第22卷第7期中国电机工程学报Vol.22 No.7 Jul.2002
2002年7月Proceedings of the CSEE ?2002 Chin.Soc.for Elec.Eng. 文章编号：0258-8013 (2002) 07-0085-05
基于神经网络的负荷组合预测模型研究
谢开贵，李春燕，周家启
(重庆大学高教部高电压与电工新技术重点实验室，重庆400044)
RESEARCH OF THE COMBINATION FORECASTING MODEL FOR LOAD BASED ON
ARTIFICIAL NEURAL NETWORK
XIE Kai-gui, LI Chun-yan, ZHOU Jia-qi
(High Voltage and Electrical Engineering New Technology Key Laboratory of Ministry of Education，
Chongqing University，Chongqing 400044，China)
ABSTRACT：This paper presents a non-stationary weights combination forecasting model(NWCFM) for load ,i.e., combination forecasting model based on artificial neural network. The corresponding artificial neural network (ANN)for this model is constructed using the nonlinear relationship between the forecasting values of various methods and the actual loads. The ANN has three layers and the output layer has only one neuron. The inputs of ANN are the forecasting values of all methods and the output is the original data. The ANN, which is trained by error back propagation (BP) algorithm with variable learning rate and variable momentum, has the forecasting function. At the same time, the stationary weights combination forecasting model(SWCFM) based on genetic algorithm is concisely introduced. The model can be used in year, month, hour load forecasting fields, and so on. The effectiveness and practicability of the models have been verified by some examples.
KEY WORDS：Load forecasting；combination forecasting model(CFM)；genetic algorithm；artificial neural network
摘要：给出了电力系统负荷的变权系数组合预测模型，即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系，建立相应的神经网络模型。该网络为单输出的三层网络，其中输入层为各种预测方法的预测值，输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练，训练后的网络便具有预测能力。同时，文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明，该模型具有很高的预测精度。
关键词：负荷预测；组合预测模型；遗传算法；人工神经网络
中图分类号：TM714；TP18 文献标识码：A 1 引言
电力系统负荷预测对电力系统的安全、经济和可靠运行具有重要的作用。机组调度、经济负荷分配等运行规划的优劣都与准确、快速的负荷预测密切相关。负荷预测方法大致可分为两类：一类是时间序列分析方法，如卡尔曼滤波[1]、Box-Jenkins方法[2]等；另一类是因果分析法或称计量经济法，如气候(主要是温度，其次还有湿度、风速等)辨识法[3,4]。在国内外，几乎未见用组合预测模型[5]进行负荷预测的研究，本文将应用该模型对负荷预测进行研究。
将多种不同的预测方法进行适当组合，综合利用各种方法提供的信息，便形成所谓组合预测方法[5]。组合预测模型将各种预测效果进行总体性综合考虑，比单个预测模型更系统、更全面，且Bates 和Granger证明2种或2种以上无偏的单项预测可以组合出优于每个单项的预测结果，能有效地提高预测精度。
