毕业设计：基于BP神经网络的短期电力负荷预测（终稿）西安工业大学北方信息工程学院
题目:基于BP神经网络的短期电力负荷预测
系别电子信息工程系
专业电气工程及其自动化
班级 B070307
姓名宋亮
学号 B07030716
导师张荷芳焦灵侠
2011年6月
毕业设计(论文)任务书
系别电子信息系专业电气工程自动化班 b070307 姓名宋亮学号
b07030716 1.毕业设计(论文)题目: 基于bp神经网络的短期电力负荷预测题目背景和意义:电力系统是由电力网、电力用户组成，其作用就是对各类用户尽可能经济2.
地提供可靠而合乎标准要求的电能，以随时满足负荷要求。但是由于电力的生产与使用具有
其特殊性，即电能是不能储存的。这就要求系统发出电力随时紧跟系统负荷的变化动态平衡，
否则，就会影响供用电的质量。电力系统负荷预测因此发展起来，成为工程科学中重要的研
究领域，是电力系统自动化中一项重要内容。在电力系统安排生产计划和实际运行的过程中，
负荷预测起着十分重要的作用，主要表现在以下几个方面: (1)经济调度的主要依据。对电力
系统来说，必须对用户提供可靠而经济的电能，以随时满足各类用户的要求，亦即满足用户
的负荷需求，而在另一方面，又要考虑生产成本，由于电能不能大量储存，因此必须在确保
系统安全的情况下尽量减少实时发电备用容量。(2)生产计划的要求。电力系统中，由于其可
靠性的要求，各种发、供电设备都有确定的检修周期。(3)电力系统安全分析的基础。电力事
故所造成经济损失和社会影响是巨大的，必须尽量避免。
3.设计(论文)的主要内容(理工科含技术指标): 负荷预测并达到一定误差范围之内。
4.设计的基本要求及进度安排(含起始时间、设计地点):电子系实验室1-5周;开题，针对原理及应用、主要技术难点的收集资料，熟悉课题方案。
6-10周; 完成方案论证，确定设计方案。
10-15周;利用Matlab对系统做进一步的仿真分析
16-18周;完成所有的设计工作，整理资料，完成毕业论文，准备答辩。
5.毕业设计(论文)的工作量要求 400机时
*? 实验(时数)或实习(天数): 100天
*? 图纸(幅面和张数):A4×2 ? 其他要求: 论文:15000字以上;外文翻译:5000字以上
指导教师签名: 年月日
学生签名: 年月日
系主任审批: 年月日
说明:1本表一式二份，一份由学生装订入册，一份教师自留。
2 带*项可根据学科特点选填。
1I
基于BP神经网络的短期电力负荷预测
摘要
负荷预测技术是近年来各国潜心研究的一个新领域，它对于电力系统的规划与运行、获得最好的经济效益，有重大的意义。特别是电力科技与其它学科发展将会更加交融和促进。利用人工神经网络方法来对电力负荷进行短期预测是一种常用而且非常有效的一个方法。因此，与人工神经网络相关的一些预测算法就成为预测技术发展的一个重点。
本文首先对预测技术，人工神经网络及其应用于电力系统进行了一些理论基础的介绍和探讨工作，重点介绍了BP网络在负荷预测方面的一些知识及实际应用。本文以实例为背景，详细论述了BP网络在电力负荷预测中的实际应用，并深入研究了在实际的系统中从输入模式的划分，隐节点的选取，权值的修改，学习率的调整等实际的问题。对于节假日的负荷，本文对其进行另外的讨论。
最后用MATLAB仿真得到预测结果并分析了预测结果。
关键词:电力系统;短期负荷预测;BP;人工神经网络
1II
Short-Term Electric Power Load Forecasting Based on
Neural Network MODEL
Abstract
Load forecasting technology is a new field in which many countries research with great concentration in recent few years. Load forecasting technology plays an important role not only in the design and running in
power system but also in the increase of economical benefit. Short-term Load prediction based on artificial neural network is a common but most efficacious method. So some forecasting algorithms attached to ANN begin to be a promising and important field in the development of prediction technology.
The paper primarily explicated some algorithms about prediction in EMS. Firstly,the background and development of prediction technology are introduced and then some introduction of basic theory and research work have been done about how to apply ANN to prediction technology, during which HP network and BP network are introduced importantly and then some improvement about the application of ANN to prediction technology is given. With an example the paper explicitly discusses the application of BP network in load prediction and has a deep research in pattern
division of inputting, the selection on the number of the hidden layer, the modifying of weight, the adjustment of the speed of the study and etc. In the paper, a new and sufficient method about the selection of the training sample is proposed and also the division of inputting in festivals is operated with a new method by using interpolation. Besides, in the paper, the longest predicable time is studied theoretically and practically operated. The compare of the two kinds of network and their respective privilege and limitations is the emphasis in the paper.
The paper cites chaos theory to predict technology. In the end the paper give some prospects and hypothesis on the prediction.
Key words:Power System;Short-Term Load Forecasting(STLF); BP; Artificial Neural
Network(ANN)
1III
目录
1 绪
论 ..................................................................... ................................ 1 1.1 负荷预测的目的和意
义 ..................................................................... ............... 1 1.2 国内外研究现
状 ..................................................................... ........................... 1 1.3 本文主要研究内
容 ..................................................................... ....................... 2 2 电力负荷预测分
析 ..................................................................... ........... 4 2.1电力系统负荷预测的分类和特点......................................................................
4
2.1.1电力系统负荷预测的分
类 ..................................................................... (4)
2.1.2电力系统负荷预测的特点和基本原
理 (4)
2.1.3电力负荷预测的影响因
素 ..................................................................... (5)
2.1.4电力负荷预测的要求...................................................................... ............. 6 2.2 短期电力负荷预测的主要方法及模
型 ............................................................. 6 2.3 预测方法比
较 ..................................................................... ..............................10 3 人工神经网
络 ..................................................................... ................. 11 3.1神经网络的发展概
述 ..................................................................... ................... 11 3.2 神经网络的特
点 ..................................................................... ..........................12 3.3神经网络学习控
制 ..................................................................... .......................12 3.4神经网络非线性控
制 ..................................................................... ...................13 3.5神经网络用于预测技
术 ..................................................................... ...............13 4 BP神经网络...................................................................... ................... 15 4.1 BP神经网络结
构 ..................................................................... ........................15 4.2 BP神经网络的学习方式...................................................................... ............15 4.3 BP算法的数学描
述 ..................................................................... .. (16)
4.3.1 网络误差与权值的调整分
析 .....................................................................
