毕业论文-基于人工神经网络的电力系统短期负荷预测

HUNANUNIVERSITY毕业论文论文题目基于人工神经网络的电力系统短期负荷预测学生姓名学生学号专业班级学院名称电气与信息工程学院指导老师学院院长2015年5月30日湖南大学毕业设计(论文)第PAGEIV页摘要电力负荷预测是电力系统运行与调度中一项非常重要的任务，它是保证电力系统安全经济运行和实现电网科学管理及调度的必要条件，是能量管理系统(EMS)的组成部分，也是今后电力市场运营所必需的基本内容。随着科学技术的发展，负荷预测技术也有当初的依赖电力调度人员技术的传统预测方式发展到现在的自动预测技术，目前，负荷预测能够考虑到更多的影响负荷变化的因素，预测水平和精度也在不断提高。本文侧重于一种新兴的预测技术，基于人工神经网络的电力系统负荷预测。本文首先对电力负荷预测的现有方法进行了综述。其次，深入研究了神经网络的模型建立问题，并提出了较为适用的建模方法和应遵循的原则。在研究了大量文献资料的基础上，通过分析短期电力负荷的各种重要因素，构建了一个三层BP神经网络，并用历史负荷数据对该BP神经网络进行了训练，然后，应用该BP神经网络对短期电力负荷进行了预测。预测结果表明，基于BP神经网络的电力短期负荷预测的精度相对传统方法有了很大程度的提高，从而证明人工神经网络在电力短期负荷预测领域中的有效性和可靠性。关键词：负荷预测技术，人工神经网络，BP网络ApplicationofArtificialNeuralNetworkstoShort-TermLoadForecastingAbstractShort-TermLoadForecasting(STLF)isoneofthemostimportanttasksintheoperationandeconomicdispatchingofpowersystem.Itisaprerequisitetoensurethesafeandeconomicoperationofpowersystem,andtorealizethegoalofscientificmanagementinthepowersystem.Anditisanimportantpartofenergymanagementsystemaswellasanecessarypartofmarketoperationintheelectricpowermarket.Whitthedevelopmentofscienceandtechnology,loadforecastinghasdevelopedbythetraditionalmeansrelyingontheexperiencesofthetechniciantotheautomaticallyforecastingtechnology,whichisabletocontainmorefactorsimpactingthechangesoftheload.Thelevelandaccuracyofloadisincreasingimproved.Thisarticlefocusesonanewpredictiontechnique,thepowersystemloadforecastingbasingonneuralnetwork.Thispaperfirstlygivesasummaryforthepresentmethodsofpowerloadforecasting;Secondly,itmakesadeepresearchontheissuesofthemodelingofANN,andgivesasetofmodelingmethodsandprinciples.Onthebasisofanalyzingalargenumberofreferencematerials,thispaperanalyzesvariousimportantfactorsofelectricpowerload,andconstructsathree-layerBPneuralnetworkwhichistrainedwithhistoricalelectricpowerloaddata,andthen,appliesthetrainedBPnetworktoforecastingtheshort-termpowerload.Resultsshowthat,comparedtothetraditionalmethods,theproposedmethodbasedontheBPnetworkcangivebetteraccuracyofloadforecasting,therefore,provethatapplyingtheBPneuralnetworktotheshort-termloadforecastingisvalidandfeasible.KeyWords：loadforecastingtechnology,neuralnetwork,BPnetwork