根据组合预测确定权系数的不同，将组合预测模型分为固定权系数组合预测模型和变权系数组合预测模型。虽然固定权系数组合预测的研究已取得一定的进展[5]，但变权系数组合预测的研究才刚刚起步。变权组合预测模型的建立和应用是提高预测模型的预测精度，增强预测模型实用性的有效途径。由于权系数是随时间变化的函数，所以确定其形式就显得更加困难。文中将运用三层前向神经网络和变学习率、变动量因子的BP算法[6]对其进行研究。
２ 负荷组合预测模型
下面以月负荷为例，给出相应的组合预测模
86 中 国 电 机 工 程 学 报 第22卷
型，日负荷、年负荷等模型可仿此建立[5]。
设ij y 为第i 年j 月的实际负荷(i =1,2,…,n ; j =1,2,…,12)，设已由K 种方法分别得到月负荷预测值，记tij f 为第t 种方法的第i 年j 月预测值(t =1,2,…,K )，),(j i w t 为第t 种方法第i 年j 月的权重，tij ij tij f y e ?=，为第t 种方法的第i 年j 月预测值的预测误差。由这些记号可得
∑=+=K
t tij tij t ij e f j i w y 1
))(,( (1)
当),(j i w t 与t 无关时，式(1)即为固定权系数模型。
式(1)对应的变权系数组合预测模型为
Min ∑∑∑===?n
i j K
t tij t ij f j i w y 112
1
1
2
)),(( (2)
式(2)中，被关心的不是),(j i w t 的具体形式，而在于每个时刻、每种预测方法的贡献率，故可将式(2)改写为
Min
∑∑==?n i j Kij ij ij ij
f f f
g y
112
1
221)],...,,([ (3)
由式(3)求出函数)(?g ，由)(?ij ij F g y
= (),...,,(11Kij ij ij ij f f f F =, 可得到组合预测值。
同样，由式(1)可得到与固定权系数组合预测模型对应的约束优化模型为
Min ∑∑∑∑==?=?=???n
i j K t Kij K t t tij t ij f w f w y 112
1
1
1
2
1
1
))1(( st
111
≤∑?=K i i w ，0≥i
w
( i =1,2,…,K ?1)
由于遗传算法具有较强的优化和避免陷入局
部极小的能力，故可选择遗传算法求解该问题。但式(3)中输入和输出量间有较复杂的非线性关系，用传统的方法或遗传算法都不能求解g (?)的形式，下面将用改进的BP 算法解决该问题。
３ 变权系数组合预测模型的改进ＢＰ算法
３．１ 变权组合预测的前向神经网络模型
由式(1)可看出，固定权系数组合预测模型是变权系数模型的一种特例。变权系数将会使组合预测精度更高。
由式(3)知，该问题可转化成寻找一个映射g (?)，
使所有ij y 与)(?ij ij F g y =充分接近，使误差足够小。
Hornik 等人的研究表明三层前向神经网络能实现复杂的非线性映射，其不仅能以任意精度逼近任意连续函数，还能以任意精度逼近其各阶导数，故
可用三层前向神经网络逼近上述非线性映射g (?)，其结构见图1。图中第一层为输入层，其神经元数目为组合预测的方法总数，第二层为隐层，其神经元数目由预测者选定，第三层为输出层，其只有一个神经元。
M
f 1ij ○○○
○○
○
○
f 2ij
f Kij
图１ 实现变权重组合预测的神经网络结构图 Fig.1 The structure of ANN for implementing the
NWCFM
３．２ 改进的ＢＰ算法
1986年，Rumelart 等在并行分布处理研究中针对前向神经网络提出误差反向传播(BP)训练算法，解决了前向神经网络的学习问题，使前向神经网络在许多领域得到了广泛的应用。下面给出上述前向神经网络学习的变动量因子和变学习率的BP 算法[6]
。其步骤为：
（1）初始化权值pr V 、p W 和阈值p Θ、Φ(r =1,2,…,n , p =1,2,…,l 。l 为隐层神经元数目)，随机地给权值和阈值赋以[?1,1]的初值。将输入和输出的原始数据初始化。
（2）随机选择一组训练模式 ,,(21ij ij ij f f F =…, )Kij f 及相应的ij y 。
（3）计算网络实际输出ij y
?。 ① 计算隐层输入 )(
∑?=r
p rij pr hp pij f V f h Θ，p =1,2,…,l ；)
exp(11
)(x x f hp ?+=
隐层第p 个节点的作用函数。
② 计算输出层输出 )(?o ∑?=p
pij
p ij h
W f y
Φ，o f 为输出层的作用函
数，取f (x )=x 。 （4）修正权值
)()()()()1(t h t t t W t W p pij ij p p p αδη++=+?
)]1()([??t W t W p p ； )()()()()1(t f t t t V t V p rij rij p pr pr αδη++=+? )]1()([??t V t V pr pr 。
式中 ?ωηcos )(e t =×)1(?t p η[6]为时变学习率；?
