基于BP神经网络的短期电力负荷预测摘要：本论文首先对短期电力负荷预测进行了概述，在详细分析bp神经网络原理的基础上，通过对某市历史负荷数据的分析，应用bp神经网络，建立了短期负荷预测模型，应用matlab 6.5软件进行实际建模仿真。
关键词：电力负荷bp神经网络预测建模仿真
1.引言
由于电力的生产与使用具有特殊性，即电能是不能储存的，这样就要求系统发电出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，重则危及系统的安全与稳定。随着电力系统的商品化和市场化，电力负荷预测的准确性对电力系统安全经济运行和国民经济发展具有重要意义。正确地预测电力负荷，既是为了保证供应国民经济各部门及人民生活以充足的电力需要，也是电力工业自身发展的需要。
2.输入层和输出层的设计
在预测日的前一天中，每1个小时对电力负荷进行一次测量，这样一来，一天共测得24组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。所以这里将前一天的实时负荷数据作为网络的样本数据。此外，由于电力负荷还与环境因素有关，如最高和最低温度等。因此，还需要通过天气预报等手段获得预测日的最高和最低温度。这里将电力负荷预测日当日的气象特征数据作
BP神经网络预测的matlab代码附录5: BP神经网络预测的matlab代码: P=[ 0 0.1386 0.2197 0.2773 0.3219 0.3584 0.3892 0.4159 0.4394 0.4605 0.4796 0.4970 0.5278 0.5545 0.5991 0.6089 0.6182 0.6271 0.6356 0.6438 0.6516
0.6592 0.6664 0.6735 0.7222 0.7275 0.7327 0.7378 0.7427 0.7475 0.7522 0.7568 0.7613 0.7657 0.7700] T=[0.4455 0.323 0.4116 0.3255 0.4486 0.2999 0.4926 0.2249 0.4893 0.2357 0.4866 0.2249 0.4819 0.2217 0.4997 0.2269 0.5027 0.217 0.5155 0.1918 0.5058 0.2395 0.4541 0.2408 0.4054 0.2701 0.3942 0.3316 0.2197 0.2963 0.5576 0.1061 0.4956 0.267 0.5126 0.2238 0.5314 0.2083 0.5191 0.208 0.5133 0.1848 0.5089 0.242 0.4812 0.2129 0.4927 0.287 0.4832 0.2742 0.5969 0.2403 0.5056 0.2173 0.5364 0.1994 0.5278 0.2015 0.5164 0.2239 0.4489 0.2404 0.4869 0.2963 0.4898 0.1987 0.5075 0.2917 0.4943 0.2902 ] threshold=[0 1] net=newff(threshold,[11,2],{'tansig','logsig'},'trainlm');
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
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
计算智能实验报告 实验名称：BP神经网络算法实验 班级名称： 2010级软工三班 专业：软件工程 姓名：李XX 学号： XXXXXX2010090
一、实验目的 1）编程实现BP神经网络算法； 2）探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系； 3）修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。 二、实验要求 按照下面的要求操作，然后分析不同操作后网络输出结果。 1）可修改学习因子 2）可任意指定隐单元层数 3）可任意指定输入层、隐含层、输出层的单元数 4）可指定最大允许误差ε 5）可输入学习样本（增加样本） 6）可存储训练后的网络各神经元之间的连接权值矩阵； 7）修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果。 三、实验原理 1 明确BP神经网络算法的基本思想如下： 在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架 反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结果和预期结果的误差最小 BPNN是一种典型的神经网络，广泛应用于各种分类系统，它也包括了训练和使用两个阶段。由于训练阶段是BPNN能够投入使用的基础和前提，而使用阶段本身是一个非常简单的过程，也就是给出输入，BPNN会根据已经训练好的参数进行运算，得到输出结果 2 明确BP神经网络算法步骤和流程如下： 1初始化网络权值 2由给定的输入输出模式对计算隐层、输出层各单元输出 3计算新的连接权及阀值， 4选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
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
求用matlab编BP神经网络预测程序 求一用matlab编的程序 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=net_1.IW{1,1} inputbias=net_1.b{1} % 当前网络层权值和阈值 layerWeights=net_1.LW{2,1} layerbias=net_1.b{2} % 设置训练参数 net_1.trainParam.show = 50; net_1.trainParam.lr = 0.05; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs = 10000; net_1.trainParam.goal = 1e-3; % 调用TRAINGDM 算法训练BP 网络 [net_1,tr]=train(net_1,P,T); % 对BP 网络进行仿真 A = sim(net_1,P); % 计算仿真误差 E = T - A; MSE=mse(E) x=[。。。]';%测试 sim(net_1,x) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 不可能啊我2009 28对初学神经网络者的小提示
第二步：掌握如下算法: 2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。 3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社，Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。 4.ART(自适应谐振理论),该算法的最通俗易懂的读物就是《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第15和16章。若看理论分析较费劲可直接编程实现一下16.2.7节的ART1算法小节中的算法. 4.BP算法,初学者若对误差反传的分析过程理解吃力可先跳过理论分析和证明的内容,直接利用最后的学习规则编个小程序并测试,建议看《机器学习》(机械工业出版社，Tom M. Mitchell著，中英文都有）的第4章和《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第11章。 BP神经网络Matlab实例（1） 分类：Matlab实例 采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。 % 例1 采用动量梯度下降算法训练BP 网络。 % 训练样本定义如下： % 输入矢量为 % p =[-1 -2 3 1 % -1 1 5 -3] % 目标矢量为t = [-1 -1 1 1] close all clear clc % --------------------------------------------------------------- % NEWFF——生成一个新的前向神经网络,函数格式： % net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) takes, % PR -- R x 2 matrix of min and max values for R input elements % （对于R维输入，PR是一个R x 2 的矩阵，每一行是相应输入的