目录1811第一章绪论 1312211.1课题研究的背景及意义 1178241.2负荷预测国内外研究现状 1224861.2.1第一阶段（二十世纪六十年代到八十年代） 2232941.2.2第二阶段（二十世纪九十年代之后） 361061.3本论文主要研究内容 4294971.4本章小结 415477第二章电力系统短期负荷预测分析 5233372.1负荷预测的特点 5108882.2负荷预测的分类 5107272.2.1按用电部门的属性分类 5213762.2.2按负荷预测周期的时间长短分类 5202312.3负荷预测的原理 6259042.4短期负荷预测步骤 6295452.5短期负荷预测误差分析 6219652.5.1预测误差产生的原因 6189212.5.2预测误差表示和分析方法 752332.6本章小结 85682第三章人工神经网络原理 9110243.1人工神经网络概述 990873.2人工神经网络的特点 9176113.3人工神经网络原理 10292003.3.1人工神经网络的基本工作原理 10255893.3.2人工神经元模型 10229393.4BP人工神经网络 13116063.4.1BP网络模型 1341073.4.2BP网络学习算法 1367643.5人工神经网络在电力系统负荷预测中的应用 17161853.6本章小结 1712980第四章基于人工神经网络的短期负荷预测 18270244.1BP神经网络的设计 18113324.2基于MATLAB的BP网络结构设计 1873574.2.1输入输出量的选择 1857004.2.2隐含层及隐节点数的设计 18109594.2.3网络的训练与测试 1910204.3实例分析 1995954.3.1样本数据的处理 1996244.3.2样本数据的预处理 20297934.3.3短期负荷预测实例分析 21255584.4BP算法的缺点及其改进 26262364.5本章小结 2732298结论与展望 2824622致谢 2926412参考文献 304735附录A 3214666附录B 34湖南大学毕业设计(论文)第39页第一章绪论1.1课题研究的背景及意义电力是国民生产生活中不可缺少的部分，是国民经济的基础，电力工业发展迅速可以促进经济的高速发展，否则就会延缓经济发展的速度。电力系统最重要的作用和功能就是为用户提供经济、安全、高质量的电能，随时都要能满足用户的需求，即要满足负荷要求。但是，电能和其他商品最大的区别就是，电能不能大量存储，所以就必须要求电力系统的供电量能够随时和系统中各种负载的消耗相互匹配，维持电力系统的动态平衡，否则的话，用户的用电质量就会下降，系统的安全性与稳定性也会受到极大的影响。因此，电力系统的负荷预测逐渐发展了起来，并且成为了的非常重要的研究领域。电力系统的负荷预测的准确程度也是衡量电力系统运行和管理现代化的非常显著的标志之一。负荷预测的结果由许许多多的因素决定，负荷的变化与地区和气候等息息相关，因此确定一个合理而又准确的负荷预测的模型，是具有十分重大意义的。本文主要研究的短期负荷预测，一般是指在未来几小时、几天或者几周之内的负荷的情况。短期负荷预测有很重大的意义。短期负荷预测可以对发电厂的出力要求提出相应的具体数值，使发电机的出力情况有一个较为准确的估计量，可以维持系统的稳定性。短期负荷预测还可以使大电网中各个发电机组的启动和停止有更合理的安排，使系统在安全的要求之下，储备容量的耗费最小，使得电网的运行更加的经济合理。电网在计算机控制下，可以运用短期负荷预测的数据来合理调度发电容量，在满足运行的条件下，损耗尽量减少，发电成本尽量降低。短期负荷预测的结果还会影响到电价。电价是对未来负荷预测的一个数字化的表现。负荷的变化会对电价有着直接的影响。准确的预测可以提高电力经营者的效益。因此，准确、快速、高效的短期负荷预测在当前的社会环境中可以起到非常重要的作用。短期负荷预测也是一个非常有意义的研究项目。1.2负荷预测国内外研究现状在国外，电力负荷预测这个工作开展得更早。在上世纪五六十年代，国外已经开始注意并着手这方面的研究。