第7期 谢开贵等： 基于神经网络的负荷组合预测模型研究 87
为2次循环学习之间误差超曲面的夹角；ω为比例系数，0.1<ω<0.2；)1()(??t W t W p p 、
)1()(??t V t V pr pr 为动量项；)(t p α为时变动量因子
[6]
，其中， ∑
?==1
1
22)
(/
)()
(t m ij ij
p m t t δδα; =)(t ij δ
)1()?(ij ij ij ij y y y y
??;)1()(pij pij rij h h t ?=δp ij W t )(δ。 （5）如果达到误差精度或循环次数要求，则输
出结果；否则转（2）。 ３．３ 负荷的预测
经过上述学习算法后，权值W 、V 和阈值Θ、Φ 便可得到。进行预测时，输入第x 年y 月的K 个
预测值，由)(?ij ij F g y
=即可得到组合预测值。 ４ 算例与分析
某电网1994年1月~1999年6月的最大负荷见表
1，运用变差分析模型[7]、年度分解模型[7]、周期傅立叶分析法对该电网月最大负荷进行预测，结果见表2。
表1 某电网1994年1月~1999年6月最大负荷/MW Tab.1 The maximum month load/MW of a power system
from Jan.,1994 to Jun.,1999
月
年 1 2 3 4 5 6 1994 775.8 801.9 762.9 853.0 794.5 885.6 1995 828.5 887.8 834.9 923.7 891.2 937.7 1996 942.7 960.5 893.4 958.8 908.7 931.7 1997 1026.5 993.0 939.8 958.8 935.3 981.6 1998 1065.1 1062.9 1031.4 1080.4 993.6 1006.4 1999 1136.0 1170.4 1058.1 1135.2 1002.9 1060.0 月 年 7 8 9 10 11 12 1994 829.6 879.5 974.1 847.9 880.6 814.9 1995 905.1 966.4 1018.9 918.6 946.7 915.7 1996 939.6 1016.4 1058.1 938.3 958.0 917.3 1997 946.4 1057.1 1108.2 978.9 1046.9 1036.9 1998
1007.0
1063.7
1118.8
1027.3
1067.4
995.2
上述3种模型预测结果的平均绝对百分误差分别为2.81444%、2.66351%、4.30140%，误差平方和分别为22693.6MW 2、24013.4 MW 2、47136.4 MW 2。用遗传算法以误差平方和最小建立3种预测模型的固定权系数组合预测模型，求得权重系数w 1=0.540089、w 2=0.430987、w 3=0.029014，预测结果见表3。
固定权系数组合预测模型的平均绝对百分误差为2.705356%，误差平方和为21643.29MW 2，从误差平方和的角度看，该结果比单模型预测的结果
表２ ３种不同方法１９９８、１９９９年月负荷预测值/MW
Tab.2 The forecasting month load/MW of three different
methods in 1998 and 1999
月
预测 方法 1 2 3 4 5 6 1020.5 1034.0 985.3 1047.8 997.5 1041.4 变差分 析模型 1083.4 1096.9 1048.1 1110.6 1060.3 1079.3 1059.6 1041.0 980.1 1015.5 981.8 1023.2 年度分 解模型 1116.8 1097.4 1051.9 1087.9 1029.7 1061.6 960.2 1027.0 962.8 1069.1 1032.9 1080.7 傅立叶 模 型 1086.2 1100.1 1032.1 1102.4 1039.5 1071.2 月
预测 方法 7 8 9 10 11 12 1018.4 1089.4 1148.4 1035.0 1072.7 1028.8 变差分 析模型 1152.3 1211.3 1097.8 1135.6 1091.6 1106.1 1000.1 1106.2 1157.2 1023.4 1079.5 1058.8 年度分 解模型 1042.8 1132.8 1189.5 1071.1 1129.1 1085.9 1042.8 1120.1 1173.1 1056.8 1091.2 1054.2 傅立叶 模 型
1076.8
1161.7
1204.9
1070.4
1093.4
1040.8
注：以前4年数据建立模型，将1998和1999年的数据作后验检验，为节省篇幅，只列出最后两年的预测结果。
表３ １９９８年，１９９９年负荷组合预测结果
（固定权系数/MW ）
