第3章 神经网络故障诊断与预测(2)

1、(1) 产生数据样本集产生数据样本集 (2) 确定网络的类型和结构确定网络的类型和结构 (3) 训练和测试训练和测试 3.2.3 神经网络的训练神经网络的训练 (1) 产生数据样本集产生数据样本集 这里包括原始数据的收集、数据分析、变量选择以这里包括原始数据的收集、数据分析、变量选择以 及数据的预处理。及数据的预处理。 首先要在大量的原始测量数据中首先要在大量的原始测量数据中确定出最主要的输确定出最主要的输 入模式。这就需要对原始数据进行统计分析，检验它入模式。这就需要对原始数据进行统计分析，检验它们们 之间的相关性。找出其中之间的相关性。找出其中最主要的量作为输入。最主要的量作为输入。 在确

2、定了最重要的输入量后，需进行在确定了最重要的输入量后，需进行尺度变换尺度变换和预和预 处理。尺度变换常常将它们变换到处理。尺度变换常常将它们变换到 -1, 1或或0, 1 的范围。的范围。 在进行尺度变换前必须先检查是否存在异常点（或称在进行尺度变换前必须先检查是否存在异常点（或称野野 点点），这些点必须剔除。），这些点必须剔除。 对于一个复杂问题应该对于一个复杂问题应该选择多少数据选择多少数据，这也是一个，这也是一个 很关键的问题。系统的输入输出关系就包含在这些数据很关键的问题。系统的输入输出关系就包含在这些数据 样本中。所以一般说来，取的数据越多，学习和训练的样本中。所以一般说来，取的数据

3、越多，学习和训练的 结果便越能正确反映输入输出关系。结果便越能正确反映输入输出关系。 (1) 产生数据样本集产生数据样本集 但是但是选太多选太多的数据将增加收集、分析数据以及网络训的数据将增加收集、分析数据以及网络训 练的所付的代价。练的所付的代价。选太少选太少的数据则可能得不到正确的结果。的数据则可能得不到正确的结果。 事实上数据的多少取决于许多因素，如网络的大小、事实上数据的多少取决于许多因素，如网络的大小、 网络测试的需要以及输入输出的分布等。其中网络大小最网络测试的需要以及输入输出的分布等。其中网络大小最 关键。关键。通常较大的网络需要较多的训练数据。通常较大的网络需要较多的训练数据。

4、 一个经验规则是：训练模式应是连接权总数的一个经验规则是：训练模式应是连接权总数的5至至10 倍。倍。 (1) 产生数据样本集产生数据样本集 在神经网络训练完成后，需要有另外的测试数据来对在神经网络训练完成后，需要有另外的测试数据来对 网络加以检验，测试数据应是独立的数据集合。网络加以检验，测试数据应是独立的数据集合。 最简单的方法是：最简单的方法是：将收集到的可用数据随机地分成两将收集到的可用数据随机地分成两 部分，譬如说其中三分之二用于网络的训练，另外三分之部分，譬如说其中三分之二用于网络的训练，另外三分之 一用于将来的测试，随机选取的目的是为了尽量减小这两一用于将来的测试，随机选取的目的

5、是为了尽量减小这两 部分数据的相关性。部分数据的相关性。 影响数据大小的另一个因素是影响数据大小的另一个因素是输入模式和输出结果的输入模式和输出结果的 分布，对数据预先加以分类可以减少所需的数据量。相反，分布，对数据预先加以分类可以减少所需的数据量。相反， 数据稀薄不匀甚至互相覆盖则势必要增加数据量。数据稀薄不匀甚至互相覆盖则势必要增加数据量。 (1) 产生数据样本集产生数据样本集 (2) 确定网络的类型和结构确定网络的类型和结构 在训练神经网络之前，首先要确定所选的在训练神经网络之前，首先要确定所选的网络类型网络类型。 若主要用于模式分类，尤其是若主要用于模式分类，尤其是线性可分线性可分的情

