下载文档原格式
自组织灰色神经网络中的基于电力系统短期负荷预测方法应用研究摘要:基于自组织灰色神经网络中的电力系统异常短期负荷数据辨识与修正方法应用,然后分别进行前向自组织灰色插值法和后向自组织灰色插值法对缺失点短期负荷进行预测,来优化两种预测的最优组合来确定最终的填补值;在填补短期负荷缺失点的同时,也对短期负荷序列中的异常值使用自组织灰色插值方法进行了辨识及修正。
关键词:电力系统; 短期负荷预测; 预测方法; 实际应用随着计算机应用技术与电力系统短期负荷预测快速发展,在自组织灰色神经网络的非线性动力学性质,主要采用动力学系统理论来分析电力系统短期负荷预测自组织灰色神经网络的演化过程和吸引子的性质,促进自组织灰色神经网络的协同行为和集体计算功能和电力系统短期负荷预测以及电力系统发电计划的重要组成部分,也是电力系统经济运行的基础管理。
促进国家电网运行的安全性、稳定性及经济性,优化电能质量控制及准确的优化电力系统短期负荷预测效果。
因此,在电力系统短期负荷预测的关键是提高定位精确度。
在当前电力发展迅速和供应紧张的情况下,合理优化电力系统短期负荷预测也是我国实现电力市场的必备条件,具有重要的自组织灰色神经网络中的实用价值。
1 大规模电力系统短期负荷预测原理研究短期负荷预测包括两方面的含义对未来需求量的预测和未来用电量的预测。
电力需求量的预测决定发电、输电、配电系统新增容量的大小;电能预测决定发电设备的类型。
短期负荷预测的目的就是提供短期负荷发展状况及水平,同时确定各供电区、各规划年供用电量、供用电最大短期负荷和规划地区总的短期负荷发展水平,确定各规划年用电短期负荷构成不同的预测目的,短期负荷预测可分为超短期、短期和中长期的预测。
一般说来,一小时以内的短期负荷预测为超短期负荷预测,用于安全监视、预防性控制和紧急状态处理;日短期负荷和周短期负荷预测为短期负荷预测,分别用于安排日调度计划和周调度计划和月至年的短期负荷预测为中期短期负荷预测,主要确定电网的运行方式和设备大修计划。
人工神经网络在预测模型中的应用研究人工神经网络是由神经元组成的计算模型，可以通过学习和训练，模拟人类大脑的工作原理。
它是一种重要的机器学习方法，已经广泛应用于预测模型中。
本文将重点探讨人工神经网络在预测模型中的应用研究。
一、人工神经网络的基本原理人工神经网络模拟生物神经系统的处理过程，将输入信息通过许多神经元的处理，产生输出结果。
一个人工神经网络通常由三部分组成：输入层、中间层和输出层。
输入层接收输入数据，中间层处理数据并进行特征提取，输出层产生预测结果。
人工神经网络的学习过程通常需要两个阶段：训练和测试。
在训练阶段，神经网络通过反向传播算法更新各层之间的权重和偏置值，以减小预测误差。
在测试阶段，用未知的数据集来测试训练好的神经网络，评估其预测准确性。
二、人工神经网络在预测模型中的应用1. 股票价格预测基于历史数据，人工神经网络可以预测股票价格的走势，帮助投资者做出更好的决策。
使用多层感知器（MLP）模型在多个金融市场的实验结果表明，人工神经网络在股票价格预测方面具有较好的准确性。
2. 气候变化预测气候变化预测是基于历史气象数据和气候模型进行的。
人工神经网络可以帮助建立气候模型，预测未来气温、降雨量等气象变化趋势。