Tab.3 The forecasting month load/MW of CFM in 1998
and 1999(stationary weights)
月
年 1 2 3 4 5 6 1998 1035.6 1036.8 982.4 1034.5 991.8 1034.7 1999 1097.9 1097.2 1049.3 1100.6 1046.5 1071.5 月
年 7 8 9 10 11 12 1998 1011.2 1097.5 1152.9 1030.6 1076.2 1042.5 1999
1103.0
1176.1
1140.5
1106.0
1107.9
1095.6
好。当以百分误差最小为目标时，w 1=1.00、w 2=0.00、w 3=0.00，即组合预测模型与变差分析模型的预测结果一致。
以前4年3种预测结果为前向神经网络的输入，以前4年的实际负荷为网络的输出，建立3-8-1结构的网络。由于网络有较强的逼近能力，经过训练后，对前4年的数据已有较好的精度。将1998年、1999年3种方法得到的预测结果输入训练后的网络，其预测值见表4。
表４ １９９８年，１９９９年负荷组合预测结果
（变权系数/MW ）
Tab.4 The forecasting month load/MW of CFM in 1998
and 1999(non-stationary weights)
月
年 1 2 3 4 5 6 1998 1074.0 1055.7 1005.5 1065.7 985.8 1026.7 1999 1099.6 1099.9 1066.6 1109.6 1027.2 1073.4 月 年 7 8 9 10 11 12 1998 1011.2 1067.0 1115.4 1031.3 1074.4 1019.6 1999
1092.7
1162.1
1187.4 1115.3
1110.4
1110.8
88 中 国 电 机 工 程 学 报 第22卷
由表4知，1999年预测值的平均绝对百分误差为1.59234%，误差平方和为9982.24MW 2，该结果明显比单模型和固定权系数模型预测的结果好，比固定权系数组合预测模型的精度高。
上述3种单模型方法和2种组合预测方法预测的最大百分误差分别为6.28%、6.24%、6.01%、6.25%和6.02%。事实上，因为上述组合预测模型不是以最大百分误差为目标，所以，组合预测最大百分误差可能比单个模型大。但是，当以最大百分误差为
目标函数时，便可克服这一点。
从表1知，该电网的年最大负荷序列 (从1994~1998年) 为 974.1，1018.9，1058.1，1108.2，1118.8。下面分别用改进的灰色预测法[8]、最小一乘预测法[9]、最小二乘预测法[9]、二次回归法对年最大负荷进行预测，同时用固定权系数和变权系数组合预测模型分别对年最大负荷进行预测，其结果见表5。
表5中，6种预测方法的预测百分误差分别为：
表５ 年最大负荷预测结果/MW
Tab.5 The forecasting value of yearly maximum load/MW
预测方法 1994 1995 1996 1997 1998 1999 2000 原始数据 974.1 1018.9 1058.1 1108.1 1118.8 灰色预测法 974.100 1018.92 1052.22 1086.62 1122.14 1158.82 1196.70 最小一乘法 979.70 1018.90 1058.10 1097.30 1136.50 1175.70 1214.90 最小二乘法 979.88 1017.74 1055.60 1093.46 1131.32 1169.18 1207.04 二次回归法 971.68 1021.84 1063.80 1097.56 1123.12 1140.48 1149.64 定权组合预测 971.94 1021.66 1063.21 1097.09 1123.31 1141.86 1152.74 变权组合预测 973.14
1022.30
1062.82
1102.17
1122.92
1157.06
1180.25
注：表中固定权组合预测模型权系数确定以百分误差最小为目标，灰色预测、最小一乘、最小二乘、二次回归的权重分别为：0.039734、0.013062、
0.006653、0.940551。
0.5589%、0.6232%、0.6767%、0.4826%、0.4745%、0.3563%，误差平方和分别为：507.12 MW 2、461.29 MW 2、412.08MW 2、176.74 MW 2、179.87 MW 2、86.90 MW 2。上述方法的最大百分误差分别为1.94%、1.58%、1.32%、0.95%、0.99%、0.54%。由这2组数据可以看出，组合预测模型的预测精度比单模型预测的精度高，变权组合预测比固定权系数组合预测的精度高。
用本文的方法对时负荷进行预测，下面以某电力公司2000年3月1日~3月31日的负荷数据进行预测，负荷的样本特性见图2，预测中以前4周