6、况，则可的情况，则可 采用较为简单的感知器网络；采用较为简单的感知器网络； 若主要用于若主要用于函数估计函数估计，则可应用，则可应用BP网络。网络。 实际上，神经网络的类型很多，需根据问题的性质和实际上，神经网络的类型很多，需根据问题的性质和 任务的要求来合适地选择网络类型。一般是从已有的网络任务的要求来合适地选择网络类型。一般是从已有的网络 类型中选用一种比较简单而又能满足要求的网络。类型中选用一种比较简单而又能满足要求的网络。 在网络的类型确定后，剩下的问题是选择在网络的类型确定后，剩下的问题是选择网络网络 的结构和参数的结构和参数。 以以BP网络为例，需选择网络的层数、每层的节网络为例，

7、需选择网络的层数、每层的节 点数、初始权值、阈值、学习算法、节点变换函数点数、初始权值、阈值、学习算法、节点变换函数 及参数、学习率及动量项因子等参数。这里有些项及参数、学习率及动量项因子等参数。这里有些项 的选择的选择有一些指导原则，有一些指导原则，但更多的是靠经验和试凑。但更多的是靠经验和试凑。 (2) 确定网络的类型和结构确定网络的类型和结构 具体选择有如下两种方法：具体选择有如下两种方法： a. 先设置较少先设置较少节点节点，对网络进行训练，并测试网络的，对网络进行训练，并测试网络的 逼近误差，然后逐渐增加逼近误差，然后逐渐增加节点节点数，直到测试的误差不再数，直到测试的误差不再 有明

8、显减小为止。有明显减小为止。 若确定了输入和输出变量后，网络输入层和输出层若确定了输入和输出变量后，网络输入层和输出层 的节点个数也便随之确定了。对于的节点个数也便随之确定了。对于隐层的层数隐层的层数可首先考可首先考 虑只选择一个隐层。剩下的问题是如何选择隐层的节点虑只选择一个隐层。剩下的问题是如何选择隐层的节点 数。数。其选择原则是：其选择原则是：在能正确反映输入输出关系的基础在能正确反映输入输出关系的基础 上，尽量选取较少的隐层节点数，而使网络尽量简单。上，尽量选取较少的隐层节点数，而使网络尽量简单。 (2) 确定网络的类型和结构确定网络的类型和结构 b. 先设置较多的节点，在对网络进行训

9、练时，采用先设置较多的节点，在对网络进行训练时，采用 如下的误差代价函数如下的误差代价函数 jiq q ij Q q n i n j q ij Q pi P p n i pif wE wxdE qqQ , )( 111 )(2)( 11 )( 2 1 1 引入第二项的作用相当于引入一个引入第二项的作用相当于引入一个“遗忘遗忘”项，项， 其目的是为了其目的是为了使训练后的连接权系数尽量小使训练后的连接权系数尽量小，可求得，可求得 这时这时 对对 的梯度为的梯度为 f E )(q ij w )(sgn )( )()( q ij q ij q ij f w w E w E (2) 确定网络的类型和结

10、构确定网络的类型和结构 利用该梯度可求得相应的学习算法，利用该学习利用该梯度可求得相应的学习算法，利用该学习 算法，在训练过程中只有那些算法，在训练过程中只有那些确实必要的连接权才予确实必要的连接权才予 以保留以保留，而那些，而那些不很必要的连接将逐渐衰减为零不很必要的连接将逐渐衰减为零。最。最 后可去掉那些影响不大的连接权和相应的后可去掉那些影响不大的连接权和相应的节点节点，从而，从而 得到一个适当规模的网络结构。得到一个适当规模的网络结构。 若采用上述任一方法得到的隐层节点数太多。这若采用上述任一方法得到的隐层节点数太多。这 时时可考虑采用二个隐层可考虑采用二个隐层。为达到相同的映射关系，

11、采。为达到相同的映射关系，采 用二个隐层的节点总数常常可比只用一个隐层时少用二个隐层的节点总数常常可比只用一个隐层时少。 (2) 确定网络的类型和结构确定网络的类型和结构 (3) (3) 训练和测试训练和测试 在训练过程中对训练样本数据需要反复地使用。在训练过程中对训练样本数据需要反复地使用。 对所有样本数据对所有样本数据正向运行一次，并反传修改连接权一次正向运行一次，并反传修改连接权一次 称为一次训练称为一次训练( (或一次学习或一次学习) )，这样的训练需要反复地进，这样的训练需要反复地进 行下去直至获得合适的映射结果。通常训练一个网络需行下去直至获得合适的映射结果。通常训练一个网络需 要