16
4.3.2 BP 算法推导对于输出
层 ..................................................................... .....17 4.4 BP神经网络的主要特点...................................................................... ............18 5 系统设计与实
现 ..................................................................... ............. 20 5.1 具体实例分
析 ..................................................................... ..............................20 5.2 输入/输出变量设
计 ..................................................................... ....................21 5.3 BP网络仿真设
计 ..................................................................... (22)
1IV
5.4 预测结果分
析 ..................................................................... ..............................27 5.5 MATLAB 简
介 ..................................................................... ............................27 6 结论与展
望 ..................................................................... ..................... 29 6.1 结
论 ..................................................................... .............................................29 6.2 展
望 ..................................................................... .............................................29 参考文
献 ..................................................................... . (31)
致
谢 ..................................................................... .. (32)
毕业设计(论文)知识产权声
明 .......................................................... 33 毕业设计(论文)独创性声
明 (34)
1V
1 绪论
1 绪论
1.1负荷预测的目的和意义
电力系统的基本作用是尽可能经济地为各类用户提供可靠且合乎标准要求的电能，适应实际负荷需求和变化。由于电能的生产、输送、分配和消费是同时完成的，难以大量储存，这就要求发电系统要随时紧跟系统负荷变化以达到动态平衡，否则就会影响供用电质量，甚至危及电力系统的安全与稳定。因此，科学的电力负荷预测就成为电力系统中一项重要工作，同时是电力系统自动化领域中一
[1]容项重要内。
电力系统负荷预测是以准确的统计数据和调查资料为依据，从用电量的历史和现状出发，在充分考虑一些重要的系统运行特性、增容决策，自然条件与社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法。在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值。电力负荷预测的目的就是提供负荷的发展状况和水平，为电力生产部门和管理部门制订生产计划和发展规划提供依据，确定各供电地区的供电电量，生产规划等等。
电力负荷预测，特别是电力系统短期负荷预测，具有非常重要的意义，主要体现在:
(1)较为精确的短期负荷预测可以合理安排电网运行方式和电力系统中各种设备的大修、小修及轮换计划。同时，有利于节煤、节油及降低发电成本。这对于现在正提倡的建设节能型社会、落实科学发展观有非常强的现实意义。
(2)电力系统短期负荷预测是电力系统安全分析的基础。为了向用户提供安全、可靠和优质的电能，电力部门需要保持电力系统的安全性和可靠性，这就要求系统发电出力随时紧跟系统负荷，否则就会影响供、用电质量，并会危及系统安全与稳定。
(3)电力系统短期负荷预测是电力企业制定电价的主要决策依据。电价的制订是在对未来用电负荷预测的基础上完成的，因此，发电企业必须获得较为精确的短期负荷预测值，才能制订出既有竞争力又可盈利的电价。
因此，不论从经济、安全还是社会发展角度来讲，短期电力负荷预测都是一项十分重要而且非常必要的工作。
1.2国内外研究现状
1
西安工业大学北方信息工程学院毕业设计(论文)
20世纪60-70年代开始，世界各国经济迅猛发展，对电力需求量越来越大，对电能质量的要求也越来越高，从而带动电力系统迅速发展。从这时候开始，负荷预测从早期的不重视开始向应用、探索和研究方向发展。负荷预测的发展大致可以划分为两个阶段:第一阶段(20世纪60-80年代)是使用传统负荷预测技术的阶段，这一阶段基本沿袭了经济领域的预测技术，典型的如时间序列法、回归分析法;第二阶段(20世纪90年代到现在)，随着计算机技术的日新月异，人工智能技术的兴起，负荷预测迅速进入了使用智能化负荷预测技术的阶段。专家系统、人工神经网络和模糊逻辑系统代表着当今人工智能技术的三大分支，它们都在负荷预测领域逐步得到应用。同时，提出了灰色系统理论、非线性系统理论、小波分析理论等技术方法。
从国内外研究情况看，国外大概是由于经济及负荷发展变化规律趋于稳定的缘故，中长期负荷预测的研究远远少于短期预测，国内则基本上两者并重。我国于1998年开始电力工业市场改革以来，负荷预测的研究取得了长足进展，几乎每个实行电力市场的区网，其电力市场技术支持系统中都有负荷预测子系统。典型的如山东省采用线性外推和神经网络相结合的方法，开发了专门的负荷预测软件，福建省开发了电力需求预测程序，广西电网调度中心与长沙电力学院合作开发适
[2]件合于广西电网的短期负荷预测应用软。
目前，国内外关于短期电力负荷预测的研究主要集中在三个方面:负荷预测的影响因素、负荷预测的数学模型以及负荷预测的算法。相对前两个方而，在算法方
而的研究最广泛，己经涌现出了各种不同算法，而这些算法在模型的复杂性、灵活性、对数据的要求以及满足用户的特殊要求等方而都有着很大的不同。 1.3 本文主要研究内容
论文在介绍了电力系统短期负荷多种预测方法的基础上，以西安市电力系统为例建立人工神经网络模型进行短期负荷预测，针对模型和算法进行了研究和探讨。并通过MATLAB平台进行仿真分析，从而验证预测方法的理论正确性和有效性。论文研究的主要内容如下:
第一章介绍了论文的背景和意义，课题的研究现状，最后简要说明了课题所
做的主要工作。
第二章对负荷预测的特点进行了详细的分析，说明了电力系统短期负荷预测
的基本思路。
第三章首先详细介绍了神经网络的发展概况，其次介绍了神经网络学习控
制，神经网络非线性控制，总结了神经网络的特点，并对神经网络用于预测技术进行了详细叙述。
2
西安工业大学北方信息工程学院毕业设计(论文)
第四章从多个方面对人工神经网络的BP算法进行了说明，对本文的应用进行了详细的说明。
第五章设计了一个合适的BP模型，运用matlab语言(matlab神经网络工具箱)进行仿真，实现对未来某一天的电力负荷预测，检验模型的可行性。
第六章论文的结论及展望。
3
2 电力负荷预测分析
2 电力负荷预测分析
2.1电力系统负荷预测的分类和特点
电力系统负荷按照使用范围可分为:民用负荷、商业负荷、农业负荷、工业负荷和其它负荷，不同类型负荷具有不同特点和规律，但其预测方法是互为体系，互相通用的。电力负荷预测是对未来时刻电力需求进行预测，它包括两方而含义，
[3]即:未来需求量的预测(功率)、未来用电量的预测(能量) 。
2.1.1电力系统负荷预测的分类
按照预测周期，可将电力负荷预测分为长期、中期、短期和超短期负荷预测。
a. 中、长期负荷预测:二者没有太严格界限，主要指对未来几年到几十年的预测。中长期预测的意义在于帮助决定新的发电机组的安装与电网的规划、增容和改建，对未来电力生产的发展和规划提供依据。其预测精度很小。
b. 超短期负荷预测:指未来1小时、未来0.5小时、甚至未来5分钟的预测。超短期负荷预测的意义在于对电网进行计算机在线控制，实现发电容量的合理调度，满足给定的运行要求，同时使发电成本降到最低。