30
70
110150P /MW 200 400 600 t /h
图２ 某电力公司负荷样本特性 Fig.2 The characteristic of load
的数据建立相应的负荷预测模型，用后3天的数据进行后验误差检验。
进行组合预测时，单模型方法分别选择周期傅立叶分析方法、外推方法[10]和变差分析方法[7]，用
这3种方法进行负荷预测时，预测的百分误差分别为：1.13%、2.09%、1.93%，误差平方和分别为：128.3 MW 2、748.6 MW 2、516.8 MW 2。当用固定权系数组合预测模型对上述3种预测方法进行组合时，权系数分别为：0.91454、0.03294、0.05252，预测的百分误差为1.12%，预测的误差平方和为：122.02 MW 2，比单模型预测结果略好。
用本文的基于人工神经网络的组合预测方法
?? ε/%
图３ 固定权组合预测模型的预测误差 Fig.3 The forecasting error of SWCFM
进行预测时，百分误差为0.87%，预测的误差平方和为：95.32 MW 2，可以看出变权重组合预测模型的精度是最高的。上述周期傅立叶分析方法、外推方法、变差分析方法、固定权系数组合预测法和变权系数组合预测法的最大百分误差分别为：3.49%、5.64%、5.49%、3.47%和2.88%。其中，3月29日预测结果见表6 (该日预测的百分误差为0.83%)，预测误差结果分别见图3、4。结果表明，组合预测
第7期谢开贵等：基于神经网络的负荷组合预测模型研究89
(特别变权系数组合预测)方法具有较高的预测精
度，预测误差一般在3%以下。
?
ε/
图４ 变权组合预测模型的预测误差
Fig.4 The forecasting error of NWCFM
表６ ２０００年３月２９日的实际预测结果
Tab.6 Actual forecasting results/MW in 3-29-2000/MW
t/h 实测预测* 误差*
/%
预测**
/MW
误差**
/%
0 86.34 85.25 ?1.26 86.56 0.26
1 79.73 77.37 ?2.96 79.3
2 ?0.52
2 78.2
3 77.69 ?0.69 78.47 0.31
3 73.28 75.82 3.47 75.39 2.88
4 73.93 72.60 ?1.79 74.06 0.18
5 78.81 80.79 2.51 81.13 2.94
6 101.49 99.13 ?2.32 100.35 ?1.13
7 108.37 107.77 ?0.56 108.05 ?0.30
8 123.28 123.70 0.34 125.10 1.47
9 128.33 129.52 0.93 130.67 1.83
10 137.57 136.38 ?0.87 137.21 ?0.26
11 134.64 135.64 0.75 136.14 1.11
12 121.92 121.56 ?0.29 121.59 ?0.27
13 122.28 122.85 0.46 123.00 0.58
14 124.22 124.57 0.29 125.17 0.76
15 125.27 124.13 ?0.91 124.37 ?0.72
16 129.08 128.20 ?0.68 128.47 ?0.47
17 141.67 139.31 ?1.66 140.92 ?0.53
18 142.76 144.15 0.98 144.88 1.48
19 162.51 162.54 0.02 162.73 0.14
20 153.40 154.09 0.45 154.10 0.45
21 135.01 135.78 0.57 135.79 0.58
22 109.78 109.39 ?0.35 110.00 0.20
23 91.91 91.46 ?0.49 92.32 0.45 注：*表示固定权系数组合预测结果，**表示变权系数组合预测结果。５ 结论
（1）组合预测模型充分利用原始数据和各预测模型的信息，弥补单模型方法的不足，其预测精度一定比单模型的精度高。
（2）变权系数组合预测模型的研究进展十分缓慢，该领域几乎是一片空白。本文将多种预测方法的结果与原始数据的关系看成是一种非线性映射，首次应用多输入?单输出的三层前向神经网络实现组合预测，并用变学习率和变动量因子的BP算法进行训练，取得了较好的效果。
（3）文中实例表明，组合预测模型可以广泛地应用于年、月、小时等时段的负荷预测。组合预测模型、特别是变权组合预测模型比单模型方法预测精度高，是一种有效的、可行的电力系统负荷预测模型。
参考文献
[1] Toyoda J，Chen M, Inoue Y. An application of state estimation to short-
term forecasting[J]. IEEE Trans on PAS，1970, 89：1678-1688.
