激勵函數(shù)和權(quán)重值的影響，當(dāng)這三者中有任一個不同時，網(wǎng)絡(luò)也將會有不同的輸出值。而網(wǎng)絡(luò)自身通常代表了對某種函數(shù)或某種算法的逼近，也有可能是對某種邏輯策略的表達(dá)。3.1.2人工神經(jīng)網(wǎng)絡(luò)的基本特征一般所說的人工神經(jīng)網(wǎng)絡(luò)都是由大量的處理單元互相聯(lián)而構(gòu)成的網(wǎng)絡(luò)，其是一個具有非線性和自適應(yīng)能力的信息處理系統(tǒng)。在更早的時期，人們已經(jīng)在神經(jīng)科學(xué)領(lǐng)域上有所研究，而人工神經(jīng)網(wǎng)絡(luò)就是在現(xiàn)有的神經(jīng)科學(xué)研究成果上提出的。網(wǎng)絡(luò)通過內(nèi)部大量神經(jīng)元之間的相互連接來實現(xiàn)信息處理，由各個神經(jīng)元之間連接權(quán)值的演變過程來決定網(wǎng)絡(luò)的學(xué)習(xí)過程。一般人工神經(jīng)網(wǎng)絡(luò)的基本特征有以下幾個：人工神經(jīng)網(wǎng)絡(luò)是一個非線性系統(tǒng)非線性關(guān)系是自然界普遍存在的一種特性，人腦的智慧就是其中一種。我們常見的人工網(wǎng)絡(luò)神經(jīng)元一般是處于抑制或是激活這兩種不同的狀態(tài)的，神經(jīng)元的這種行為在數(shù)學(xué)上所呈現(xiàn)出來的就是一種非線性關(guān)系。具有閥值的神經(jīng)元形成的網(wǎng)絡(luò)可以提高存儲容量和容錯性，因此具有更好的性能。(2)神經(jīng)網(wǎng)絡(luò)具有非局限性由于神經(jīng)網(wǎng)絡(luò)是由多個處理單元相互聯(lián)結(jié)構(gòu)成，以至個系統(tǒng)的整體行為也受多個因素的影響?？梢哉f是單個單元對網(wǎng)絡(luò)的整體功能影響是比較微小的，整個網(wǎng)絡(luò)功能不可能也不僅僅是只受某個神經(jīng)元的特征所影響，更有可能是由各神經(jīng)元之間的相互連接、相互作用所決定。因此，當(dāng)網(wǎng)絡(luò)中的某個點或是幾個點遭到損壞時，系統(tǒng)還是可以正常工作的，它并不受到局部限制的影響。(3)神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自適應(yīng)能力及學(xué)習(xí)能力在特定的條件下，神經(jīng)網(wǎng)絡(luò)訓(xùn)練時很容易受微小環(huán)境變化的影響，但是它能夠通過自動調(diào)節(jié)神經(jīng)元之間的權(quán)值來適應(yīng)環(huán)境的變化，即其具有自適應(yīng)能力。另外，它還能通過對歷史負(fù)荷數(shù)據(jù)的學(xué)習(xí)，訓(xùn)練出一個能反映未來負(fù)荷預(yù)測的神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)的這種歸納及泛化能力，使得他具有很強(qiáng)的學(xué)習(xí)功能。(4)神經(jīng)網(wǎng)絡(luò)具有非凸性。所謂的非凸性是指函數(shù)具有多個極值。一般情況，一個系統(tǒng)的演變方向是由多種因素決定的，但是在一定條件下，也可能取決于某一個特定的狀態(tài)函數(shù)。比如能量函數(shù)，這種函數(shù)的極值就會處于一個較為穩(wěn)定的狀態(tài)。若系統(tǒng)具有非凸性，那么其平衡態(tài)也較多，從而使系統(tǒng)演變具有多樣性。3.1.3網(wǎng)絡(luò)模型目前，將近100多種的神經(jīng)網(wǎng)絡(luò)模型已被提出。