12、成百上千次。要成百上千次。 应注意，并非训练的次数越多越好。应注意，并非训练的次数越多越好。 训练网络的目训练网络的目的的在于找出蕴含在样本数据中的输入在于找出蕴含在样本数据中的输入 和输出之间的本质联系，从而对于未经训练的输入也能和输出之间的本质联系，从而对于未经训练的输入也能 给出合适的输出，即给出合适的输出，即具备泛化功能具备泛化功能。 由于所收集的数据都是包含噪声的，训练的次数过由于所收集的数据都是包含噪声的，训练的次数过 多，网络将包含噪声的数据都记录了下来，但是对于新多，网络将包含噪声的数据都记录了下来，但是对于新 的输入数据却不能给出合适的输出，也即并不具备很好的输入数据却不能给

13、出合适的输出，也即并不具备很好 的泛化功能。的泛化功能。 (3) (3) 训练和测试训练和测试 从从如下如下误差曲线可以看误差曲线可以看 出，在用测试数据检验时，出，在用测试数据检验时， 均方误差开始逐渐减小，当均方误差开始逐渐减小，当 训练次数再增加时，测试检训练次数再增加时，测试检 验误差反而增加。误差曲线验误差反而增加。误差曲线 上极小点所对应的即为恰当上极小点所对应的即为恰当 的训练次数，若再训练即为的训练次数，若再训练即为 “过度训练过度训练”了。了。 (3) (3) 训练和测试训练和测试 BP网络在函数逼近中的应用网络在函数逼近中的应用 一、一、 问题的提出问题的提出 要求设计一要

14、求设计一个个BP网络，逼网络，逼近以下指数衰减函数：近以下指数衰减函数： 2* 2 p te 隐层采用隐层采用S型正切函数（型正切函数（tansig），输出层采），输出层采 用线性型（用线性型（purelin）。）。 程序见程序见hs.m 学习速率学习速率一般选取为一般选取为0.001-0.8之间，一般倾向于较小之间，一般倾向于较小 的学习速率，本例选的学习速率，本例选0.1； BP网络训练时间较长，易陷入拒不饱和现象，可通过网络训练时间较长，易陷入拒不饱和现象，可通过 附加动量参数进行改进，附加动量参数进行改进，动量因子动量因子一般选取为一般选取为0.95左右，通左右，通 过过Matlab工

15、具箱中的工具箱中的learnbpm函数可以添加动量因子，本函数可以添加动量因子，本 实验动量因子为实验动量因子为0.9。 （1）由训练结果显示：能完成很好的逼近功能，误差是收）由训练结果显示：能完成很好的逼近功能，误差是收 敛的。将输入步长从敛的。将输入步长从0.05变为变为0.1，可看到训练网络具体有，可看到训练网络具体有 泛化能力。泛化能力。 （2）对同一训练样本，进行再次的训练时发现训练的轮数）对同一训练样本，进行再次的训练时发现训练的轮数 差距比较大。其原因是：权值的自动选取功能。差距比较大。其原因是：权值的自动选取功能。 （3）修改隐层神经元的个数，观察函数的逼近及其训练轮）修改隐层

16、神经元的个数，观察函数的逼近及其训练轮 数数（最初隐层神经元的个数为（最初隐层神经元的个数为5）。）。 隐层神经元隐层神经元n=10时：训练需要时：训练需要498轮。轮。 隐层神经元隐层神经元n=20时：训练需要时：训练需要1521轮。轮。 隐层神经元隐层神经元 n=30时：到达最大训练轮数都没完成函数逼近。时：到达最大训练轮数都没完成函数逼近。 隐层神经元隐层神经元n=3时：训练需要时：训练需要339轮。轮。 隐层神经元隐层神经元n=2时：训练需要时：训练需要130轮。轮。 对本函数逼近来说，对本函数逼近来说， n=5时，误差曲线衰减最快，时，误差曲线衰减最快，n=5 可以说是最好的隐层的个