c. 短期电力负荷预测是指一年以内几个月、几周、几天、几小时或者更短的负荷预测，比较常见的是预测未来一天24小时的负荷。短期负荷预测是为制定发电计划、输电方案服务的，是电力系统调度运营部门的一项重要工作，也是能量管理系统(EMS和配电管理系统(DMS)的重要组成部分。
在实际工作中，短期电力系统负荷预测主要指日负荷预测。本文所研究的西安市电力系统短期负荷预测，也是指日负荷预测，基本思路是:己知待预测前的
[4]历史负荷数据和相关影响因素，预测未来一天24小时的电力负荷值。
2.1.2电力系统负荷预测的特点和基本原理
电力系统负荷的大小和多种因素相关，这些因素中既有不确定因素(如天气、温度等)，也有确定性因素。
a. 特点:
由于负荷预测是根据电力负荷的过去与现在来推测它的未来数值，所以，这一工作所研究的对象是不确定性事件，它具有以下特点:
(1)预测结果的非准确性。电力负荷的大小受各种复杂因素的影响，这些影响因素是发展变化的，如社会经济发展、气候变化、新技术发展、政治政策等。人们
4
西安工业大学北方信息工程学院毕业设计(论文)
对有些因素能预先估计，有些因素则不能或很难被准确预测。另外，预测方法与理论的不断更新，也将影响到预测的精度。
(2)预测的条件性。各种电力负荷预测都是在一定条件下做出的。这些条件有必然条件和假设条件，按必然条件做出的负荷预测往往是可靠的，按假设条件做出的预测准确性显然具有条件性。比如说，预测模型训练时有些参数初始值的设定不同，预测结果会不同，很显然，由此做出的负荷预测就具有了特定的条件性。
(3)预测结果的多方案性。由于负荷预测精度问题要求、预测条件的制约不
[5]同，再加上预测手段及理论数学模型的多样性，使得预测的结果并非是唯一的。
b. 原理
由于负荷预测具有不确定性、条件性、多方案性等特点。建立负荷预测模型
[6]和实施预测方法，一般要基于以下几个基本原理。
(1)相似性原理
相似性原理即事物的发展过程和发展状况可能与过去一定阶段的发展过程和发展状况存在相似性，根据这种相似性可以建立相同的预测模型。例如:在特殊假期内(如春节、国庆等长时间公众假期中)，由于社会用电需求状况类似，导致电力负荷表现出一定的相似性。
(2)连续性原理
连续性原理指预测对象从过去发展到现在，再从现在发展到将来，其中某些特征得以保持和延续，这一过程是连续变化的。例如:各个地区的用电量具有连续性，这些连续性为电力预测工作提供了基本依据。
(3)相关性原理
即未来负荷的发展变化同许多其他因素有很强的相关性，这些因素直接影响预测结果。例如:某地的负荷预测同本地区的经济因素、气象因素及历史负荷相关。若没有其他因素的影响，日电力负荷曲线形状应相似。
(4)规律性原理
即事物的发展变化有内在规律，这些规律是可以为人们所认识的。在负荷预测中，可以发现实际电力负荷曲线是有规律的。例如:在晚上12点后至早晨8点前存在一个电力负荷低谷点。在早晨8点上班后至下午6点下班前，大部分电力设备运行，则存在电力负荷的高峰点。
2.1.3电力负荷预测的影响因素
影响电力负荷预测的因素有很多，通过实践与总结，人们逐渐认识到影响这种规律变化的因素主要有如下的几种:
a.电力系统内部因素。内部因素具有线性变化和周期变化的特点。利用线性变
5
西安工业大学北方信息工程学院毕业设计(论文)
量可以描述以24小时为周期的平均电力负荷变化规律。
b.气候因素。由于电网接入的设备种类众多而且这类设备启闭都与天气因素有关，气候因素主要包括温度、风力、阴晴、雨雪等，特别是温度和湿度对电力负荷的影响，温度过高和温度过低都会导致大功率设备的开启，从而增加电力系统
[7] [8]的负荷。
c.时间因素。比如季节变化、星期循环、法定假日等都可以导致不同区域电力负荷的不同，一般情况下节假日的负荷比正常日的负荷低很多。
d.不定因素。比如轧钢厂、同步加速器等设备的运行将产生冲击性电力负荷，引起较大的负荷波动。还有就是自然灾害、电力调度事件、电力系统紧急事故都可以影响电力负荷的明显变化。
2.1.4电力负荷预测的要求
随着市场经济的发展、用户用电量的提高，人们对短期电力负荷预测技术提出更高的要求:a.一般要求至少需要预测每小时的电力负荷;b.一般要求在早上n点之前提交预测结果以便做出相应的电力调度计划;c.电力负荷预测的精度要求为误差不能超过3%;d.要求预测时间短。所以本设计研究的预测模型与算法应该尽量满足以上要求。
2.2 短期电力负荷预测的主要方法及模型
用于短期负荷预测方法很多，近年来，预测理论技术取得了长足的进步，负荷预测的新技术层出不穷，综合起来主要的预测方法有以下几种。
(1)回归模型预测法
电力负荷回归模型预测技术就是根据负荷过去的历史资料，建立可以进行数学分析的数学模型，对未来的负荷进行预测。回归分析法所采用的模型如下:
ytbbXtbXtt()()()(),，，，，, (1.2) 011nn
yt()其中，是t时刻对应预测点的预测负荷值;
Xt()是一组观察值，为给定的预测点; i
(j=0，1，…，n)为回归方程的回归系数; bj
2,()tN(0,),是随机干扰，即白噪声，服从正态分布。
根据回归分析设计变量的多少，可以分为一元回归分析和多元回归分析。在回归分析中，自变量是随机变量，由给定的多组自变量因变量资料，研究各自变量和因变量之间的关系，形成回归方程。而回归方程根据自变量和因变量之间的函数形式，又可分为线性回归方程和非线性回归方程两种。式(1.2)即是多元线性b回归分析方程，式中的回归系数可利用最小二乘法，使观察值和估计值的残差j
6
西安工业大学北方信息工程学院毕业设计(论文)
平方和最小获得。
在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响系统负荷的各种因素，如社会经济、人口、气候等。但这种回归模型更适用于电力系统的中、长期负荷预测。而且回归分析有两个难点:一是回归变量的选取，因选取主要因素而忽略次要因素;二是变量因素的量化涉及到计量经济学的范畴，过于麻烦。
(2)时间序列法
处理随机时间序列问题的最有效方法是Box-Jenkins的时间序列法，其基本的时间序列模型主要有四种:自回归模型(AR)，描述为现在值可以由其本身的过去值的有限项的加权和及一个干扰量(假定为白噪声)来表示;动平均模型(MA)，描述为现在值可由其现在与过去的干扰量的有限项的加权和来表示;自回归动平均模型(ARMA)，即现在值可看作是其过去值的有限项的加权和及其现在与过去干扰量的有限项加权和的叠加;积累式自回归动平均模型(ARIMA)，适用于含有趋势项的非平稳随机过程。
时间序列法是目前电力系统短期负荷预测中发展最为成熟的一种算法。电力负荷时间序列预测技术，就是根据负荷的历史资料，设法建立一个数学模型来描述电
力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确立负荷预测的数学表达式，对未来的负荷进行预报。其基本模型如下:
YtBtBt()()(),， (1.3) 12
Yt()在上式中，是t时刻系统的总负荷;
Bt()是t时刻系统基本正常负荷分量; 1
Bt()是t时刻系统随机负荷分量。 2
虽然时间序列法比回归法更适用于短期负荷预测，但这种经典方法在天气和温度变化不大的时候，才容易取得比较满意的结果;当天气变化较大或遇到节假日等情况，这种方法存在较大的误差。Takeshi Haida 等人为了处理天气对负荷的影响，在自回归(AR)的日负荷预测模型基础上又引进转化技术(Transformation Technique)，该方法假设今年的天气-负荷关系与去年的天气情况接近。而H.T Yang 等人提出用进化过程(volutionary Programing)来解决当确定ARMA参数时模型陷入局部极小的问题。
虽然时间序列法可用于各种负荷预测，但预测步数越长，预测精度越差。同时为了克服时间序列法对天气等因素的不敏感，很多研究者提出了用神经网络，专家系统或模糊技术来补充这一缺陷。
(3)人工神经网络(Artificial Neural Network,ANN)技术
运用神经网络技术进行电力符合预测，是刚刚兴起的一种新的研究方法，其
7
西安工业大学北方信息工程学院毕业设计(论文)
优点是可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能是常规算法和专家系统技术所不具备的。因此，预测是人工神经网络的最有潜力的应用领域之一，有非常广泛的用途。由于人工神经网络适于解决时间
序列预测问题(尤其是平稳随机过程的预测)，在电力系统负荷预测中进行应用在理论上是可行的。1991年Park D.C 等人第一次将ANN应用于电力系统负荷预测，并取得了另人满意的结果。
现在研究最多的是应用误差反向传播算法(Error Back-Propagation,又称为BP)进行短期负荷预测，常用的是简单的三层ANN模型，就能实现从输入到输出间非线性映射任何复杂函数关系，其主要思路为:将历史数据中对电力负荷影响最大的几种因素作为输入(刺激，impulse)-输出数据对，如当天的天气气温、天气晴朗度(又称能见度)、风向风力、峰谷负荷及相关负荷等，把这些相关因素作为输入量输入人工神经网络，经过输入层、隐含层和输出层中各神经元的作用最后生成输出对中所希望的输出项比较，确定是否在误差允许范围内，输出量，再与输入—