人工神經(jīng)網(wǎng)絡(luò)的模型一般主要考慮的是神經(jīng)元的特征、學(xué)習(xí)方式以及網(wǎng)絡(luò)結(jié)構(gòu)等。因此，可根據(jù)神經(jīng)網(wǎng)絡(luò)的這些學(xué)習(xí)方式、網(wǎng)絡(luò)結(jié)構(gòu)或是處理能力對其進(jìn)行分類。但目前使用較多的分類方式是根據(jù)它連接的拓?fù)浣Y(jié)構(gòu)，將其分為前向網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。(1)前向網(wǎng)絡(luò) 前向網(wǎng)絡(luò)中的每個神經(jīng)元都接收前一級的輸入，并且輸出到下一級，網(wǎng)絡(luò)中并不存在反饋現(xiàn)象，此種網(wǎng)絡(luò)可由一個有向無環(huán)路圖來表示。網(wǎng)絡(luò)從輸入空間到輸出空間的變換實際上就是網(wǎng)絡(luò)的學(xué)習(xí)過程，此過程就實現(xiàn)了網(wǎng)絡(luò)之間各個單元的信號連接。一般前傳網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)并不復(fù)雜，容易實現(xiàn)。比較常見也比較典型的一種前傳網(wǎng)絡(luò)是反傳網(wǎng)絡(luò)。(2)反饋網(wǎng)絡(luò) 與前向網(wǎng)絡(luò)有所不同，反饋網(wǎng)絡(luò)內(nèi)部是存在反饋現(xiàn)象的，因此它可用一個無向環(huán)路圖來表示。這種網(wǎng)絡(luò)的信息處理即是狀態(tài)的變換，就是從一種狀態(tài)變換到另一種狀態(tài)，它可以用動力學(xué)系統(tǒng)理論來處理。反饋網(wǎng)絡(luò)內(nèi)部系統(tǒng)的穩(wěn)定性跟它的聯(lián)想記憶功能息息相關(guān)。其中波耳茲曼機(jī)就是此種類型之一。3.2BP神經(jīng)網(wǎng)絡(luò)1986年，Rumelhart提出一種具有隱含層的多層前饋網(wǎng)絡(luò)，它是利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，所以也簡稱為BP（BankPropaagation）網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)，由于它可含有多層隱含層，因此成為目前負(fù)荷預(yù)測中使用最多的神經(jīng)網(wǎng)絡(luò)模型之一。若假設(shè)網(wǎng)絡(luò)的輸入節(jié)點數(shù)為M，輸出的節(jié)點數(shù)為N，那么可以將此神經(jīng)網(wǎng)絡(luò)可看作是從M維歐式空間到N維歐式空間的映射，此種映射是高度非線性的。對于一個BP神經(jīng)網(wǎng)絡(luò)來說，它的隱含層及輸出層一般都是采用S激活函數(shù)，因此我們需要確定的量是網(wǎng)絡(luò)的層數(shù)以及各層的神經(jīng)元個數(shù)。事實證明：雙隱含層神經(jīng)網(wǎng)絡(luò)的預(yù)測精度會更高，一般在某些特殊的環(huán)境中使用，而一般的情況則都是使用單隱含層神經(jīng)網(wǎng)絡(luò)，因為單隱含層已經(jīng)可以逼近任意的連續(xù)函數(shù)，我們所謂的增加層數(shù)主要是為了更近一步地降低誤差，從而提高精度，使預(yù)測的結(jié)果更為準(zhǔn)確，但與此同時增加層數(shù)也會使網(wǎng)絡(luò)更加的復(fù)雜化，增加網(wǎng)絡(luò)的訓(xùn)練時間。一般情況下，在電力系統(tǒng)短期負(fù)荷預(yù)測中都選用的是含有一個隱含層的三層BP網(wǎng)絡(luò)。對于三層結(jié)構(gòu)的BP網(wǎng)絡(luò)，我們只需確定其輸入層、隱含層及輸出層的神經(jīng)元個數(shù)即可。