在气候变化预测领域，使用递归神经网络（RNN）模型和长短时记忆神经网络（LSTM）模型进行研究，取得了良好的结果。
3. 产品销售预测通过人工神经网络对历史销售数据进行分析，可以预测未来销售情况。
这种预测可以帮助企业制定正确的生产计划，并优化其供应链，从而节约成本。
在销售预测领域，使用循环神经网络（RNN）模型和卷积神经网络（CNN）模型也获得了不错的预测效果。
4. 肺癌患者生存期预测人工神经网络可以结合医学数据，预测肺癌患者的生存期。
使用灰色神经网络（GMNN）模型可以对肺癌患者进行生存预测，从而为医生制定更好的治疗计划提供参考。
三、人工神经网络的局限性尽管人工神经网络在许多预测模型中表现出了良好的预测能力，但是它也存在一些局限性。
2012年第·6期太原城市职业技术学院学报Journal of TaiYuan Urban Vocational college期总第131期Jun2012[摘要]预测主要是根据事物发展过程的已有轨迹，综合其各方面的信息，运用定性和定量的分析方法，合理发现事物发展的一些客观规律，并能对事物未来发展的可能途径以及结果作出合理及相似性假设。
传统的GM（1.1）模型被提出解决贫信息和小样本事件的预测，广泛应用于各种研究领域并取得了一些良好的预测精度，但有时候在处理实际问题时往往会因为公式本身的参数不变产生较大的误差。
论文对灰色GM（1，1）预测模型公式本身存在的缺陷进行了分析，并改进了灰色预测模型，对于改进传统的灰色预测模型有很好的指导作用。
[关键词]灰色系统；GM（1.1）；灰色预测；预测；预测模型[中图分类号]TP[文献标识码]A[文章编号]1673-0046（2012）6-0166-02一种改进的灰色预测模型分析王波(山西大学,山西太原030006)作为灰色系统理论的核心灰色预测法，是一种对含有不确定因素的系统进行分析、建模，从而达到预测的方法。
它首先通过分析系统因素之间的关联程度，对原始数据进行处理生成有较强规律性的数据序列，然后建立相应的微分方程模型，最后进行预测。
由于灰色预测具有要求样本数据少、原理简单、运算方便、短期预测精度高、可检验等优点，因而得到了广泛的应用，并取得了令人满意的效果。
一、预测的概念和分类预测，简而言之就是提前推测或测定，对未来发生的事情做出有效的估计，是对尚未发生事物通过理性或非理性的方法进行估计分析，推测出此事物未来的发展趋势，其目的是为了减少人们在生活中由于各种不确定性而导致错误的决策，从而协助人们选择最合适的下一步方案。
其预测的原理大体是从过去和现在已知的确切情况出发，利用一定的方法技术探测或者模拟未知的过程和结果。
根据多年来人们的研究发现，事物的发展和变化大多数遵循以下几条原则：（1）连贯性原则：一般事物发展都有自己的规律和运行轨迹，如果没有受到突发事件的干扰，其发展规律基本不变，会呈现一种持续性。