否，则重新修改各个权重直到达到精度要求;是，则确定权重开始进行预测工作，只要把待预测日的相应刺激输入神经网络就可以得到相关的输出，即预测结果。由于人工神经网络具有一定的联想和推理功能，所以对于训练过程中没有出现过的情况，神经网络同样可以进行预测。
人工神经网络技术的主要优点在于它不需要任何负荷模型，但其缺点是训练过程比较消耗时间，并且它并不能保证一定收敛，同时神经能够网络的结构确定，输入变量的恰当选取，隐含层树木的大小等问题都要在实践中进行摸索，但这种方法仍然具有其不可比拟的优点:具有很好的函数逼近能力;较好的解决了天气和温度等因素与负荷的对应关系;通过学习，能够反映输入/输出之间复杂的非线性关系。所以，人工神经网络得到了许多中外学者的赞誉。
(4)模糊逻辑(Fuzzy Logic)技术和专家系统
L.A.Zadeh 于1965年在《模糊集》一文中首次提出了模糊数学和模糊控制问题，并给出了定量描述方法，自此模糊激励论便作为一门崭新的学科显示出强大的
生命力。近年来，模糊集理论在电力系统中的应用也得到了飞速发展。模糊理论适合描述广泛存在的不确定性，同时他具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数，并能够从大量的数据中提取他们的相似性，这些特点正是进行短期负荷预测所需要的或是其他方法所欠缺的优势所在。
所谓模糊预测方法，如同人工神经网络，是模拟人脑工作的过程，仅仅模拟专家的推理和判断方式，并不需要建立精确的数学模型。由于电力系统中许多现
8
西安工业大学北方信息工程学院毕业设计(论文) 象是不精确的、模糊的，而模糊理论中的“隶属函数”可比较明确的描述专家的意图。负荷的变化一般有总的发展趋势和随机的临时变化两个部分，总的发展趋势可以从历史数据用回归法或时间序列法等取其规律，已经有可靠的把握;但气象的影响和临时发生的重大事件，现在还没有足够准确的预报方法作为负荷变化的根据。这些因素对负荷变动的数学关系，也没有足够的把握。因此，经验丰富的调度员(专家)觉察这些因素时做出应付的手段，往往比计算预测准确。所以这个随机部分可以就各地不同的具体条件，把各调度所同专家的经验与判断方法，构造成不同的专家系统，形成模糊集的规则表。
虽然模糊理论在电力系统负荷预测中取得了很好的成就，但随着模糊理论的更深入的研究和应用，模糊理论暴露了一些不足:模糊的学习能力比较弱;当其映射区域划分不够细时，映射输出比较粗糙。
(5)小波分析(Wavelet)技术
小波分析(wavelet analysis)是Fourier分析深入发展过程中的一个新的里程碑，是本世纪数学研究成果中最杰出的代表，已成为众多学科共同关注的热点。一方面，小波分析发扬了Fourier分析的优点，克服了Fourier分析的某些缺点。另
一方面，小波分析现在已经被广泛应用于信号处理、图象处理、量子场论语言识别与合成、地震预报、机器视觉、机械故障诊断与监控、数字通信与传输等众多领域。
电力系统中日负荷曲线具有特殊的周期性，负荷以天、周、年为周期发生波动，大周期中嵌套小周期。而小波分析是一种时域-频域分析方法，它在时域和频域上同时具有良好的局部化性质，并且能根据信号频率高低自动调节采样的疏密，容易捕捉和分析微弱信号以及信号、图象精细的采样步长，从而可以聚集到信号的任意细节，尤其是对奇异信号很敏感，能很好的处理微弱或突变的信号，其目标是将一个信号的信息转化成小波系数，可以方便的处理、存储、传递、分析或被用于重建原始信号，这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。
(6)组合方法预测技术
无论是经典的负荷预测模型或是智能预测模型，都有其不足和缺点，所以结合各种预测模型优点的组合方法得到了越来越多的关注。
总之，结合方法取得了另人满意的效果，它弥补了单一方法的不足，提高了预测精度。
(7)其它预测方法
除了以上阐述的几种方法，其它的短期负荷预测方法还有:指数平滑法、卡尔曼滤波法、灰色系统方法、遗传算法等等。这些方法都在电力系统短期负荷预
9
西安工业大学北方信息工程学院毕业设计(论文)
[9]性测中得到了应用，但各有局限。
2.3 预测方法比较
回归模型预测技术在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响系统负荷的各种因素，如社会经济、人口、气候等。但这种回归
年份 (年) 1(1988) 2(1989) 3(1990) 4(1991) 5(1992) 6(1993) 7(1994) 8(1995) 实际值 (ERI) 年份 (年) 9(1996) 10(1997) 11(1998) 12(1999) 13(2000) 14(2001) 15(2002) 16(2003) 实际值 (ERI) BP 神经网络的训练过程为: 先用1988 年到2002 年的指标历史数据作为网络的输入,用1989 年到2003 年的指标历史数据作为网络的输出,组成训练集对网络进行训练,使之误差达到满意的程度,用这样训练好的网络进行预测. 采用滚动预测方法进行预测:滚动预测方法是通过一组历史数据预测未来某一时刻的值,然后把这一预测数据再视为历史数据继续预测下去,依次循环进行,逐步预测未来一段时期的值. 用1989 年到2003 年数据作为网络的输入,2004 年的预测值作为网络的输出. 接着用1990 年到2004 年的数据作为网络的输入,2005 年的预测值作为网络的输出.依次类推,这样就得到2010 年的预测值。 目前在BP 网络的应用中,多采用三层结构. 根据人工神经网络定理可知,只要用三层的BP 网络就可实现任意函数的逼近. 所以训练结果采用三层BP模型进行模拟预测. 模型训练误差为,隐层单元数选取8个,学习速率为,动态参数,Sigmoid参数,最大迭代次数3000.运行3000次后,样本拟合误差等于。 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights={1,1} inputbias={1} % 当前网络层权值和阈值 layerWeights={2,1} layerbias={2} % 设置训练参数 = 50; = ; = ; = 10000; = 1e-3;
基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
基于人工神经网络的负荷预测 1.人工神经网络概述 人工神经网络类似于一个“多输入－多输出”的黑匣子，由一些能并行操作的简单单元组成，整个网络的功能是由单元之间的互连所决定的。 人工神经网络是通过“训练－调整－再训练－再调整”的过程，使得一个特定的输入能够通过网络得到一个特定的输出，其实质是通过调整单元之间的相互影响参数。其结构如下图1： 图1 神经网络结构图 2.题目要求及说明： 以广东某城市的2004年7月20日到7月30日的负荷值以及2004年7月 21日到7月31日的气象特征状态作为网络的训练样本，来预测7月31日的电
2.程序源代码 P=[0.2452 0.1466 0.1314 0.2243 0.5523 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215 0.2415 0.3027 0; 0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325 0.2385 0.3125 0; 0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156 0.2216 0.2701 1; 0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895 0.2352 0.2506 0.5; 0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025 0.2542 0.3125 0; 0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221 0.2601 0.3198 0; 0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7153 0.8091 0.8217 0.2579 0.3099 0; 0.2342 0.1368 0.1602 0.2131 0.5726 0.5822 0.7101 0.7098 0.7127 0.7121 0.7995 0.8126 0.2301 0.2867 0.5; 0.2113 0.1212 0.1305 0.1819 0.4952 0.5312 0.6886 0.6898 0.6999 0.7323 0.7721 0.7956 0.2234 0.2799 1; 0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756 0.2314 0.2977 0]'; T=[0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325; 0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156; 0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825