3.2.1神經(jīng)網(wǎng)絡(luò)的BP模型輸出模式如下圖為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，其由輸入層、隱含層和輸出層組成。輸出模式輸出層隱含層輸入層輸入模式 輸出層隱含層輸入層輸入模式圖3.1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖BP網(wǎng)絡(luò)采用誤差反向傳播訓(xùn)練方法，根據(jù)它的基本原理，其學(xué)習(xí)過程可由正向傳播及反向傳播兩個學(xué)習(xí)階段組成。其正向傳播階段，輸入的信息首先通過輸入層，再由輸入層由經(jīng)隱含層后向輸出層傳送，逐層進(jìn)行處理，并且每一層神經(jīng)元的狀態(tài)都會受到上一層神經(jīng)元的影響。若是在最后的輸出結(jié)果中不能得到期望的輸出值，則就會自動進(jìn)入反向傳播階段，此過程中系統(tǒng)會將誤差信號以某種形式沿著輸出層由經(jīng)隱含層返回，再通過修整各個神經(jīng)元的閥值及權(quán)值，從而使誤差信號達(dá)到精度要求。3.2.2BP網(wǎng)絡(luò)學(xué)習(xí)算法BP算法的基本原理就是通過不斷地調(diào)整網(wǎng)絡(luò)的閥值和權(quán)值，使輸出值盡可能地接近期望值，當(dāng)輸出值與期望值之間的誤差小于某一誤差范圍時，停止對網(wǎng)絡(luò)的訓(xùn)練，并保存當(dāng)前網(wǎng)絡(luò)的閥值和權(quán)值，它是一種具有監(jiān)督式的學(xué)習(xí)算法。1．BP網(wǎng)絡(luò)前向傳播這里用一個三層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練階段，設(shè)網(wǎng)絡(luò)的輸入節(jié)點數(shù)為n個，隱含層神經(jīng)元個數(shù)為m個，用任意樣本p對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可得隱含層某個神經(jīng)元i的輸入如下：(i=1、2……m)(3.1)式中，Wij表示輸入層神經(jīng)元j和隱含層神經(jīng)元i之間的連接權(quán)值,、分別代表輸入層輸入節(jié)點j的輸入和輸出，表示的是隱含層神經(jīng)節(jié)點i的閥值，n表示輸入層具有的神經(jīng)節(jié)點個數(shù)，也就是網(wǎng)絡(luò)的輸入個數(shù)。隱含層的神經(jīng)元的輸出與輸入之間存在著某種函數(shù)關(guān)系，此關(guān)系表示為：(i=1……m)(3.2)由于某一層神經(jīng)元的狀態(tài)都會受到上一層神經(jīng)元的影響，所以隱含層第i個神經(jīng)元的輸出將會影響輸出層某個神經(jīng)元k的輸入，其將作為輸出層神經(jīng)元k的輸入之一，由此得輸出層某個神經(jīng)元k的總輸入如下：(k=1……n)(3.3)式中，Wik為輸出層神經(jīng)元k和隱含層神經(jīng)元i之間的連接權(quán)值；為輸出層神經(jīng)元的閥值，m即為隱含層的神經(jīng)元個數(shù)，n則是輸出個數(shù)。同理由神經(jīng)元輸出與輸入存在的函數(shù)關(guān)系，可得輸出層某個神經(jīng)元k的輸出如下： (k=1……n) (3.4)2．BP網(wǎng)絡(luò)反向傳播所謂BP算法的訓(xùn)練實際上就是將某一樣本加入到輸入層，按前傳法則，那么它將逐個影響到下一層神經(jīng)元的狀態(tài)，最終在輸出層上得到一個輸出值,當(dāng)這個輸出值和期望值不相符合時，網(wǎng)絡(luò)就會出現(xiàn)誤差信號。假設(shè)網(wǎng)絡(luò)的期望輸出為，實際值是，那么與之差的誤差信號將會由輸出層沿著隱含層向輸入層正連接權(quán)值，調(diào)整各個神經(jīng)元之間的權(quán)值，使誤差信號達(dá)到最小。