[2] Galiana F， Handschin E, Fiechter A. Identification of stochastic electric
load models for physical data[J]. IEEE Trans on Automatic Control，1974,19(9)：887-893.
[3] Peng T M， Hubele N F, Karady G G. Advancement in the application
of neural networks for short-Term load forecasting[J]. IEEE Trans on Power Systems，1992,7(1)：250-257.
[4] Park D C，El-Sharkawi M A, et al. Electric load forecasting using an
artificial neural networks[J]. IEEE Trans. on PS，1991,6(2)：442-448. [5] 唐小我(Tang Xiaowo). 组合预测计算方法研究 (Research of
combination-forecasting calculation methods) [J]. 预测(Forecasting)，1991,10(4)：35-40.
[6] 雷鸣, 吴雅, 杨叔子(Lei Ming, Wu Ya, Yang Shuzi). 非线性时间序列
建模与预测的神经网络 (Non-linear time series modeling and forecasting using the neural network approach) [J]. 华中理工大学学报(Journal Huazhong University of Science & Technology)，1993, 21(1)：47-52.
[7] 谢开贵, 周家启(Xie Kaigui, zhou Jiaqi). 电力系统短期负荷预测模型
研究 (Research of Short-term Load Forecasting Models of Power System). 电网技术(Power System Technology) [J]，1999,3(11)：44-46.
[8] 谢开贵, 何斌, 郑继明(Xie Kaigui, He Bin, Zheng Jiming). 灰色预测
模型建模方法探讨 (Discussing about the method of model-constructing of gray forecasting model) [J]. 重庆邮电学院学报(Journal of Chongqing University of Posts and Te lecommunications)，1998,10(3)：56-60.
[9] 谢开贵, 何斌, 杨万年(Xie Kaigui, He Bin, Yang Wannian). 组合预测
权系数的确定 (Solving the weights of combination forecasting) [J]. 预测(Forecasting)，1998,17(7)：151-154.
[10] 汪峰, 谢开, 于尔铿，等(Wang Feng, Xie Kai, Yu Erkeng，et al). 一
种简单实用的超短期负荷预报方法 (A simple and effective ultra-short term load forecasting method) [J]. 电网技术(Power System Technology)，1996,20(3)：41-48,13.