毕业设计：基于BP神经网络的短期电力负荷预测（终稿）西安工业大学北方信息工程学院 题目:基于BP神经网络的短期电力负荷预测 系别电子信息工程系 专业电气工程及其自动化 班级 B070307 姓名宋亮 学号 B07030716 导师张荷芳焦灵侠 2011年6月 毕业设计(论文)任务书 系别电子信息系专业电气工程自动化班 b070307 姓名宋亮学号 b07030716 1.毕业设计(论文)题目: 基于bp神经网络的短期电力负荷预测题目背景和意义:电力系统是由电力网、电力用户组成，其作用就是对各类用户尽可能经济2. 地提供可靠而合乎标准要求的电能，以随时满足负荷要求。但是由于电力的生产与使用具有 其特殊性，即电能是不能储存的。这就要求系统发出电力随时紧跟系统负荷的变化动态平衡， 否则，就会影响供用电的质量。电力系统负荷预测因此发展起来，成为工程科学中重要的研 究领域，是电力系统自动化中一项重要内容。在电力系统安排生产计划和实际运行的过程中，
负荷预测起着十分重要的作用，主要表现在以下几个方面: (1)经济调度的主要依据。对电力 系统来说，必须对用户提供可靠而经济的电能，以随时满足各类用户的要求，亦即满足用户 的负荷需求，而在另一方面，又要考虑生产成本，由于电能不能大量储存，因此必须在确保 系统安全的情况下尽量减少实时发电备用容量。(2)生产计划的要求。电力系统中，由于其可 靠性的要求，各种发、供电设备都有确定的检修周期。(3)电力系统安全分析的基础。电力事 故所造成经济损失和社会影响是巨大的，必须尽量避免。 3.设计(论文)的主要内容(理工科含技术指标): 负荷预测并达到一定误差范围之内。 4.设计的基本要求及进度安排(含起始时间、设计地点):电子系实验室1-5周;开题，针对原理及应用、主要技术难点的收集资料，熟悉课题方案。 6-10周; 完成方案论证，确定设计方案。 10-15周;利用Matlab对系统做进一步的仿真分析 16-18周;完成所有的设计工作，整理资料，完成毕业论文，准备答辩。 5.毕业设计(论文)的工作量要求 400机时 *? 实验(时数)或实习(天数): 100天 *? 图纸(幅面和张数):A4×2 ? 其他要求: 论文:15000字以上;外文翻译:5000字以上 指导教师签名: 年月日 学生签名: 年月日 系主任审批: 年月日
西安工业大学北方信息工程学院 本科毕业设计（论文）题目：基于BP神经网络的短期电力负荷预测 系别电子信息工程系 专业电气工程及其自动化 班级B070307 姓名宋亮 学号B07030716 导师张荷芳焦灵侠 2011年6月
毕业设计（论文）任务书 系别 电子信息系 专业 电气工程自动化 班 b070307 姓名 宋亮 学号 b07030716 1.毕业设计（论文）题目： 基于bp 神经网络的短期电力负荷预测 2.题目背景和意义：电力系统是由电力网、电力用户组成，其作用就是对各类用户尽可能经济地提供可靠而合乎标准要求的电能，以随时满足负荷要求。但是由于电力的生产与使用具有其特殊性，即电能是不能储存的。这就要求系统发出电力随时紧跟系统负荷的变化动态平衡，否则，就会影响供用电的质量。电力系统负荷预测因此发展起来，成为工程科学中重要的研究领域，是电力系统自动化中一项重要内容。在电力系统安排生产计划和实际运行的过程中， 负荷预测起着十分重要的作用，主要表现在以下几个方面： (1)经济调度的主要依据。对电力系统来说，必须对用户提供可靠而经济的电能，以随时满足各类用户的要求，亦即满足用户的负荷需求，而在另一方面，又要考虑生产成本，由于电能不能大量储存，因此必须在确保 系统安全的情况下尽量减少实时发电备用容量。(2)生产计划的要求。电力系统中，由于其可 靠性的要求，各种发、供电设备都有确定的检修周期。(3)电力系统安全分析的基础。电力事 故所造成经济损失和社会影响是巨大的，必须尽量避免。 3.设计(论文)的主要内容（理工科含技术指标）： 负荷预测并达到一定误差范围之内。 4.设计的基本要求及进度安排（含起始时间、设计地点）：电子系实验室 1-5周；开题，针对原理及应用、主要技术难点的收集资料，熟悉课题方案。 6-10周； 完成方案论证，确定设计方案。 10-15周；利用Matlab 对系统做进一步的仿真分析 16-18周；完成所有的设计工作，整理资料，完成毕业论文，准备答辩。 5.毕业设计（论文）的工作量要求 400机时 ① 实验（时数）*或实习（天数）： 100天 ② 图纸（幅面和张数）*：A4×2 ③ 其他要求： 论文：15000字以上；外文翻译：5000字以上 指导教师签名： 年 月 日 学生签名： 年 月 日 系主任审批： 年 月 日 说明：1本表一式二份，一份由学生装订入册，一份教师自留。 2 带*项可根据学科特点选填。
12、智能算法 12.1 人工神经网络 1、人工神经网络的原理假如我们只知道一些输入和相应的输出，但是不清楚这些输入和输出之间的具体关系是什么，我们可以把输入和输出之间的未知过程看成是一个“网络”,通过不断的网络输入和相应的输出进行“训练”（学习），网络根据输入和对应输出不断调整连接网络的权值，直到满足我们的目标要求，这样就训练好了一个神经网络，当我们给定一个输入， 网络就会计算出一个相应的输出。 2、网络结构神经网络一般有一个输入层，多个隐层，和一个输出层。隐层并非越多越好。如下图所示： 神经网络工具箱几乎 MATLAB 12.2 Matlab 神经网络工具箱 BP 网络和涵盖了所有的神经网络的基本常用模型，如感知器、nntool nftool,nctool,nprtool,nntraintool 和等。它由RBFNN 函数逼近和数据拟合、信息处理和预测、神经网组成。主要应用于
在实际应用中，针对具体的问题，首先络控制和故障诊断等领域。．需要分析利用神经网络来解决问题的性质，然后依据问题的特点，提取训练和测试数据样本，确定网络模型，最后通过对网络进行训练、仿真等检验网络的性能是否满足要求。具体过程如下： (1)确定信息表达的方式，主要包括数据样本已知；数据样本之间相互关系不明确；输入/输出模式为连续的或离散的；数据样本的预处理；将数据样本分成训练样本和测试样本。 (2)网络模型的确定。确定选择何种神经网络以及网络层数。 (3)网络参数的选择，如输入输出神经元个数的确定，隐层神经元的个数等。 (4)训练模式的确定，包括选择合理的训练算法、确定合适的训练步数、指定适当的训练目标误差等 (5)网络测试，选择合理的样本对网络进行测试。 简单来讲就是三个步骤：建立网络(newXX)—训练网络(trainXX)—仿真网络(sim) 12.3 BP 神经网络的 Matlab 相关函数 BP 算法的基本思想：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出（教师信号）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号作为修正各单元权
人工神经网络在电力负荷预测上的分析与探讨 作者：赵宇红胡玲刘旭宁 来源：《科技创新导报》2011年第02期 摘要:电力负荷的预测是电力系统规划的基础,对配变系统和新发电厂的建立具有重要意义。传统的预测方法是通过数学模型来分析电力负荷与其影响因素之间的关系,但由于实际工作中的不可预见因素较多,因此很难建立一个适用于任何情况的表达式。本文通过对人工神经网络在短期电力负荷预测中应用的分析,对其优缺点进行了探讨。 关键词:电力负荷预测人工神经网络应用人工神经网络的分析与探讨 中图分类号:TM76 文献标识码:A 文章编号:1674-098x(2011)01(b)-0090-01 对电力系统负荷的预测对于实现安全发供电、电力系统的自动化运行以及制定工作计划都有着非常重要的意义。传统的预测方法是将线形或分段线形表达作为负荷的预报函数,通过对其进行概率及数理统计的方式对其进行计算,并最终得出预测值。这种方法存在着建模所需的数据量大、适应性不强以及精度不高的问题,因此正逐渐被人工神经网络预测所取代。 1 日负荷模型的构成 电力系统负荷变化的周期性较强,因天气的变化而出现的负荷波动是导致电力系统负荷变化的主要因素,也就是说,N时刻负荷的变化量可以反映出天气的变化情况。因此,用向量的方式来表示负荷型,从而使全部的自变量相对于神经网络来说都属于输入量的中间分量,进而在自变量中隐含负荷与天气变化之间的函数关系。因此,日负荷模型的构成主要包括日基础负荷型和负荷影响因子模型。 1.1 日基础负荷模型 日基础负荷具有明显的周日性和周期性特征,代表了负荷的连续性,是负荷变化的基本规律。 ML［n,t］=∑(1-w)w(i-1)·L［n-(i·7),t］ 其中ML［n,t］代表的是日基础负荷; L［n,t］代表的是第n天t时刻的实际负荷; W代表的是加权系数,取指小于1大于0;