對于每個樣本p的作用，得到誤差計算公式是：（3.5）對于輸出層，定義其神經(jīng)元的修整公式為：（3.6）定義（3.7）我們可通過以下公式對權(quán)值進(jìn)行修正，其中輸出層任一神經(jīng)元K的加權(quán)系數(shù)修正公式如下：（3.8）式中，為輸出層的輸出值，為期望的輸出值，為隱含層的輸出值。同上定義（3.9）這樣就得到隱含層某個神經(jīng)元i的加權(quán)系數(shù)修正公式為：（k=1……n）(3.10)其中，表示輸入層神經(jīng)元j的輸出值，也就是其輸入值，表示隱含層某個神經(jīng)元i的輸出值。同樣，可得到輸出層的任一神經(jīng)元k的加權(quán)系數(shù)公式為：(3.11)隱含層的任一神經(jīng)元i的加權(quán)系數(shù)公式為：(3.12)以上的計算過程是對連接權(quán)向量進(jìn)行修正，對于每個學(xué)習(xí)樣本都必須經(jīng)過以上學(xué)習(xí)，然后固定W值，再對樣本進(jìn)行計算，得到函數(shù)E：(3.13)當(dāng)E值滿足所給出的誤差精度時，系統(tǒng)就自動停止對網(wǎng)絡(luò)的迭代，否則，又會再次進(jìn)行新一輪的迭代計算，一直到E值滿足精度要求為止。從上所述，可以看出BP算法的輸出量與輸入量之間存在著高度的非線性映射關(guān)系，它將影響平穩(wěn)序列的相關(guān)因數(shù)作為輸入量，平穩(wěn)序列則作為輸出量，通過已收集的歷史負(fù)荷數(shù)據(jù)作為學(xué)習(xí)樣本，利用網(wǎng)絡(luò)自身的自學(xué)習(xí)功能進(jìn)行學(xué)習(xí)，使在這個“學(xué)習(xí)“的過程中各個連接閥值及權(quán)值不斷地得到調(diào)整，最后使得到的神經(jīng)網(wǎng)絡(luò)存在著能夠映射出平穩(wěn)序列與其影響因素之間的隱含的非線性函數(shù)。BP算法同其他傳統(tǒng)的預(yù)測方法相比，它并不需要考慮太多變量之間的復(fù)雜關(guān)系或是為了能夠明確地表達(dá)這種復(fù)雜關(guān)系而建立起復(fù)雜的數(shù)學(xué)模型，因為這種復(fù)雜的關(guān)系能由網(wǎng)絡(luò)自動“學(xué)習(xí)”出。3.2.3BP網(wǎng)絡(luò)學(xué)習(xí)的具體步驟（1）對數(shù)據(jù)樣本進(jìn)行規(guī)一化處理；（2）初始化：對加權(quán)系數(shù)進(jìn)行處理，置它們?yōu)檩^小的隨機(jī)數(shù)；（3）提供輸入向量以及期望輸出的訓(xùn)練樣本集；（4）計算出隱含層及輸出層的輸入、輸出；（5）計算出網(wǎng)絡(luò)輸出值與期望輸出值的誤差；（6）調(diào)整、修改輸出層及隱含層的加權(quán)系數(shù)；（7）返回(4)，循環(huán)上述步驟，一直到誤差滿足所設(shè)置的精度要求為止。4基于BP網(wǎng)絡(luò)的短期負(fù)荷預(yù)測使用人工神經(jīng)網(wǎng)絡(luò)對短期負(fù)荷進(jìn)行預(yù)測一般主要考慮一下兩個方面的內(nèi)容，一是要產(chǎn)生數(shù)據(jù)樣本集，數(shù)據(jù)樣本集主要包括變量的選擇、數(shù)據(jù)的收集、分析及數(shù)據(jù)的預(yù)處理等；二是要確定網(wǎng)絡(luò)的結(jié)構(gòu)及類型等，BP網(wǎng)絡(luò)模型是使用比較多且較成熟的模型，因此一般都是選擇BP網(wǎng)絡(luò)對短期負(fù)荷進(jìn)行預(yù)測。4.1歷史數(shù)據(jù)的選取 在使用神經(jīng)網(wǎng)絡(luò)對短期負(fù)荷進(jìn)行預(yù)測之前，第一步也是非常關(guān)鍵的一步就是要準(zhǔn)備歷史負(fù)荷數(shù)據(jù)。