收稿日期：2001-09-08。
作者简介：
谢开贵(1972-), 男, 博士, 讲师，研究领域为电力系统分析与计算、规划与可靠性、电力市场和人工智能。
（责任编辑喻银凤）
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
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;
基于神经网络的预测控制模型仿真 摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。 关键词：预测控制神经网络动态矩阵误差补偿 1.引言 动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。 但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。 本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP 神经网络进行预测误差补偿的DMC预测控制模型。其中神经网络预测误差描述了在预测模型中未能包含的一切不确定性信息，可以归结为用BP神经网络基于一系列过去的误差信息预测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥补在对象模型中已简化或无法加以考虑的一切其他因素。 本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，
神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制
B P神经网络预测模型及 应用 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】
B P神经网络预测模型及应用 摘要采用BP神经网络的原理，建立神经网络的预测模型，并利用建立的人工神经网络训练并预测车辆的销售量，最后得出合理的评价和预测结果。 【关键词】神经网络模型预测应用 1 BP神经网络预测模型 BP神经网络基本理论 人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型，BP网为其中之一，它又被称为多层前馈神经网络。 BP神经网络预测模型 （1）初始化，给各连接权值（wij，vi）及阐值（θi）赋予随机值，确定网络结构，即输入单元、中间层单元以及输出层单元的个数；通过计算机仿真确定各系数。 在进行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面进行考虑，BP网络由输入层、隐含层和输出层组成。隐含层神经元个数由以下经验公式计算： （1）
式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7. BP网络采用了有一定阈值特性的、连续可微的sigmoid函数作为神经元的激发函数。采用的s 型函数为： （2） 式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7.计算值需经四舍五入取整。 （2）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响，尽管从理论分析中得到比的收敛速度快，但是也存在着不足之处。当网络收敛到一定程度或者是已经收敛而条件又有变化的时候，过于灵敏的反映会使得系统产生震荡，难于收敛。因此，对激励函数进行进一步改进，当权值wij （k）的修正值Δwij（k） Δwij（k+1）<0时，，其中a为大于零小于1的常数。这样做降低了系统进入最小点时的灵敏度，减少震荡。 2 应用 车辆销售量神经网络预测模型 本文以某汽车制造企业同比价格差、广告费用、服务水平、车辆销售量作为学习训练样本数据。如表1。 表1 产品的广告费、服务水平、价格差、销售量 月份广告费 （百万元）服务水平价格差
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
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
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。
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
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
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。
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;
本科毕业设计（论文） 基于RBF神经网络的短期负荷预测 学院自动化学院 专业电气工程及其自动化__ _（电力系统自动化方向） 年级班别 2007级（3）班 学号 3107001208 学生姓名郭祝帆 指导教师彭显刚 2011年 5 月
基于RBF 神经网络的短期负荷预测 郭祝帆 自动化学院
摘要 电力系统负荷预测的水平已成为衡量电力系统运行管理现代化的标志之一。精确的短期负荷预测，对电力系统的生产安排、经济调度和安全分析都起着十分重要的作用，也直接影响着电力企业的经济效益。因此，短期负荷预测结果成为制定电力市场交易计划的重要依据，这就对短期负荷预测提出了更高的要求。 由于常规算法不能较好地反映气象条件等外界因素对负荷的影响，而近年来人工神经网络法等智能算法具有高度的非线性映射能力，可以较好地考虑气象条件等因素对电网负荷的影响，所以本文采用了基于RBF(Radial Basis Function)神经网络的电力系统短期负荷预测方法。该模型训练速度快，收敛性好，而且可以大大地减少隐含层神经元的数目，有效地提高了预测精度。 本文在分析了目前短期电力负荷预测的现状及各种预测方法、预测模型的基础上，根据电力负荷特性的变化规律，通过对河源地区的历史负荷数据分析，考虑了日期类型、温度、天气状况等影响负荷预测的因素，结合神经网络的预测算法，建立RBF神经网络的短期负荷预测数学模型，并在此基础上，利用面向对象的编程方法实现短期负荷预测程序。 本文讨论了影响负荷的各种因素，在输入变量中考虑临近日负荷特点，以及各种气象因素，对输入负荷值进行归一化处理，对温度、天气和日期等因素进行了量化处理。利用河源地区的历史负荷数据比较未含天气因素的神经网络和具有天气因素的神经网络的预测效果，根据本文所介绍的方法编程，其结果表明预测精度是符合要求的，从而说明了该方法的可行性和实用性。 关键词：短期负荷预测，RBF神经网络，编程
龙源期刊网 https://www.doczj.com/doc/7218064914.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
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