基于BP神经网络的短期负荷预测 基于BP神经网络的短期负荷猜测 摘要：基于人工神经网络原理，设计了一个三层的BP网络来实现电力系统的短期负荷猜测。经过仿真验证，利用BP神经网络进行电力系统短期负荷猜测是可行和有效的，其预告结果正确性很高。 要害词：短期负荷猜测；BP神经网络；电力系统 0前言 电力系统负荷猜测是电力生产部门的重要工作之一，通过正确的负荷猜测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。很多学者对此进行了研究，提出了很多种猜测方法，并且及时地将数学上的最新进展应用到猜测中去，使猜测的水平得到迅速提高，负荷猜测研究取得了很大的进展。 1负荷的分类及其短期猜测的方法 1.1负荷的分类 负荷猜测按猜测时间可以分为长期、中期和短期负荷猜测。其中，在短期负荷猜测中，周负荷猜测（未来7天）、日负荷猜测（未来24小时负荷猜测）及提前小时猜测对于电力系统的实时运行调度至关重要。因为对未来时刻进行预调度要以负荷猜测的结果为依据，负荷猜测的结果的正确性将直接影响调度的结果，从而对电力系统的安全稳定运行和经济性带来重要影响。 1.2负荷短期猜测的方法 电力系统负荷短期预告问题的解决办法和方式可以分为统计技术、专家系统法和神经网络等3种。统计技术中所用的短期负荷模型一般可归为时间系列模型和回归模型。时间系列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息等因素，但需要事先知道负荷与气象变量之间的函数关系，这是比较困难的。并且为了获得比较精确的预告结果，需要大量的计算，这一方法不能处理气候变量和与负荷之间的非平衡暂态关系。专家系统法利用了专家的经验知识和推理规则，使节假日或有重大活动日子的符合预告精度得到了提高。但是，把专家知识和经验等正确地转化为一系列规则是非常不轻易的。 众所周知负荷曲线是与很多因素相关的一个非线性关系函数。对于抽取盒逼近这种非线性函数，神经网络是一种合适的方法。神经网络的优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假定的能力。它不依靠专家经验，只利用观察到的数据，可以从练习过程中通过学习来抽取和逼近隐含的输入/输出非线性关系。近年来的研究表明，相对于前两种方法，利用神经网络技术进行电力系统短期负荷预告可获得更高的精度。本文主要采纳BP神经网络来对电力系统短期负荷进行猜测。 2BP神将网络 2.1BP学习算法的思想 BP算法的基本思想是，学习过程由暗号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出（教师暗号）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差暗号，此误差暗号即作为修正各单元权值的依据。这种暗号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习练习过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行预先预定的学习次数为止。 2.2BP神经网络的组成及作用
BP神经网络结构及算法 1986年，Rumelhart和McCelland领导的科学家小组在《Parallel Distributed Processing》一书中，对具有非线性连续转移函数的多层前馈网络的误差反向传播算法(Error Back Proragation,简称BP)进行了详尽的分析，实现了Minsky关于多层网络的设想。由于多层前馈网络的训练经常釆用误差反向传播算法，人们也常把多层前馈网络直接称为BP网。釆用BP算法的多层前馈网络是目前应用最多的神经网络。 BP神经网络的结构 BP网络有三部分构成，即输入层、隐含层(又称为中间层)和输出层，其中可以有多个隐含层。各层之间实现完全连接，且各层神经元的作用是不同的：输入层接受外界信息；输出层对输入层信息进行判别和决策；中间隐层用来表示或存贮信息。通常典型的BP网络有三层构成，即只有一个隐层。三层BP神经网络的结构可用图1表示。 图1 三层BP神经网络机构图 BP神经网络的学习算法 BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐含层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传、并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号，此误差信号即作为修正各神经元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的，权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出误差减少到可接受的程度，或进行到预先设定的学习次数为止，标准BP算法流程见图2。
BP神经网络模型预测未来 BP神经网络算法概述: 简介与原理 BP神经网络是一种多层前馈神经网络，该网络的主要特点是：信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层，每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。 BP神经网络的拓扑结构如下图所示： 输入层隐含层输出层 BP神经网络结构图 图中是BP神经网络的输入值，是BP神经网络的预测值， 为BP神经网络权值。 BP神经网络预测前首先要训练网络，通过训练使网络具有联想记忆和预测能力。BP神经网络的训练过程包括一下几个步骤。 步骤一：网络初始化。根据系统输入输出序列(,) X Y确定网络输入层节点数,n隐含层节点数l、输出层节点数m、初始化输入层、隐含层和输出层神经元之间的连接权值,, ωω初始化隐含层阈值a，给 ij jk
定输出层阈值b，给定学习速率和神经元激励函数。 步骤二：隐含层输出计算。根据输入向量，输入层和隐含层间连接权值，以及隐含层阈值，计算隐含层输出。 步骤三：输出层输出计算。根据隐含层输出，连接权值和阈值，计算BP神经网络预测输出。 步骤四：误差计算根据网络输出和预期输出，计算网络预测误差。 步骤五：权值更新。根据网络预测更新网络连接权值 步骤六：阈值更新。根据网络预测误差更新网络节点阈值。 步骤七：判断算法迭代是否结束，若没有结束，返回步骤二。 下面是基本BP算法的流程图。 BP神经网络的拓扑结构如下图所示： 输入层隐含层输出层 BP神经网络预测的算法流程如下： 步骤一：对初始数据进行标准化。 步骤二：利用原始数据对网络进行训练。 步骤三：对未来第t年第i类污染程度的河流长度比例进行预测。 步骤四：利用第年预测得到的数据作为样本再对网络进行训练。 步骤五：然后令1 t t t=。 =+，回到Step2，直到10 2.建模步骤： Step 1 建立如下网络拓扑结构 表3 网络结构
龙源期刊网 https://www.doczj.com/doc/3113547628.html, 基于人工神经网络的电力系统短期负荷预测作者：李晶 来源：《科学与技术》2018年第26期 摘要：随着智能电网技术的发展，电网问题的管理变得尤为重要，负荷预测是电网管理的主要内容之一。针对电力负荷预测随机性强、稳定性低、影响因素复杂等特点，具有非线性特性的神经网络可以极大地提高预测精度。 关键词：电力系统；负载预测；神经网络；反向传播算法 引言 电力系统负荷预测按预测的时间可分为长期、中期、短期、超短期以及特殊日，然而其中的短期负荷预测对电力系统来说有着很重要的地位，也是现有电力市场环境下编排发电计划、交易计划、调度计划的基础。随着电力行业的发展，分布式电源的接入和电动汽车等新负荷的加入，电力系统负荷预测的精确度就显得尤其重要。因此负荷预测成为了电网运行和管理的一个重要研究领域。由于负荷预测在电网中占有很重要的地位，所以对负荷预测初始数据的处理、预测方法的选择就显得尤其的重要。对短期负荷预测的研究已有很长的历史，国内外专家和学者在预测方面做了很多工作，提出很多预测模型。 1 负荷预测方法比较 1.1 神经网络法 目前神经网络广泛应用于图像识别、自然语言处理、机器翻译、自动驾驶等方面。谷歌、百度、阿里等企业最主要的人工智能算法都是神经网络。神经网络在能源领域大量应用于电力负荷预测、电力现货市场价格预测、风电发电预测等方面。神经网络法在负荷预测上的应用主要分为人工神经网络和递归神经网络。神经网络法选取过去一段时间的负荷作为训练样本，构建适宜的网络结构，用某种训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型。神经网络对大量非结构性、非精确性规律具有自适应能力，能够信息记忆、自主学习、知识推理和优化计算，具有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力。江西负荷预测表明，其短期负荷预测精度高于中长期预测精度，日前负荷预测精度可达99.3%，5年规划负荷预测精度约为95.4%。 1.2 模糊预测法 模糊预测法是建立在模糊数学理论上的一种负荷预测技术，可以描述负荷预测中的一些关键因素，如天气状况的评判、经济发展的不确定性等。模糊负荷预测可分为模糊聚类法、模糊相似优先法和模糊最大贴近度法等。江西负荷预测表明，短期负荷模糊预测的精度约为
基于BP神经网络的电力系统负荷预测研究 摘要:通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。提出了一种基于bp神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。在实际电力负荷预测中,该方法取得了比较高的的预测精度。 关键词:电力负荷预测神经网络bp算法 引言 电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件及社会影响等条件下,研究和应用一套系统处理过去负荷与未来负荷的数学方法,在满足一定精度要求的前提下,确定未来某特定时刻的电力负荷值。电力系统的正确调度、规划和运行都离不开电力负荷预报,准确的负荷预报不仅对电力系统的安全、可靠、经济运行起着重要作用,同时也是潜在节约能源的方法[1]。电力系统负荷数据预测的研究在近些年来有了很大的发展,预测的方法由过去的人工方式逐步转换成软件干预方式。电力系统负荷预测问题的研究也越来越引起人们的注意,己经成为了现代电力系统运行研究中的重要课题之一。早在1990年d. c.park等人就采用人工神经网络(artificial neural networks,ann)方法对电力负荷进行预测[2]。人工神经网络技术可以模仿人脑做智能化处理,对大量非结构性、非确定性规律具有自适应功能。1个3层的bp神经网
络就可以直接实现输入参数与电力负荷状态之间的非线性映射,无需建立系统的模型,而且这种映射结果的精度可由足够的训练样本来保证。 1 电力负荷预测的原理、步骤 中期负荷预测通常是指预测未来一年(12个月)之内的电力负荷,它是电力系统运行调度中一项非常重要的内容,预测的结果将对发电机组生产计划的制定、水火电的合理配置、燃料配置、安全分析设备的维护以及电网能量的传播有着很大的影响,对于电力系统运行与控制有着非常重要的意义。 1.1 负荷预测的基本原理 负荷预测工作是根据电力负荷的发展变化规律,预计或判断其未来发展趋势和状况的活动,因此必须科学地总结出预测工作的基本原理,用于指导负荷预测工作。主要有以下几个方面:不准确性,条件性,时间性,多方案性,可知性原理,可能性原理,连续性原理,相似性原理,反馈性原理,系统性原理[3]。 1.2 负荷预测的基本步骤 对电力负荷的预测,一般可按下列步骤进行:收集和分析历史数据,对电力系统的历史数据及有关信息加以整理,排除偶发事件的有关信息,为电力负荷预测提供可靠的原始资料;建立预测模型,根据预测目标和资料,选择合适的电力负荷预测方法,建立相应的数学模型;对预测结果进行分析,评价各因素对电力负荷预测结果的影响及预测结果的可信度。
神经网络预测控制综述 摘要：近年来，神经网络预测控制在工业过程控制中不仅得到广泛的应用，而且其理论研究也取得了很大进展。对当前各种神经刚络预测控制方法的现状及其工业应用进行了较深入地分析，并对其存在的问题和今后可能的发展趋势作了进一步探讨。 关键词：神经网络；预测控制：非线性系统；工业过程控制 Abstract: In recent years, neural network predictive control has not only been widely used in industrial process control, but also has made great progress in theoretical research. The current status of various neural network prediction control methods and their industrial applications are analyzed in depth, and the existing question and possible future development trends are further discussed. Keywords: neural network; predictive control: nonlinear system; industrial process control
20世纪70年代以来，人们从工业过程的特点出发，寻找对模型精度要去不高而同样能实现高质量控制性能的方法，预测控制就是在这种背景下发展起的[1]。预测控制技术最初山Richalet和Cutler提出[2],具有多步预测、滚动优化、反馈校正等机理，因此能够克服过程模型的不确定性，体现出优良的控制性能，在工业过程控制中取得了成功的应用。如Shell公司、Honeywell公司、Centum 公司，都在它们的分布式控制系统DCS上装备了商业化的预测控制软件包．并广泛地将其应用于石油、化工、冶金等工业过程中[3]。但是，预测函数控制是以被控对象的基函数的输出响应可以叠加为前提的，因而只适用于线性动态系统控制。对于实际中大量的复杂的非线性工业过程。不能取得理想的控制效果。而神经网络具有分布存储、并行处理、联想记忆、自组织和自学习等功能，以神经元组成的神经网络可以逼近任意的：线性系统。使控制系统具有智能化、鲁棒性和适应性，能处理高维数、非线性、干扰强、难建模的复杂工业过程。因此，将神经网络应用于预测控制，既是实际应用的需要，同时也为预测控制理论的发展开辟了广阔的前景。本文对基于神经网络的预测控制的研究现状进行总结，并展望未来的发展趋势。 l神经网络预测控制的基本算法的发展[4] 实际中的控制对象都带有一定的菲线性，大多数具有弱非线性的对象可用线性化模型近似，并应用已有的线性控制理论的研究成果来获得较好的控制效果。而对具有强非线性的系统的控制则一直是控制界研究的热点和难点。 就预测控制的基本原理而言，只要从被控对象能够抽取出满足要求的预测模型，它便可以应用于任何类型的系统，包括线性和非线性系统。 由于神经网络理论在求解非线性方面的巨大优势，很快被应用于非线性预测控制中。其主要设计思想是：利用一个或多个神经刚络，对非线性系统的过程信息进行前向多步预测，然后通过优化一个含有这些预测信息的多步优化目标函数，获得非线性预测控制律。在实际应用与理论研究中形成了许多不同的算法。如神经网络的内模控制、神经网络的增量型模型算法控制等，近来一些学者对有约束神经网络的预测控制也作了相应的研究。文献[5]设计了多层前馈神经网络，使控制律离线求解。文献[6]采用两个网络进行预测，但结构复杂，距离实际应用还有一定的距离，文献[7]利用递阶遗传算法，经训练得出离线神经网络模型．经多步预测得出对象的预测模型，给出了具有时延的非线性系统的优化预测控制。将神经网络用于GPC的研究成果有利用Tank．Hopfield网络处理GPC矩阵求逆的算法，基于神经网络误差修正的GPC算法、利用小脑模型进行提前计算的GPC 算法、基于GPC的对角递归神经网络控制方法以及用神经网络处理约束情形的预
人工神经网络在电力负荷预测中的应用 发表时间：2019-07-29T14:17:21.220Z 来源：《基层建设》2019年第14期作者：吕海霞南家楠 [导读] 摘要：随着我国电力行业逐步推进智能电网建设，电网管理问题变得愈发重要，电网管理的主要内容就是负荷预测。 内蒙古电力经济技术研究院内蒙古呼和浩特 010090 摘要：随着我国电力行业逐步推进智能电网建设，电网管理问题变得愈发重要，电网管理的主要内容就是负荷预测。通过分析电力负荷预测的重要性，分析电力负荷预测中人工神经网络的应用。 关键词：电力负荷预测；人工神经网络；应用分析 电力系统由发、输、变、配和用电 5 个基本环节组成，电网的运行需要保证其运行的经济性、供电可靠性、以及良好的电能质量。但由于电能生产的实时性，不能被大量储存，这就要求电能在发电和用电之间需要时刻保持着供需平衡，避免电能供电不足或生产过剩等问题。因此为了解决上述问题就需要我们时刻掌握负荷的变化情况，准确的电力负荷预测能够成为满足电力负荷供需平衡研究的重点。 1、电力系统负荷预测方法分类 时间序列法：时间序列的预测算法，是一种处理随机数列并进行预测的有效方法，它是按照一定时间间隔进行采集和记录的时间序列数据，该数据具有较强的随机性和不确定性。将该方法引入到电力系统负荷预测中，则是通过采集、分析电力系统历史负荷数据信息，通过历史数据建立相应的数学模型，发现隐含其中的规律，进而对未来电力负荷进行预测。时间序列法的优点：所需历史数据量少，建立模型的复杂程度低，计算速率快，能够反映负荷变化连续性特点。缺点：对采集得到的历史电力负荷数据随时间的平稳性要求较高，过于集中对数据的拟合而忽略对负荷变化规律的考虑，使得预测精度不高。 支持向量机：SVM 算法是在创建一个新的实例并分配给两个类别之一的模型，即主要是一种二元线性分类器，解决了算法模型预测时会出现的局部最优解的问题，通过该方法最终可以得到一个全局最优解。支持向量机在早期的科研中占据了非常重要的地位，在引入到电力系统负荷预测中，使用 SVM 预测算法，可以取得比传统方法更有效的预测结果。该方法的优点：该算法较为成熟，有坚实的数学理论基础，预测方法收敛速度较快，能够快速求得全局最优解。缺点：实际应用开发较为困难，对于历史数据依赖较大，对历史数据的要求也较高，在预测电力系统负荷波动较小的情况下可以取得很好的效果，但是当负荷波动较大时，预测效果往往较差。 BP 神经网络算法：BP 算法包括正向传播和计算误差的逆向传播过程，即正向传播是训练数据通过输入层，经过隐含层，作用于输出层，产生输出信号得到相应的输出误差，并将该输出误差经过隐含层向输入层逐层逆向反传，将误差分摊给各层所有单元，并调整网络的权值和阈值，使误差沿梯度方向下降，经过反复多次的训练，最终得到误差最小的网络模型，此时的BP 神经网络可以作为电力系统负荷预测的数学模型。优点：具有很强的非线性映射能力和柔性的网络结构，预测结果的精准度较高。