武汉理工大学硕士学位论文灰色神经网络预测模型的优化研究姓名：李小燕申请学位级别：硕士专业：计算机软件与理论指导教师：袁景凌20090501摘要针对小样本数据的髂息处理，灰色神经网络模燮的建立与应用越广泛领域与行业需要的。虽然享串经网络与获包系统理论在信息处理方蕊已有了较为广泛的应用，键实际的数据处理效栗并不理想。当然，将这两种方法敲合建立获色神经网络能弥补单～使用这两种模型的不足，达到良好的数撼处理和预测效果。灰色神经麓络建模蕊摹，焉舞果憩砖学习算法及蒸模型蕊结翰窝卷麓遂行德纯，就可以使其能达到更好的效果。同前，融有不少学者对灰色神经网络进行优化萋翼究并驳褥一定成果。进行撬化瓣荻色神经瓣络摸型哥怼不确定蕊怠避ｚ亍处理以及提高各技术数据的预测精度，已成为～个很重要的课磁。本文首先对小样本数据豹特点进行了磺究，然麟详细分檄了小样本数据颞测酹复杂性和特殊性，提出了将漪沿酶智麓方法——灰色预测方法和神经霹绦技术相结合的思想。褰对灰色系统理论释耱经蘸络，茏其楚ＲＢＦ鼹络送行深入磷究鲶基蘧上，建立了灰色ＧＭ（０，Ｎ）与ＲＢＦ神缝阚络相结合的ＳＧＲＢＦ静态预测模型，此模型鬟嚣获毽ＧＭ（０，Ｎ）模型专门饕对“小样本静静蒋性汉及ＲＢＦ爨络赛好翁霉｝线性函数满近能力，和不易陷入局部掇优解的特点来聪好的解决问题。还建立了～静最饿霹始条件靛薪豫代滗ＧＭ（Ｉ，ｌ≥动态模型，并在ｊ避基础上建立～个更实爆、预测精凌更高的ＤＧＲＢＦ动态预测模型，此模型熊对小样本数据进行长麓动态的精确预测。针对灰色系统结合ＲＢＦ静经潴络醚算法存在髑韶最谎耩收敛溉等溺莲，孳｝入遗传算法来辅助优化灰色神经网络预测模型。本文利用麒有的较强全局搜索毙力，虽收敛遮凄涣嚣遗赣算法对ＧＭ（Ｉ，１）模型参数名进行麓藏隶簿，然器融合ＲＢＦ神经网络和改进的灰色ＧＭ（Ｉ，１）模型，构成两种不同结构的基予遗传算法的毅色ＲＢＦ预测模型，一转是灰色ＲＢＦ於偿颈测模型ＧＡ－ＧＲＪ３Ｆ，舅～静是灰色嵌入裂ＧＲＢＦ模型。以某智能监控系统采集的风响应时程数据进行仿真分析，结果袭骥经过遗传算法优化豹ＧＲＢＦ模型都要优于单一的ＧＲＢＦ模型，势且ＧＡ—ＧＲＢＦ模型建模蓠荤，预测精度高，实用性强。
关键谪：小样本数据，基于遗传葬法蘸荻色ＲＢＦ预溅模型，优化，残差誊｝髅ＡｂｓｔｒａｃｔＧｒａｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｈａｓｂｅｅｎａｒｅｌａｔｉｖｅｌｙｗｉｄｅｒａｎｇｅｏｆａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｔｈｅｉｎｄｕｓｔｒｙｎｅｅｄｓｆｏｒｓｍａｌｌｓａｍｐｌｅｏｆｄａｔａｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ．Ａｌｔｈｏｕｇｈ
ｔｈｅ
ｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｇｒａｙｓｙｓｔｅｍｔｈｅｏｒｙａｒｅａｐｐｌｉｅｄｗｉｄｅｌｙｉｎｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇ，
ｔｈｅｒｅｓｕｌｔｓｏｆｐｒｅｄｉｃｔｉｏｎｄａｔａａｒｅｕｎｓａｔｉｓｆａｃｔｏｒｙ．Ｏｆｃｏｔｌｒｓｅ，ｅｓｔａｂｌｉｓｈｅｄｇｒａｙｎｅｕｒａｌ
ｎｅｔｗｏｒｋｍｏｄｅｌｓｏｆｔｈｅｉｎｔｅｇｒａｔｉｏｎｏｆｔｈｅｓｅｔｗｏｍｅｔｈｏｄｓｈａｖｅｇｏｏｄｄａｔａｐｒｏｃｅｓｓｉｎｇ
ａｎｄｐｒｅｄｉｃｔｉｏｎ，ａｎｄｉｔｃａｒｔｍａｋｅｕｐｔｈｅｌａｃｋｏｆｏｎｌｙｕｓｉｎｇａｎｙｏｎｅｏｆｔｈｅｍ．Ｇｒａｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｉｓｓｉｍｐｌｅ，ｉｆｔｏｏｐｔｉｍｉｚｅｔｈｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍａｎｄｔｈｅｍｏｄｅｌｓｔｒｕｃｔｕｒｅａｎｄｐｅｒｆｏｒｍａｎｃｅ，ｗｅａｒｅａｂｌｅｔｏａｃｈｉｅｖｅｂｅａｅｒｒｅｓｕｌｔｓ。Ａｔｐｒｅｓｅｎｔ，ｍａｎｙ
ｓｃｈｏｌａｒｓｄｏｃｏｎｓｉｄｅｒａｂｌｅｒｅｓｅａｒｃｈｅｓａｂｏｕｔｏｐｔｉｍｉｚｉｎｇ舻ａｙｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｍａｄｅ
ｏｕｔｓｏｍｅａｃｈｉｅｖｅｍｅｎｔｓ，Ｏｐｔｉｍｉｚｅｄ
ｇｒａｙｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌＣａｎｄｅａｌｗｉｔｈ
ｕｎｃｅｒｔａｉｎｉｎｆｏｒｍａｔｉｏｎａｎｄｔｅｃｈｎｉｃａｌｄａｔａｔｏｉｍｐｒｏｖｅｆｏｒｅｃａｓｔａｃｃｕｒａｃｙ，ｉｔｈａｓｂｅｃｏｍｅａｖｅｒｙｉｍｐｏｒｔａｎｔｔｏｐｉｃ。
Ａｔｆｉｒｓｔ，ｔｈｅｐａｐｅｒｓｔａｔｅｓｔｈｅｃｈａｒａｃｔｅｒｓｏｆｓｍａｌｌｓａｍｐｌｅｄａｔａ，ａｎｄｔｈｅｎａｎａｌｙｚｅｓｔｈｅｃｏｍｐｌｅｘｉｔｙａｎｄｔｈｅｐａｒｔｉｃｕｌａｒｉｔｙｏｆｅｓｔｉｍａｔｉｎｇｓｍａｌｌｓａｍｐｌｅｓ，ｔｗｏ
ｍｅｔｈｏｄｓ
ａｒｅ
ｐｒｏｐｏｓｅｄｂｙｃｏｍｐａｒｉｓｏｎａｎｄｖａｌｉｄａｔｅ，ａｎｄｔｈｅｔｈｉｎｋｉｎｇ，ｗｈｉｃｈａｒｅｂａｓｅｄｏｎ琴够
ｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌａｎｄｎｅｕｒａｌｎｅｔｗｏｒｋｔｅｃｈｎｏｌｏｇｙ，ｉｓａｄｏｐｔｅｄ．Ｉｎｔｈｅｐａｐｅｒ，ａＳＧＲＢＦｓｔａｔｉｃｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄｏｎｔｈｅｂａｓｉｓｏｆＲＢＦ（Ｒａｄｉａｌ
ＢａｓｉｓＦｕｎｃｔｉｏｎ）ａｎｄ
Ｇｒｅｙ
Ｍｏｄｅｌ（Ｏ，Ｎ）．ＴｈｅｍｏｄｅｌＣａｎｄｅａｌｗｉｔｈｔｈｅｐｒｅｄｉｃｔｉｏｎ
ｐｒｏｂｌｅｍｖｅｒｙｗｅｌｌ，ｂｅｃａｕｓｅｉｔｍａｋｅｓｕｓｅｏｆｔｈｅＲＢＦ＇ｓｇｏｏｄａｂｉｌｉｔｙｏｆｉｎａｐｐｒｏａｃｈｉｎｇ
ｎｏｎｌｉｎｅａｒｆｕｎｃｔｉｏｎ，ａｎｄｔｈｅａｃｃｕｒａｃｙｏｆＧｒｅｙ
Ｍｏｄｅｌ（Ｏ，Ｎ）ｉｎ
ｍａｋｉｎｇａｐｒｅｄｉｃｔｉｏｎｏｆ
ｓｍａｌｌｓａｍｐｌｅｄａｔａ＋ＡＤＧＲＢＦｄｙｎａｍｉｃｍｏｄｅｌｉｓａｌｓｏｅｓｔａｂｌｉｓｈｅｄｉｎｔｈｅ
ｐａｐｅＬ
ｗｈｉｃｈ
ｃａｎｓｅｌｅｃｔｔｈｅｂｅｓｔｉｎｉｔｉａｌｉｚａｔｉｏｎｃｏｎｄｉｔｉｏｎｓａｎｄｄｙｎａｍｉｃ
ｉｄｅｎｔｉ掰ｎｇｐａｒａｍｅｔｅｒｓａｎｄｉｓ
ｆｉｔｆｏｒｄｙｎａｍｉｃａｎｄｌｏｎｇ—ｔｅｒｍｄａｔａｐｒｅｄｉｃｔｉｏｎ。
ＷｈｅｎｃｏｍｂｉｎｉｎｇｇｒｅｙｓｙｓｔｅｍｗｉｔｈＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋｌｏｃａｌｏｐｔｉｍｉｚａｔｉｏｎａｎｄ
ｃｏｎｖｅｒｇｅｎｃｅｐｒｏｂｌｅｍｓａｒｅｓｔｉｌｌｅｘｉｓｔｅｄ，ＳＯｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｉｎｔｒｏｄｕｃｅｄｔｏａｓｓｉｓｔｔｈｅｍｏｄｅｌｉｎｇｏｆｇｒｅｙｎｅｕｒａｌｎｅｔｗｏｒｋｉｎｔｈｉｓｐａｐｅｒ．Ｆｉｒｓｔｌｙｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｉｓｅｍｐｌｏｙｅｄ
ｔｏｓｏｌｖｅｔｈｅｐａｒａｍｅｔｅｒｓｏｆｉｍｐｒｏｖｅｄＧＭ（１，１）ｗｉｔｈＬａｇｒａｎｇｅ＇ｓＭｅａｎＶａｌｕｅＴｈｅｏｒｅｍ，ｔｗｏｎｅｗｄｙｎａｍｉｃｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｓｉｎｔｅｇｒａｔｉｎｇｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄｇｒｅｙＲＢＦ，ｏｎｅ
ｉｓａｇｒｅｙＲＢＦｃｏｍｐｅｎｓａｔｉｏｎｐｒｅｄｉｃｔｉｏｎ
ＧＡ—ＧＲＢＦｍｏｄｅｌ，ｔｈｅ
ｏｔｈｅｒｉｓｉｎｌａｉｄｇｒｅｙ
ｌｌｎｅｕｌ．ａ１ｎｅｔｗｏｒｋＧＲＢＦｍｏｄｅｌ．Ｔｈｅｎｅｗｍｏｄｅｌｓｗｉｔｈｐｒｅｆｅｒａｂｌｅｓｔｒｕｃｔｕｒｅａｎｄｐａｒａｍｅｔｅｒｓａｒｅａｐｐｌｉｅｄ
ｔｏ
ｓｉｍｕｌａｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｔｉｍｅ—ｄｉｓｐｌａｃｅｍｅｎｔｄａｔａｏｆｗｉｎｄ
ｒｅｓｐｏｎｓｅ。Ｔｈｅｃｏｍｐａｒａｔｉｖｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｉｓｍｏｄｅｌｉｓｃａｐａｂｌｅ
ｏｆ
ｐｒｅｄｉｃｔｉｎｇａｓｍａｌｌｓａｍｐｌｅｏｆｄａｔａａｃｃｕｒａｔｅｌｙ，ｅａｓｉｌｙａｎｄｃｏｎｖｅｎｉｅｎｔｌｙ．
Ｋｅｙｗｏｒｄｓ：ＳｍａｌｌＳａｍｐｌｅＤａｔａ，ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｂａｓｅｄｇｒｅｙ
ＲＢＦｐｒｅｄｉｃｔｉｏｎ
ｍｏｄｅｌ，ｏｐｔｉｍｉｚａｔｉｏｎ，ｅｒｒｏｒｓｃｏｍｐｅｎｓａｔｉｏｎ独创性声明本人声明，所呈交的论文是本人在导师指导下进行鲍研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其缝入已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育机构的学垃或证书面使用过的材料，与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说骐并表示了谢意。
学位论文使用授权书本人完全了解武汉理工大学有关罴窘、使用学位论文的规定，薹墨：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权武汉理工大学可以将本学应论文的全部内容缡入有关数据隼进行检索，可以采用影印、缩印或其他复制手段保存或汇编本学位论文。同时授权经武汉理工大学认可的国家有关机构或论文数据库使用或收录本学位论文，并向社会公众提供信息服务。（保密的论文在解密后应遵守此规定）
研究生乞签名）：签渗导师《：签名）：重孙旨期≯穸。ｆ沙