歷史數(shù)據(jù)是負(fù)荷預(yù)測的基本依據(jù)，當(dāng)歷史數(shù)據(jù)不夠充分或是出現(xiàn)不存在可學(xué)習(xí)的映射時，神經(jīng)網(wǎng)絡(luò)就可能找不到令人滿意的結(jié)果，只有當(dāng)對負(fù)荷數(shù)據(jù)進(jìn)行處理后，才有可能得到比較理想的預(yù)測結(jié)果。反之，使用未經(jīng)過處理的歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，有可能會得不到預(yù)期的結(jié)果，甚至可能導(dǎo)致預(yù)測失敗。確定輸入神經(jīng)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)，即應(yīng)該選取多少數(shù)據(jù)樣本。所選取的數(shù)據(jù)應(yīng)體現(xiàn)出系統(tǒng)的輸入輸出關(guān)系。選擇樣本數(shù)據(jù)或多或少都會對系統(tǒng)產(chǎn)生一定的影響，數(shù)據(jù)樣本選擇得太少可能不能滿足網(wǎng)絡(luò)訓(xùn)練所需要的信息從而得不到令人滿意的效果，如果數(shù)據(jù)樣本選擇太多就會使網(wǎng)絡(luò)訓(xùn)練時間加長。因此，要選擇適當(dāng)?shù)臄?shù)據(jù)樣本以求得較好的訓(xùn)練結(jié)果。樣本的數(shù)據(jù)要能夠反映負(fù)荷的實際情況，一般情況下，都會考慮一些可能的替換值以建立訓(xùn)練集，使不同的網(wǎng)絡(luò)具有相同的結(jié)構(gòu)。 第三，考慮樣本的影響因素時，首要考慮對負(fù)荷影響較大的因素，比如天氣、節(jié)假日因素等。必要的時候應(yīng)該刪除那些對負(fù)荷影響較小的因素。4.2對影響因素的量化處理4.2.1溫度的量化在諸多天氣因素中，溫度是對負(fù)荷影響比較大的一方面。由于冬季和夏季用電量相對于春季和秋季來說較多，因此電力負(fù)荷相對顯著增加。所有這里在眾多的天氣因素中主要考慮溫度方面，其對負(fù)荷的影響并沒有一定的規(guī)律性，即負(fù)荷與氣溫函數(shù)具有非線性關(guān)系。 由于在某一段溫度變化的范圍內(nèi)，溫度對負(fù)荷影響的差異是較小的，而當(dāng)溫度變化達(dá)到一定的而程度時，就會對負(fù)荷產(chǎn)生比較大的影響。因此，需要對溫度進(jìn)行處理，其分段和量化情況如圖4.1所示。-1.0-1.0-0.8-0.6-0.40(取值)-5051015253035(攝氏度)圖4.1溫度區(qū)間和對應(yīng)取值4.2.2降雨的量化處理由于降雨的多少對負(fù)荷也有一定的影響，因此在降雨方面，可分為無雨、小雨、中雨、大雨、暴雨及大暴雨六種，其量化處理如下圖所示:00.81.0(取值)0102050100（降雨量）小雨中雨大雨暴雨大暴雨圖4.2降雨分類及對應(yīng)取值4.2.3日照的量化處理根據(jù)光照的的不同，日照可以分為晴天、少云、多云、陰天及下雨五種情況，對它們進(jìn)行量化處理為晴天取1，少云天氣取2，多云天氣取3，陰天天氣取4，下雨天則取5。4.2.4日期的量化處理 由于負(fù)荷在不同的時期有不同的用電量，例如在工作日、周末及節(jié)假日等，其各自的用電量都不盡相同，特別是周末和節(jié)假日，所以負(fù)荷預(yù)測在這兩個日期容易產(chǎn)生誤差。在對它們進(jìn)行量化處理時，工作日取0，周末取1。這里并不考慮節(jié)假日或者是重大事故、異常事故對負(fù)荷的影響。4.3負(fù)荷數(shù)據(jù)的歸一化處理一般情況下，若沒有對負(fù)荷數(shù)據(jù)進(jìn)行處理而直接使用，則可能會出現(xiàn)長時間才收斂的現(xiàn)象，這有可能出現(xiàn)飽和現(xiàn)象。