在我国，虽然电力负荷预测项目的看展较国外更晚，在八十年代左右才开始，但是我国的研究发展速度极快，特别是近几年来，这一课题的研究进展很大，每年都有大量的研究成果和论文发表，并且在实践中取得了非常重大的效果。由于国外的负荷的发展的变化已经逐渐趋于稳定，因此，国外对于中长期负荷预测的研究要远小于短期负荷预测的研究，但是就国内来说，两者都放在同样的地位，并行发展。由于我国电力系统的发展较晚，因此还存在着各种各样的问题。我国的短期负荷预测的发展也经历了一个过程。从大体上来说，可以划分成两个阶段：1.2.1第一阶段（二十世纪六十年代到八十年代）传统负荷预测阶段，在这个阶段主要是采用指数平滑法、时间序列法和回归分析法，这些方法基本都属于经济领域的预测的方法。偏向于对负荷的形状以及用函数的形式来对负荷进行分析，把负荷预测的随机性归结于不确定性，运用数学的方法和知识来对负荷预测的数据进行处理。1.时间序列法把预测的目标和影响预测目标的所有因素都看成是随机变量。就是把以前累计起来的资料和数据看做是以小时、天、或者季节变化的周期性的时间序列。并且将预测值和实际值的差当做一个随机过程进行具体的分析和处理。时间序列法的优点：计算速度快、不需要过多的历史数据、能反映负荷的连续变化情况。时间序列法的缺点：对历史的原始数据的精度要求很高、对天气对负荷的影响无法充分的反映、计算比较复杂且精度难以保证。2.回归分析法这是一种非常常用的方法，一般分单元回归分析和多远回归分析。在这种方法中，自变量就是随机变量，因变量就是非随机变量，再由给定的多组数据来分析自变量和因变量之间的关系，再由这个关系来推出回归方程。再以回归方程和自变量的数据来求出因变量的数值。回归分析法的优点：方法简单、预测速度快、对历史上没有出现过的情况有着比较良好的预测性。回归分析法的缺点：对历史数据的精度要求很高、用线性的回归方程来预测非线性的负荷预测的变化会有比较大的误差、只能考量少量影响负荷预测的因素、建模的难度很大。3.指数平滑法把过去的一段时间的同类型负荷组成一组数据，再对这组数据进行加权平均，在进行加权平均计算是，应该把最近的负荷数据的权系数增加，把以往数据的权系数减小，以此来体现时变性。这种方法可以消除序列中的随机波动，但是对数据趋势的转折点不能合理的鉴别。1.2.2第二阶段（二十世纪九十年代之后）九十年代之后，计算机技术和人工智能得到了长足的发展，人工神经网络以及各种新兴的方法在负荷预测领域逐渐普及。这些新的方法不仅考虑了负荷形状的因素，还考虑了许多影响负荷的因素，例如天气情况和日起特征。预测的精度相对于之前的方法有了大幅的提搞，并且还有了自学习和自适应能力，但是人工智能的模型对于历史数据精确性和全面性的要求的要求比传统方法的要求更高。1.专家预测法对数据库里面存放的过去几年的每小时负荷和天气的数据进行细致的分析，然后汇集许多有着丰富经验和负荷预测专业知识丰富的研究人员，分析得到一定的规则，并且按照这个规则推理出负荷预测。专家预测法是把人类的经验具体量化转化的一种非常好的方法。但是专家预测法是一个非常耗费时间的方法，并且对于某些复杂的情况很难准确的定量分析。2.模糊预测法用模糊逻辑以及相关人员的专业知识数据经验用规则的形式变现出来，并且转换为具体的算法。模糊推理可以把有限的数据转换为任意近似的函数关系。但是模糊预测没有学习能力，不能适应电力系统不断变化的特点，单独作为一种方法来说精度不够。3.灰色系统预测法灰色系统理论可以建立微分方程的模型，把一切的随机变量看做是在一定范围内变化的灰色量，经过无规律的数据累加后生成指数规律变化的上什序列，然后通过灰数的不同产生方式和不同级别的残差GM模型来修改和调整精度。灰色模型的微分方程就是对负荷预测变化的函数关系。求出改微分方程对时间的表达式就可以得出所求的灰色模型。但是当数据离散程度太大时，数据的灰度就越大，预测的精度就越差，不适合进行长期的预测。对于长远的规划性预测和波动性变化较大的电力负荷难以满足实际需要。4.人工神经网络法人工神经网络是近十多年来，人们仿照生物神经系统建立的一种计算的模型。他有着非常强大的自适应和学习能力，而且还有着非常良好的自适应能力。在合理组建人工神经网络的前提下，运用准确的历史数据以及各种影响因素对网络进行训练，网络就可以自己学习并且得出各训练数据所隐藏的规律，并且在自己的权值矩阵当中保存这种规律。在电力系统方面神经网络的运用主要是建立一个简单的三层前向人工神经网络模型，然后再利用BP算法，得出输入与输出数据的各种非线性函数的复杂的变化。