17、数。增加隐层的数量会进一步降可以说是最好的隐层的个数。增加隐层的数量会进一步降 低误差，但是会使网络学习的时间加长。低误差，但是会使网络学习的时间加长。 神经网络控制理论在神经网络控制理论在 基于基于BP和和Elmam 神经网络的故障诊断神经网络的故障诊断 一、神经网络用于故障诊断的优点一、神经网络用于故障诊断的优点 训练过的神经网络能存储有关过程的知识，能直接从历训练过的神经网络能存储有关过程的知识，能直接从历 史故障信息中学习。可根据对象的历史数据训练网络，然史故障信息中学习。可根据对象的历史数据训练网络，然 后将此信息与当前测量数据进行比较，后将此信息与当前测量数据进行比较，以确定故障类

18、型以确定故障类型。 神经网络具有滤除噪声及在有噪声情况下，得出正确结神经网络具有滤除噪声及在有噪声情况下，得出正确结 论的能力。可以训练神经网络来识别故障信息，使其能在论的能力。可以训练神经网络来识别故障信息，使其能在 噪声环境中有效地工作，这种噪声环境中有效地工作，这种滤除噪声的能力滤除噪声的能力，使得神经，使得神经 网络适合在线故障检测和诊断。网络适合在线故障检测和诊断。 二、基于神经网络诊断系统结构二、基于神经网络诊断系统结构 作为一种自适应模式识别技术，不需要预先给出有关模作为一种自适应模式识别技术，不需要预先给出有关模 式的经验知识和判别函数，通过自身的学习机制自动形成所式的经验知识

19、和判别函数，通过自身的学习机制自动形成所 要求的决策区域。要求的决策区域。 网络特性由其拓扑结构、神经元特性、学习和训练规则网络特性由其拓扑结构、神经元特性、学习和训练规则 所决定。可以充分利用状态信息，对来自于不同状态的信息所决定。可以充分利用状态信息，对来自于不同状态的信息 逐一进行训练而逐一进行训练而获得某种映射关系获得某种映射关系。而且网络可以连续学习，。而且网络可以连续学习， 若环境发生改变，这种映射关系还可自适应地调整。若环境发生改变，这种映射关系还可自适应地调整。 典型的神经网络模式识别功能典型的神经网络模式识别功能 诊断系统结构图诊断系统结构图 图中的神经网络的图中的神经网络的

20、诊断过程分为两步。诊断过程分为两步。 首先，基于一定数量训练样本集（通常称为首先，基于一定数量训练样本集（通常称为“征兆征兆-故故 障障”数据集数据集）对神经网络进行训练，得到期望的诊断网络；对神经网络进行训练，得到期望的诊断网络； 其次，根据当前诊断输入对系统进行诊断，诊断的过其次，根据当前诊断输入对系统进行诊断，诊断的过 程即为利用神经网络进行前向计算的过程。程即为利用神经网络进行前向计算的过程。 二、基于神经网络诊断系统结构二、基于神经网络诊断系统结构 在学习和诊断前，通常需要对诊断原始数据和训练样在学习和诊断前，通常需要对诊断原始数据和训练样 本数据进行适当的处理，包括本数据进行适当的

21、处理，包括预处理和特征选择预处理和特征选择/提取提取等，等， 目的是为诊断网络提供合适的诊断输入和训练样本。目的是为诊断网络提供合适的诊断输入和训练样本。 此外，尽管神经网络与传统故障诊断是两种不同的诊此外，尽管神经网络与传统故障诊断是两种不同的诊 断方法，但两者是紧密联系的。如采用小波分析等数据处断方法，但两者是紧密联系的。如采用小波分析等数据处 理方法，可用为神经网络诊断提供理方法，可用为神经网络诊断提供可以利用的特征向量。可以利用的特征向量。 三、基于三、基于BP网络的齿轮箱故障诊断网络的齿轮箱故障诊断 1、问题描述、问题描述 变速箱是整机进行减速增扭的部件，它受扭转和拉压两种变速箱是整

22、机进行减速增扭的部件，它受扭转和拉压两种 载荷综合作用，据统计，以齿轮为代表的变速箱故障发生率占载荷综合作用，据统计，以齿轮为代表的变速箱故障发生率占 据除发动机故障以外的其他所有故障的据除发动机故障以外的其他所有故障的59%70%。 在非拆卸状态下，传统的齿轮箱故障诊断依赖于专家经验在非拆卸状态下，传统的齿轮箱故障诊断依赖于专家经验 判断。但是，齿轮箱是一种非常复杂的传动机构，判断。但是，齿轮箱是一种非常复杂的传动机构，它的故障模它的故障模 式和特征量之间是一种非常复杂的非线性关系式和特征量之间是一种非常复杂的非线性关系，加上齿轮箱在，加上齿轮箱在 不同工况下的随机因素，专家经验并不能解决所

23、有诊断问题。不同工况下的随机因素，专家经验并不能解决所有诊断问题。 2、征兆、征兆/故障样本集的收集与设计故障样本集的收集与设计 对于特征量的选取，主要考虑它是否与故障有比较确定对于特征量的选取，主要考虑它是否与故障有比较确定 的因果关系。的因果关系。 统计表明：齿轮箱故障中有统计表明：齿轮箱故障中有60%左右都是由齿轮导致，所左右都是由齿轮导致，所 以这里只研究齿轮故障的诊断。对于齿轮的故障，这里选取了以这里只研究齿轮故障的诊断。对于齿轮的故障，这里选取了 频域中的几个特征量。频域中齿轮故障比较明显的是在啮合频频域中的几个特征量。频域中齿轮故障比较明显的是在啮合频 率处的边缘带上。率处的边缘

24、带上。 而用神经网络可有效避免这个问题。它的而用神经网络可有效避免这个问题。它的自适应、自自适应、自 学习和对非线性系统超强分析能力学习和对非线性系统超强分析能力注定它可以在齿轮箱的注定它可以在齿轮箱的 故障诊断中大显身手。故障诊断中大显身手。 3、BP网络设计网络设计 1、网络创建、网络创建 对一般模式识别，三层网络可很好地解决，用对一般模式识别，三层网络可很好地解决，用newff函数函数 创建网络。创建网络。 隐层神经元隐层神经元n2与输入层神经元与输入层神经元n1之间有如下近似关系：之间有如下近似关系： n2 =2n1+1 输入层神经元输入层神经元15个（取个（取2、4、6挡，挡，1、2

25、、3轴边频带族轴边频带族 处幅值，是一个处幅值，是一个15维向量）隐层神经元维向量）隐层神经元31，输出层神经元，输出层神经元3。 输入向量已归一化，范围输入向量已归一化，范围0, 1，隐层神经元的传递函数，隐层神经元的传递函数 用用s型正切函数型正切函数tansig，输出层神经元传递函数用，输出层神经元传递函数用s型对数函数型对数函数 logsig，这是由于输出模式为，这是由于输出模式为0-1，正好满足网络输出要求。，正好满足网络输出要求。 2、网络训练网络训练（程序见（程序见bp1.m） 训练函数：训练函数：trainlm; 训练参数：训练次数为训练参数：训练次数为1000次，训练目标次，

26、训练目标0.01，学习，学习 速率速率0.1。 输入向量输入向量P共共9组，其中前组，其中前3组为无故障，中间组为无故障，中间3组为齿组为齿 根裂纹，后根裂纹，后3组为断齿；组为断齿； 输出向量输出向量T包括包括3种故障模式：种故障模式： 无故障：（无故障：（1,0,0) 齿根裂纹：（齿根裂纹：（0,1,0) 断齿断齿:（0,0,1) 接下来通过一组实际数据对网络进行测试，看网络接下来通过一组实际数据对网络进行测试，看网络 是否可以正确诊断出齿轮的故障。如果正确诊断出故障，是否可以正确诊断出齿轮的故障。如果正确诊断出故障， 则网络可以投入使用。则网络可以投入使用。 分别在无故障、齿根裂纹和断齿

27、时进行测量，得到分别在无故障、齿根裂纹和断齿时进行测量，得到 各参数的值，将这些数据作为输入向量，利用仿真函数各参数的值，将这些数据作为输入向量，利用仿真函数 计算网络输出，通过故障判别准则看是否出了故障。计算网络输出，通过故障判别准则看是否出了故障。 3、网络测试网络测试 测试结果测试结果 某次输出结果某次输出结果 故障类别故障类别 0.9913 0.1055 0.0205 无故障无故障 0.0006 1.0000 0.0000 齿根裂纹齿根裂纹 0.0397 0.0007 1.0000 断齿断齿 结果分析结果分析 分析：网络成功地诊断出了所有故障。因此，可分析：网络成功地诊断出了所有故障。

28、因此，可 以将网络投入实际工程应用了。以将网络投入实际工程应用了。 本例采用的样本量比较少，这样一来，故障诊断本例采用的样本量比较少，这样一来，故障诊断 的数据范围就不会很大，对于那些和训练样本数据相的数据范围就不会很大，对于那些和训练样本数据相 差很大的数据，网络可能无法做出正确的诊断。在这差很大的数据，网络可能无法做出正确的诊断。在这 种情况下，如果想提高网络的故障识别准确率，建议种情况下，如果想提高网络的故障识别准确率，建议 采用大容量的训练样本。采用大容量的训练样本。 四、基于四、基于Elmam网络的齿轮箱故障诊断网络的齿轮箱故障诊断 BP网络是一种前向神经网络，相对于反馈型网网络是一

29、种前向神经网络，相对于反馈型网 络来讲，收敛速度相对较慢，而且有可能收敛到络来讲，收敛速度相对较慢，而且有可能收敛到 局部极小点，因此尝试用局部极小点，因此尝试用Elmam网络对上例进行网络对上例进行 故障诊断，并比较两者的结果。故障诊断，并比较两者的结果。 程序：程序：elman1.m 相对于相对于BP网络来说，网络来说， Elmam网络的网络的误差要大误差要大 一些一些，但并不影响实际由于应用；，但并不影响实际由于应用； 由于在由于在Elmam网络中引入了反馈，网络的训练误网络中引入了反馈，网络的训练误 差要比差要比BP网络网络平滑平滑。 结果分析结果分析 基于基于BP神经网络的电力系统神

30、经网络的电力系统 负荷预报负荷预报 1、问题描述问题描述 近几年，我国南方一直处于近几年，我国南方一直处于”电荒电荒”的被动情的被动情 况，为了更好地利用电能，必须做好电力负荷况，为了更好地利用电能，必须做好电力负荷 的短期预报工作。负荷预报的误差将导致运行的短期预报工作。负荷预报的误差将导致运行 和生产费用的剧增，因此，精确的预报就成了和生产费用的剧增，因此，精确的预报就成了 电力工作者致力解决的问题电力工作者致力解决的问题 。 电力系统负荷变化受多方面影响电力系统负荷变化受多方面影响 ，呈现强烈，呈现强烈 的非线性特性。的非线性特性。 2、负荷预报的通常、负荷预报的通常2种解决办法种解决办

31、法 1.统计技术统计技术 ：分时间系列模型和回归模型分时间系列模型和回归模型 。 缺点：不能充分利用对负荷性能有很大影响缺点：不能充分利用对负荷性能有很大影响 的气候信息和其他因素的气候信息和其他因素,精确模型的建立困难。精确模型的建立困难。 2.专家系统专家系统 ：利用专家的经验知识和推理规则，利用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负荷预报精度得到使节假日或有重大活动日子的负荷预报精度得到 了提高了提高 。 缺点：将专家知识和经验等准确地化为一系缺点：将专家知识和经验等准确地化为一系 列规则是不容易的。列规则是不容易的。 负荷曲线是与很多因素相关的一个非线性函数负荷曲线是

32、与很多因素相关的一个非线性函数 。对于抽。对于抽 取和逼近这种非线性函数，神经网络是一种合适的方法。取和逼近这种非线性函数，神经网络是一种合适的方法。 神经网络优点：不依靠专家经验，只利用观察到的数据，神经网络优点：不依靠专家经验，只利用观察到的数据， 可从训练过程中通过学习来抽取和逼近隐含的输入可从训练过程中通过学习来抽取和逼近隐含的输入/输出输出 非线性关系。非线性关系。 研究表明，相对于前两种方法，用神经网络进行电力系统研究表明，相对于前两种方法，用神经网络进行电力系统 短期负荷预报短期负荷预报可获得更高的精度。可获得更高的精度。 3、神经网络、神经网络 划分负荷类型和日期类型划分负荷类

33、型和日期类型 由相关文献资料，常有以下由相关文献资料，常有以下两种划分模式：两种划分模式： 将一周将一周7天分为工作日（星期一到星期五）和休天分为工作日（星期一到星期五）和休 息日（星期六和星期天）等两种类型；息日（星期六和星期天）等两种类型； 将一周将一周7天的每天都看作一种类型，共有天的每天都看作一种类型，共有7种类种类 型。型。 这里采用第这里采用第2种负荷划分模式，把每一天不加区种负荷划分模式，把每一天不加区 分地看作不同的类型。分地看作不同的类型。 输入向量设计输入向量设计 在预测日前一天，每隔在预测日前一天，每隔2小时对电力负荷进行一小时对电力负荷进行一 次测量，这样一来，一天共测

34、得次测量，这样一来，一天共测得12组负荷数据；组负荷数据； 由于电力负荷还与环境因素有关，还需要通过天由于电力负荷还与环境因素有关，还需要通过天 气预报等手段获得预测日的气预报等手段获得预测日的最高气温、最低气温最高气温、最低气温 和天气特征值和天气特征值（晴天、阴天还是雨天）；（晴天、阴天还是雨天）； 因此，输入变量就是一个因此，输入变量就是一个15维的向量。维的向量。 这里采用单这里采用单隐层隐层BP网络来实现。网络来实现。 输出向量设计输出向量设计 显而易见，目标向量就是预测日当天的显而易见，目标向量就是预测日当天的12个负荷个负荷 值，即一天中每个整点的电力负荷；值，即一天中每个整点的

35、电力负荷； 所以输出变量就成为一个所以输出变量就成为一个12维的向量。维的向量。 中间层神经元数目的确定：中间层神经元数目的确定： 根据根据Kolmogorov定理定理 ，取，取31个。个。 网络结构：网络结构：153112 传递函数的选取：传递函数的选取：网络中间层的神经元传递函数网络中间层的神经元传递函数 采用采用S型正切函数型正切函数tansig，输出层神经元传递函数，输出层神经元传递函数 采用采用S型对数函数型对数函数logsig。 样本数据的采集样本数据的采集 这里以南方某缺电城市这里以南方某缺电城市2004年年7月月10日日19日的整点有功负日的整点有功负 荷值，以及荷值，以及7月

36、月11日到日到7月月20日的气象特征状态量（共日的气象特征状态量（共10组）作组）作 为网络训练样本；为网络训练样本； 用用20日的电力负荷和日的电力负荷和21日的气象特征来预测日的气象特征来预测7月月21日电力日电力 负荷（表中用红色标出）负荷（表中用红色标出）。 数据的归一化处理：数据的归一化处理： 目的：防止病态样本的出现，易于网络训练学习公式。目的：防止病态样本的出现，易于网络训练学习公式。 min maxmin x= xx xx 归一化后的数据如下表所示：归一化后的数据如下表所示： 样本日期样本日期电力负荷电力负荷气象特征气象特征 2004-7-100.2452 0.1466 0.1

37、314 0.2243 0.5523 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215 2004-7-110.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325 0.2415 0.3027 0 2004-7-120.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156 0.2385 0.3125 0 2004-7-130.2016

38、 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895 0.2216 0.2701 1 2004-7-140.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025 0.2352 0.2506 0.5 2004-7-150.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221 0.2542 0.3125 0 2004-7-160.2368