缺点：学习速度慢，容易陷入局部最小值，网络层数、神经元数没有理论指导。 2、人工神经网络作用与分类 人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。人工神经网络是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。一般来说，作为神经元模型应具备连接权值、信号整合、激励函数三个要素。人工神经网络具有非线性、并行性、自学习性、联想存储性和实时性等特点。 人工神经网络的主要类型有感知机、线性神经网络、径向基（ＲBF）函数网络、BP 神经网络、随机神经网络、竞争神经网络等，其中BP 神经网络是应用得最广泛的一种类型。BP 神经网络是指误差反向传播算法（Error Back Propagtion，BP）网络，是一种有监督学习的前向多层感知机结构，由一种误差计算沿着与网络计算方向相反方向传递的算法求解神经元连接权值。BP 神经网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，包含一个或多个隐层，可以实现复杂的映射关系。 BP 网络采用误差反向传播算法（Back － Propagation Algo-rithm）进行学习。在 BP 网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。误差反向传播算法是一种近似最速下降方法，采用均方误差作为性能指标。 由于 BP 网络具有计算简单、非线性映射性强、网络泛化性好，在电力负荷预测、神经生物现象模拟、农业样本检测等多个方面有着广泛的应用。 3、神经网络在电力负荷预测中的应用 电力负荷预测的方法主要有灰色预测法、线性回归法等传统预测方法、神经网络法、支持向量机、模糊系统等人工智能预测算法。由于电力负荷预测具有随机性强、稳定性低、影响因素复杂等特点，很难建立精确的模型。由于传统模型难以充分利用其他影响因素的数据，使得预测精度往往不能满足电力部门的需求，人工智能预测算法是国内外学者们研究的热点问题。电气负荷数据通常为一个时间序列数据，因此可以使用统计或软计算方法进行分析和预测，Wang等提出了一种 BP 神经网络方法（BPNN），采用反向传播神经网络的精确电力负荷预测算法用于短期电力负荷预测，综合考虑了天气特征，如最高摄氏度，最低摄氏度和天气类型等参数。陈刚等将非负荷因素输入前级 BP 网络中，得出的负荷类型数据作为后级ＲBF 网络的输入，通过 BP －ＲBF 的级联神经网络得到准确的整点负荷预测。 由于 BP 神经网络收敛速度慢、易陷于局部极值点的缺点，许多学者结合模糊推理、遗传算法等其他智能算法对电力负荷预测模型进行了进一步完善。基于神经网络的模糊推理方法是通过神经网络的自主学习机制完成模糊化、模糊推理和反模糊化。Ali 等采用模糊逻辑方法研究了长期负荷预测问题，建立了一个电力负荷模糊预测模型，采用温度、湿度和历史负荷数据作为模型，实验结果表明了模糊理论可以较好地应用于负载长期预测。Panapakidis 等利用人工神经网络和聚类方法建立了公交车负荷预测模型，通过聚类的方法提高了人工神经网络模型的预测精度，适用于短期预测。Mordjaoui 等提出了一种预测每日负荷的动态神经网络，获得的结果表明精度和效率优于广泛使用的传统方法。He 等提出了一种基于三角核函数（QＲNNT）的分位数回归神经网络的概率密度预测方法，用于短期电力负荷预测。为了构造概率预测方法，应用神经网络对分位数回归模型进行变换，通过对加拿大和中国的负荷数据测试证明了该方法有效性。张平、白杨等针对天气因素采用聚类和神经网络相结合的方法进行了负荷预测 4 结语 总之，电力负荷预测对国民经济、电网稳定和电力安全都有着非常重要的意义。如何提高预测速度、降低预测误差是电力负荷预测研
本科生毕业设计说明书（毕业论文） 题目：基于BP神经网络的 电力系统短期负荷预测 专业：电气工程及其自动化
基于BP神经网络的电力系统短期负荷预测 摘要 电力系统短期负荷预测在实时控制和保证电力系统经济、安全和可靠运行方面起着重要作用，它已成为电力系统中现代能量管理系统的一个重要组成部分。负荷预测的误差将导致运行和生产费用的剧增，因此，精确的预测就成了电力工作者和科技人员致力解决的问题。 电力系统负荷变化受多方面影响，一方面，负荷变化存在着未知不确定因素引起的波动；另一方面，又有周期变化的规律性，这使得负荷曲线具有相似性。同时，由于受天气、节假日等特殊情况的影响，又使负荷变化出现差异，呈现强烈的非线性特性。 本文提出了一种基于BP神经网络的预测方法，这种方法的最大优点就是对大量的非线性特性、非准确性规律具有自适应功能。本文主要针对BP神经网络应用于电力系统短期负荷预测做了进一步的研究,并通过MATLAB设计BP神经 网络，仿真结果表明BP神经网络在短期负荷预测中的应用是可行的，能较好的反映负荷预测的非线性特性，但由于本文没有考虑气候，温度，节假日等因素的数据，做出来的仿真结果并不令人十分满意，不过依然可以肯定BP神经网络依然优于传统的预测方法，是一个有待于我们去研究和开发的新领域。 关键词：电力系统；BP神经网络；短期负荷预测
Based on BP neural network power system Short-term load forecasting Abstract Short-term load forecasting in real-time power system control and to ensure economic, safe and reliable operation plays an important role, it has become a modern power system energy management system is an important component. Load forecasting errors will lead to sharp increase in operating and production costs, therefore, accurately predict the power to become the workers and technical personnel to address the problem. Various power system affected by the load change, on the one hand, there is the unknown load change caused by fluctuations in uncertainty; the other hand, there are periodic changes in the laws, which makes a similar load curve. At the same time, due to weather, holidays and other special circumstances of, and differences in the load changes occur, showing a strong nonlinearity. In this paper, BP neural network based prediction method, the biggest advantage of this approach is that the nonlinear characteristics of a large number of non-accuracy of the law of adaptive function. In this paper, BP neural network for short term load forecasting in power system to do further research and design BP neural network through the MATLAB , simulation results show that BP neural network in the short-term load forecasting is feasible, and can better reflect the load predict the nonlinear characteristics, but because this article does not consider the climate, temperature, holidays and other factors, the data, so it is not very satisfactory simulation results, but still certainly better than the traditional prediction ,and it is a need to be us to new areas of research and development. Keywords：Power Systems; BP neural network; Short-term Load forecasting;