这种算法能考虑到天气、温度等各种因素对电力负荷预测的变化，然后依靠他非常优良的联想功能和记忆功能，可以非常好的适应环境的变化，并且可以适用于在线训练的方式。他的这些优点是本文中其他方法无法做到的。1.3本论文主要研究内容本文是以美国东北部地区1996年全年的负荷数据作为研究对象，研究基于人工神经网络法的短期负荷预测技术。研究的前提是已知历史负荷数据，预测一天24小时负荷值。其主要工作内容包括：1.本论文根据该城市的历史负荷数据，分析影响预测结果的各种因素，如负荷的组成和负荷类型等。本文的所做的预测为短期负荷预测。2.系统地介绍了负荷预测，首先介绍国内外负荷预测技术，包括负荷预测的特点，分类及原理分析，总结了国内外负荷预测的传统及最新方法，着重分析人工神经网络法在短期负荷预测中的应用。3.依据功能要求，提出误差反传播算法。通过介绍神经网络原理，引出BP网络，着重介绍了BP网络模型中的隐含层数量以及隐含层节点数量的确定，训练的次数和精度之间的关系，学习初始权值，速率及训练样本的选择和归一化处理等有关问题。4.研究了基于人工神经网络预测模型的建立方法，并通过Matlab神经网络工具进行模型仿真计算，进行网络训练及测试，确定神经网路算法的可行性。1.4本章小结本章主要介绍了该课题的研究背景及意义，介绍了负荷预测的国内外研究现状，其中包括传统预测方法和随着科学发展产生的新技术方法，并介绍了一种神经网络新技术在负荷预测中的应用。最后介绍了本文的研究内容。第二章电力系统短期负荷预测分析2.1负荷预测的特点负荷预测是在全面考虑电力系统运行特性，自然条件，增容决策，对社会各种影响等条件的情况下通过利用某些历史数据来预测未来负荷的数学方法，它能在满足一定精确性的意义下确定未来某特定时间段的负荷值[11]。电力系统负荷的大小与很多因素相关，例如天气，温度等。由于负荷预测是根据历史负荷数据来预测将来某个时间段的负荷值，因此，负荷预测是以不确定性事件作为研究的对象，负荷预测特点可以归纳为以下几点：负荷预测结果的非准确性。负荷预测的条件性。负荷预测的时间性。负荷预测的地区性。5.预测结果的多方案性。2.2负荷预测的分类我国电力行业领域内采用过诸多分类方法，根据不同的研究目的所采用的分类方法也有所不同。下面具体介绍电力规划中负荷预测常采用的分类方法。2.2.1按用电部门的属性分类负荷预测有商业负荷，城市居民生活用电负荷，工业负荷，农村负荷等分类。目前，电力负荷按照国民经济统计的分类可分为4大类，即第一产业负荷，主要是指农业用电，第二产业负荷，主要是指工业用电，第三产业，是指除了第一和第二产业之外的其它产业用电，以及居民日常生活用电负荷等。2.2.2按负荷预测周期的时间长短分类系统负荷预测按预测时间的长短分为超短期，短期，中期和长期负荷预测。超短期负荷预测是指未来l小时，未来0．5小时，甚至未来几秒钟负荷的预测。短期负荷预测是指一年之内以月为单位的负荷预测，一般指预测未来一个月，未来一周，未来一天的负荷值，也可指预测未来一天24小时中的负荷值。中期负荷预测是指5年左右的负荷预测。长期负荷预测一般是指几年至几十年的负荷预测。2.3负荷预测的原理我们在负荷预测时根据符合要求的历史数据来推断未来负荷数据，因此负荷预测中要研究的对象是不确定的，但也具有一定的规律性的，一般以电力负荷的发展规律为依据来判断和预测其未来发展的状况和趋势。电力负荷预测基本原理[12]可以归纳为：可能性原理连续性原理相似性原理4.反馈性原理5.系统性原理2.4短期负荷预测步骤短期负荷预测步骤介绍如下：1.明确负荷预测的目标，制定有效的预测计划。在计划中，要考虑预测所需的历史负荷数据及资料，预测过程所需要的资料的量度，搜集资料的手段和资料的主要来源，所采用的预测方法及预测过程所需要的时间等问题。2.调查所选的资料并选择其中可靠的资料。在本文预测过程中所需的主要资料有负荷的历史数据及历史气象变化数据等。3.建立负荷预测模型。负荷预测模型是对统计资料的概括，它是经验资料内部所存在的特征。对于神经网络预测方法而言，建立预测模型需要两步：第一步，确定神经网络的结构并且掌握算法；第二步，选择历史数据对其进行训练。2.5短期负荷预测误差分析2.5.1预测误差产生的原因负荷预测的结果受很多因素的影响，预测结果与客观实际之间往往存在着一定的差距。产生预测误差的原因很多，我们可以归纳为以下几个方面：1．对于多变的电力负荷来说，进行负荷预测要多方面考虑问题，在预测模型中大部分只考虑了研究现象的主要因素，而忽略了很多次要因素，这种模型只是简单化了的反映，与实际负荷相比两者之间还存在着一定的差距，这样进行预测所获得的预测结果往往会与实际负荷之间存在一定差距。