為此，在預(yù)測之前要對負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理以減小網(wǎng)絡(luò)收斂次數(shù)。在使用S激活函數(shù)時，歸一化處理后輸入的負(fù)荷數(shù)據(jù)在區(qū)間（-1,1）之間。t時刻的負(fù)荷數(shù)據(jù)歸一化公式為：（4.1）在輸出的時候，則用（4.2）公式來換算成負(fù)荷：(4.2)以上的式子中，Lmin和Lmax各代表了負(fù)荷數(shù)據(jù)集合中的最小值和最大值。4.4建立負(fù)荷模型4.4.1模型分類負(fù)荷模型一般分為以下三種： (1)工作日模型：從星期一到星期五這五天為工作日。(2)雙休日模型:星期六及星期天為雙休日。(3)節(jié)假日模型:如五一、國慶等節(jié)假日，在這里并不考慮這種模型。4.4.2BP網(wǎng)絡(luò)結(jié)構(gòu)的確定(1)輸入量和輸出量的確定 取預(yù)測日前6個相似日的24個數(shù)據(jù)樣本來構(gòu)成網(wǎng)絡(luò)的輸入矩陣。其中，t代表是預(yù)測日，t-x代表預(yù)測日的前x天，Li（）表示相似日的第i小時的歷史負(fù)荷值，M1，M2，M3則分別表示的是溫度、降雨及日照的情況（已經(jīng)取為處理后的值）。 輸出層的輸出值為預(yù)測日24小時的負(fù)荷值，如下：…(2)隱含層的確定本論文采用的是三層的BP網(wǎng)絡(luò)，因此只有一個隱含層。此隱含層節(jié)點數(shù)的選擇一般與輸入層和輸出層的節(jié)點數(shù)有密切關(guān)系。設(shè)ni為輸入層的節(jié)點數(shù)，n0為輸出層的輸出的節(jié)點數(shù)，則一般選取的隱含層的節(jié)點數(shù)為：(4.3)這里，h為1~10之間的任意常數(shù)。(3)傳輸函數(shù)這里選用的傳輸函數(shù)為S函數(shù)，即：（4.4）如上所述，采用S函數(shù)可將樣本數(shù)據(jù)映射在（-1,1）之間內(nèi)，這樣不僅解決了可能出現(xiàn)的過飽和現(xiàn)象，而且還盡可能地使輸入樣本盡可能大，更好地反映了輸入輸出之間的關(guān)系。由此可得，預(yù)測模型的輸入是一個24×12的矩陣，輸出的節(jié)點數(shù)是24個，由此可取隱含層的節(jié)點數(shù)為10個。輸入的樣本數(shù)據(jù)都要經(jīng)過歸一化的處理，且降雨、溫度及日照等都取量化后的值，網(wǎng)絡(luò)的輸出則要回歸為負(fù)荷值。4.5程序流程圖 本論文通過MATLAB的仿真軟件進(jìn)行仿真，仿真的流程圖如下所示：開始輸入已知訓(xùn)練數(shù)開始輸入已知訓(xùn)練數(shù)數(shù)據(jù)修正，進(jìn)行歸一化處理；降雨、溫度、日照等進(jìn)行量化處理根據(jù)日類型，形成兩樣學(xué)習(xí)樣本集學(xué)習(xí)樣本集與日期、氣象等結(jié)合形成輸入矩陣建立網(wǎng)絡(luò)，初始化神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播方法訓(xùn)練網(wǎng)絡(luò)的閥值和權(quán)值基于誤差反向傳播完成負(fù)荷預(yù)測輸出負(fù)荷預(yù)測結(jié)果結(jié)束圖4.3應(yīng)用BP算法的短期負(fù)荷預(yù)測流程圖4.6預(yù)測結(jié)果4.6.1BP算法預(yù)測結(jié)果本文應(yīng)用上述的模型，對南方某地區(qū)8月16日實際的電力系統(tǒng)負(fù)荷進(jìn)行了預(yù)測，預(yù)測的結(jié)果如下所示：注：實線和虛線分別表示實際負(fù)荷和預(yù)測負(fù)荷圖4.3預(yù)測負(fù)荷與實際負(fù)荷對比表4.1