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。
close all clear echo on clc % NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 % 定义训练样本 % P为输入矢量 P=[0.7317 0.6790 0.5710 0.5673 0.5948;0.6790 0.5710 0.5673 0.5948 0.6292; ... 0.5710 0.5673 0.5948 0.6292 0.6488;0.5673 0.5948 0.6292 0.6488 0.6130; ... 0.5948 0.6292 0.6488 0.6130 0.5654; 0.6292 0.6488 0.6130 0.5654 0.5567; ... 0.6488 0.6130 0.5654 0.5567 0.5673;0.6130 0.5654 0.5567 0.5673 0.5976; ... 0.5654 0.5567 0.5673 0.5976 0.6269;0.5567 0.5673 0.5976 0.6269 0.6274; ... 0.5673 0.5976 0.6269 0.6274 0.6301;0.5976 0.6269 0.6274 0.6301 0.5803; ... 0.6269 0.6274 0.6301 0.5803 0.6668;0.6274 0.6301 0.5803 0.6668 0.6896; ... 0.6301 0.5803 0.6668 0.6896 0.7497]; % T为目标矢量 T=[0.6292 0.6488 0.6130 0.5654 0.5567 0.5673 0.5976 ... 0.6269 0.6274 0.6301 0.5803 0.6668 0.6896 0.7497 0.8094]; % Ptest为测试输入矢量 Ptest=[0.5803 0.6668 0.6896 0.7497 0.8094;0.6668 0.6896 0.7497 0.8094 0.8722; ... 0.6896 0.7497 0.8094 0.8722 0.9096]; % Ttest为测试目标矢量 Ttest=[0.8722 0.9096 1.0000]; % 创建一个新的前向神经网络 net=newff(minmax(P'),[12,1],{'logsig','purelin'},'traingdm'); % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 5000; net.trainParam.goal = 0.001; % 调用TRAINGDM算法训练 BP 网络 [net,tr]=train(net,P',T); % 对BP网络进行仿真 A=sim(net,P'); figure; plot((1993:2007),T,'-*',(1993:2007),A,'-o'); title('网络的实际输出和仿真输出结果，*为真实值，o为预测值'); xlabel('年份'); ylabel('客运量'); % 对BP网络进行测试 A1=sim(net,Ptest');
基于神经网络的股票预测 【摘要】: 股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。 【abstract] Stock analysis and forecasting is a complex field of study. The paper will make research on stock prediction model based on the analysis of historical data, using BP neural network and technical analysis theory. At the same time, making in-depth theoretical analysis and empirical studies on the short-term closing price forecasts of single stock. Secondly, making research on the model and structure of BP neural network, learning rules, weights of BP algorithm and so on, building a stock short-term forecasting model based on the BP neural network, related with the model of neural network and the ability of generalization. Moreover, using system of multiple-input single-output and single hidden layer, to forecast the sixth day price by BP neural network forecasting model structured. The network of training is chosen BP algorithm of traingdx, while making optimization on the node numbers of the hidden layer by several attempts. Thereby resolve effectively the problem of it. 【关键词】BP神经网络股票预测分析 1．引言 股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。影响股价的因素可简单地分为两类，一类是公司基本面的因素，另一类是股票技术面的因素，虽然股票的价值是公司未来现金流的折现，由公司的基本面所决定，但是由于公司基本面的数据更新时间慢，且很多时候并不能客观反映公司的实际状况，采用适当数学模型就能在一定
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
龙源期刊网 https://www.doczj.com/doc/494017194.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。
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
神经网络Matlab p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络 net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建 （1）生成BP网络 = net newff PR S S SNl TF TF TFNl BTF BLF PF (,[1 2...],{ 1 2...},,,) R?维矩阵。 PR：由R维的输入样本最小最大值构成的2
S S SNl：各层的神经元个数。 [1 2...] TF TF TFNl：各层的神经元传递函数。 { 1 2...} BTF：训练用函数的名称。 （2）网络训练 = [,,,,,] (,,,,,,) net tr Y E Pf Af train net P T Pi Ai VV TV （3）网络仿真 = [,,,,] (,,,,) Y Pf Af E perf sim net P Pi Ai T {'tansig','purelin'},'trainrp' BP网络的训练函数 训练方法训练函数 梯度下降法traingd 有动量的梯度下降法traingdm 自适应lr梯度下降法traingda 自适应lr动量梯度下降法traingdx 弹性梯度下降法trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere共轭梯度法traincgp Powell-Beale共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlm