基于bp神经网络短期负荷预测毕业论文(编辑修改稿)

基于bp神经网络短期负荷预测毕业论文(编辑修改稿)内容摘要：

文） 6 负荷历史资料进行分析，电力系统的负荷在本质上来说是不可控制的，虽然一些小的变化可以用频率控制来加以影响；或者在某些情况下在局部地区采用某种特殊的电价政策来对负荷施加影响，然而，总的来说，负荷是不可控制的。 因此，了解未来短期内负荷变化的一个最有效的方法，就是观察历史负荷记录并进行分析，负荷的另一个特征就是它具有按天，按周以及按季节周期性变化的特点 [8]。 要进行负荷观测，就要寻求行之有效的预测方法，不论采取什么方法，其基本原则是 [9]： (1)选择要预测的变量、预测水平及待预测的时间。 (2) 收集与分析预测所必须的历史资料。 (3) 决定预测可靠性指标。 (4)确定一个适当的数学模型。 ． (5)进行各项负荷预测。 (6) 分析预测结果并改进模型。 负荷预测的模型 由短期负荷的特点所知，短期负荷的基本变化规律可由典型负荷分量的特性来描述，同时还有一些随机变化分量，在本文中未考虑比如气候这类随机变化分量。 本文只充分考虑了负荷预测的周期性，也利用旧的历史负荷数据。 按正常情况来讲，应该对特殊分量值进行修正处理，还要把模型分类， 分成节假日负荷和工作日负荷两种类型，如果有季节性变化，还要把模型按季节划分，分为春季、夏季、秋季、冬季这四种模型。 所以，为了使预测数据更加精确，在预测模型中我们需要添加越多的影响因素分量，神经网络收敛精度越高。 人工神经网络中，需再加入人工修正量，方便在电力系统这个大环境下使用定量分析。 负荷预测的步骤 预测负荷前，都要对历史负荷进行分析总结，完成对未来负荷的预测。 从中我们可以看出 [10]： 电力负荷之间的时间距离越近关系越密切，即相似度越大，所以当负荷预测点距离历史数据较远时，预测值的误差相 对较大；而预测点距离历史负荷数据较近时则误差相对较小。 所以当我们选择历史数据点的时候，尽量选择离预测点近的数据。 确定预测对象之后，需要广阔历史资料，包括前段的历史天气资料和历史负荷资料并将其分类，分析，挑选出相关的历史记录作为待用。 要保证数据的连续性和正确性。 当历史负荷数据挑选完之后，把不良数据和伪数据消除掉，填补缺失数据。 接着建立电力负荷变化模型和负荷预测模型。 模型建电力系统整点负荷预测研究 7 立过程中，需要进行模型辨识和参数估计。 电力负荷其预测值与实际值一定有出入，即预测误差，并且这是不可避免的。 目前广泛应用的计算、分析预测误差的方法有平均绝对误差、均方误差、 均 方根误差、标准误差等 [11]。 具体预测流程图如下： Y N 本章小结 本章我们学习到负荷预测在电力系统中的重要性，尤其是短期负荷预测，了解到了负荷预测的方法，以及负荷预测的基本步骤，在后面进行具体操作的时候要一步一步按照步骤来做。 校正与改进模型 收集历史负荷数据 负荷数据的分析与选取 负荷数据的预处理 建立负荷预测模型 模型辨识与参数估计 负荷数据预测 负荷预测预测误差分析 输出预测负荷值 福州大学本科生毕业设计（ 论文） 8 第 3章 BP 神经网络原理 神经网络是实际存在于人的大脑里，简称生物神经网络，而我们把向生物学习，用来模仿人脑神经活动，建立神经活动数学模型所构造出 来的神经网络称为人工神经网络。 人工神经网络是基于对人脑的组织结构，活动机制的初步认识提出的一种新型信息处理体系。 通过模仿脑神经系统的组织结构以及某些活动机理，人工神经网络可呈现出人脑的许多特征，并具有人脑的一些基本功能 [12]。 人工神经网络在上个世纪 40年代被提出，至今已经有 90 多年的历史，在这段时间，这种方法广泛地被应用到各个领域，比如可以预测电力系统的短期负荷，可以探测地下水，可以检查肝病等广泛的应用。 本文用的是它的非线性逼近能力，然而这种任意逼近能力的证明都是非构造性的，这为神经网络具体应用带来不便， 因而许多学者都致力于各种神经网络学习算法的研究，以便得到满足实际应用的神经网络拓扑结构和参数 [13]。 神经网络的特性 神经网络和传统技术比起来，有以下明显的特点： （ 1） 非线性。 在理论上可以逼近任何非线性映射。 非线性结构的系统可以用它来建模、预测。 短期负荷预测就是利用其这个性能进行预测。 （ 2） 平行分布处理。 本身有高度平行结构。 （ 3） 硬件实现。 （ 4） 学习和自适应性。 通过用实际的数据建模，对网络进行训练，使输出达到期望值。 （ 5） 数据融合。 （ 6） 多变量系统。 可以实现多输入多输出。 由此看来，在非线性问题上和模式识别和 系统仿真上是有其独特优势的，这类问题都可以转化到用神经网络来处理。 人工神经元模型 类似生物神经元，人工神经网络也是由一个个人工神经元组成的。 由图可知，人工神经元是多输出单输入的非线性元件。 其输入输出关系为： 电力系统整点负荷预测研究 9 1 jnj jxwI  { )(Ify 其中 jx (j =1， 2,...,n)是从其他细胞传来的输入信号，  为阈值，权系数 jw 表示连接强度，说明突触的负载， )(xf 称为激发函数或作用函数，其非线特性可用阈值型、分段线性型和连续型激发函数近似 [14]。 神经网络 BP算法 BP 算法基本思想是最小二乘学习算法，它的算法过程是沿着梯度下降方向不断修改权值阈值 ，直到达到设定的误差的最小值。 网络学习过程是误差反向传播回上一层修改其权值，直到其达到收敛之后。 BP 网络结构 BP 网络是典型的无反馈前向网络，三层的 BP 网络可以达到一般非线性函数逼近的问题。 三层分别是输入层、输出层、隐含层，隐藏层可以是一层或者多层，在负荷预测中，隐含层用一层比较好。 激 发函数一般选择 Sigmoid 函数或双曲函数。 设三层 BP 网络，输入层 M 个节点，输出层 L 个节点，隐层有 N 个节点。 则 NML。 输入为 my ，期望输出为 py。 结构图如图 31 所示 1x i j k 2x 1py ..... .... .... 1my nx 图 31 三层 BP 网络结构图 福州大学本科生毕业设计（ 论文） 10 BP 网络的算法 设网络有三层，第三层尽含输出接点，网络输出为 y ，有 N 个输入 kx（ k =1,2,3， ...,N），网络输出 ky 亦然。 设第二层神经元个数为 N1，第二层第 i个神经元输出变量用 2iko 来表示，由第二层第到第三层第 j 个神经元的权系数用3ijw 来表示，第 2 层第 i 个神经元的输出变量用 2ik 来表示。 则有 2^k1 )y(21Nk kyE （ 31） k^y 为网络的实际输出值。 令 2^ )y(21kkk yE  （ 32） )1(1)2(2 1 jkNj ijik ow  22 ikkik E 其中： )( )1(1 jkjk fo  （ 33） )1(2)1(( 2 )( 2 )( 2 )( 2 )( 2 ) jkikjkikkij ikikkij k oone tEwne tne tEwE     通过改进的 BP 算法收敛精度更高，网络容错能力更强，算法也更加完备。 具体算法步骤如下： （ 1） 对数据进行归一化处理，并随机赋给所有的权值和神经元的阈 值较小值。 （ 2） 给定输入 kX 和 kY ，并正向迭代计算。 （ 3） 通过迭代，计算出实际输出 k^y。 （ 4） 反向修正权值。 改进后的修正量为 )()1( ( 2 )( 2 )( 2 ) twdwEtw ijijkij   （ 34） （ 5） 是增益项，  是矩参数，一般是 到 ，当训练结果达到误差精度的要求后，停止训练，如果达不到，回到（ 2）。 电力系统整点负荷预测研究 11 BP 网络的缺点和改进方法 BP 网络逼近非线性函数效果很好，还有自适应和学习能力，使我们在处理数据的时候方便了好多。 但 BP 网络毕竟不是完美的，它还有几个缺点。 第一个缺点就是收敛速度慢。 对于处理大量数据的时候，矩阵也会比较庞大，用 BP 算法需要学习循环几千次甚至上万次才会收敛，这是它本身固有的一个缺点，因为它只有局部搜索能力，容易落入局部极小点。 第二个缺点是网络容错能力不够。 再追求误差到最小的同时没有考虑网络其他因素，受到干扰便会产生震荡。 在改进收敛速度慢有许多种方法，这里介绍两个最常用的方法。 第一个是附加冲量法，这种方法是在每个加权调节量上加上一项正比于前次加权变化量的值，可以明显加快收敛速度。 第二个是采用动态步长。 就是改变学习速率，开始时学习速率取大值，收敛会变快，但这个值不应该比引起系统震荡的最大学习速率大，如果发现系统震荡，再 减小。 本章小结 基于 BP 理论基础，将本章的知识实践的应用于负荷预测，清楚地了解到BP 算法的原理以及其优缺点，在进行负荷预测的时候扬长避短，遇到问题的时候懂得是那一方面出了问题。 福州大学本科生毕业设计（ 论文） 12 第 4章 整点负荷预测设计及其实现 模型的设计及参数设定 模型的设计 首先建立一个三层的 BP 网络，隐含层只有一层。 因为多隐含层会延长训练的时间，隐层的激发函数选取正切双曲函数，输出层的激发函数采用纯线性函数。 隐层节点数目不能 太少，如果太少，会影响训练的的精度，也不能太多，太多会延长训练时间。 隐层节点的确定一般按照下面三个公式的要求来确定： anm  1 （ 41） nm 2log （ 42） nlm （ 43） m 为隐层节点数目， l 为输出层节点数目， n 是输入层节点数目， a 是 1 到 10 的整数。 实际训练的时候，按照从小到大的顺序逐个代入程序进行试验，选出最合适的值。 输入节点的个数就是输入神经元训练网络的个数，尽可能多的考虑其他影响因素作为输入量，由于本文没有考虑气候等其他原因，所以输入变量只有历史的整点负荷数据。 输出节点就是经过训练后期望的输出，就是要预测的那几天的整点负荷数据，是一个多输出变量。 建立网络通过 newff来实现，这个函数将建立起已经设定好参数的满足要求的网络结构。 初始化由函数 init 来确定，在确定网络结构的 同时，这个函数会将连接网络的权值阈值随机赋值，所以每次训练网络的输出值都不一样。 训练网络由 train 函数来确定，它会对输入矩阵和期望输出矩阵和设定好的参数比如训练次数、学习速率、最小误差精度等来进行训练，直到达到精度为止。 仿真输出由函数 sim来执行，他将根据上述训练的网络进行数据处理及计算。 由于 BP 算法只能处理归一化的数据，所以在进行负荷预测的时候，要将历史负荷数据进行归一化处理，去掉那些非法的数据，这些数据有明显的误差，不符合实际情况，会影响到网络的训练精度和数据处理。 得到输出预测结果之后，再将 输出结果进行反归一化处理，得到确切的预测负荷数值。 电力系统整点负荷预测研究 13 参数的设定 学习速率影响着网络收敛程度的大小和速度，它影响着每一次训练权值的变化，学习速率越大，修正值越大，可能导致系统震荡，网络不收敛，而学习速率小的时候，系统收敛变慢，训练次数增加，很容易陷入局部极小。 所以学习速率要从大往按照经验小逐个实验，发现系统震荡就往小取，发现收敛速度变慢就往大取。 一般取值范围在 到 之间。 训练次数的选取要看网络样本的大小，样本越大，需要的次数就越多，样本越小，次数就越少。 但如果把训练 次数设定的很大，收敛会变慢，有时候会达到设定的最大次数才会收敛。 如果训练次数少，很可能因为训练次数不够而达不到收敛。 期望的误差精度选取要根据系统。