2．电力负荷的大小受各种因素的影响，进行预测的要求和目的是多样化的，所以在预测时要从许多预测方法中选择一种恰当的预测方法来进行预测，如果选择的不好，就会导致预测结果不理想。3．在进行预测时需要大量的历史数据及资料，但我们并不能确保它的准确可靠性，因此必然会产生预测误差。4．在预测过程发生突发事件或者着意外情况时，必然会带来预测误差。同时，在判断和计算上的失误，也会产生不同程度上的预测误差．2.5.2预测误差表示和分析方法了解预测中产生误差的原因后，必然要对预测技术和预测模型加以改进。一般用于分析和计算预测误差的方式和指标是多样的，计算预测误差的主要方法介绍如下：设表示实际值，表示预测值，则称-为绝对误差，称为相对误差。1.平均绝对误差分析方法：（2.1）2.绝对百分比误差（相对误差）：（2.2）3.平均绝对百分比误差：（2.3）4.均方误差分析方法：（2.4）5.均方根误差分析方法：增强数值较大的误差在指标中的作用，以此提高这个指标的灵敏度。（2.5）：历史负荷数据的个数；2.6本章小结本章对电力系统短期负荷预测进行了具体分析，首先介绍了负荷预测的概念以及特点，接着介绍了负荷预测的类型，基本原理及基本步骤。预测必然存在误差，在本章具体介绍了负荷预测的各种误差计算的方法。负荷预测是一项科学研究，是电力部门能源调度的依据。要保证预测的有效性，首先就必须清楚电力系统短期负荷预测的基本思路。第三章人工神经网络原理3.1人工神经网络概述人工神经网络（ANN-ArtificialNeuralNetwork）是从上世纪八十年代开始开始研究的以人类大脑神经网络为模拟对象的仿生系统。它的研究涵盖了许许多多的方面，计算机科学、生理科学、神经生理科学等等方面都有应用，是一门交叉学科。ANN是人工智能最为活跃的一个方向，通过模拟人脑的工作方式，对非线性的复杂问题提供了一个全新的思路和方向。经过将近半个世纪的发展，这种技术已经逐渐的成熟，并且能够投入到日常生活和科研的各个方面。在电力系统方面，人工神经网络不仅仅只用于负荷预测，还在继电保护、暂态稳态计算、故障诊断等各个方面都有着重要的应用。3.2人工神经网络的特点人工神经网络的最主要特点表现在两个方面。一是它建立的模型可以非常好的处理各种影响负荷变化的因素。二是他建立的非线性时间序列模型采用神经网络的方法来靠近非线性的映射。他的特点还主要表现在下列这些方面：1.全局的高度非线性人工神经网络的输入和输出表现出来了非常明显的外部非线性的关系。人工神经网络的工作是所有神经元的联合作用，只要神经元数目足够，所有的非线性函数都可以用一个三层网络来表达。2.良好的自学习和自适应性人工神经网络通过学习和训练来适应环境的变化。他的结构是可变的，通过一段时间的学习和训练，可以对特定的输入产生期望的输出。3.高度的并行性人工神经网络是由许多神经元组成的，虽然每一个神经元的功能简单，但是它们可以互不影响的工作，有非常高的并行性从而形成惊人的信息处理功能。4.良好的容错性人工神经网络的所记忆的信息是通过存储在神经元之中的权值进行的，是一种分布式的存储方式。因此就算其中的部分权值丢失，部分信息模糊或者丢失，系统依然可以正常的运行，不会从根本上影响到网络的整体功能，表现出了容错性很高的优点。3.3人工神经网络原理3.3.1人工神经网络的基本工作原理人工神经网络是由一些简单的神经元由一些拓补关系通过大规模的并行构造而成的一个网络。人工神经网络可以非常好的模拟人脑的思维，通过他的学习和记忆能力，对相应的输入做出相应的输出的反应。3.3.2人工神经元模型人工神经网络的结构如图3.1所示。图3.1人工神经元模型其中，输入分量通过和它相乘积的权值分量相连，以的形式求和之后，最后形成激活函数的输入，神经元的阈值b为激活函数的另一个输入。权值和输入的矩阵形式可以由的行矢量和的列矢量来表示：神经元模型的输出矢量可以用下式表示：（3.1）偏差被简单的加在上作为激活函数的另一个输入分量。这里要重点考虑激活函数，它是神经网络和神经元的核心。激活函数的基本作用有：1.对输入和输出进行函数转换；2.控制输入对输出的激活作用；3.将无限域的输入变换成为指定的有限域的输出。下面介绍几种常见的激活函数：（1）阀值型阈值型激活函数把任何的输入转换成0和1的输出，函数为单位跃阶函数。如图3.2和图3.3所示；此函数的神经元的输入，输出关系可表示为：（3.2）nn1nn11-10-10图3.2不带偏差的阀值型激活函数图3.3带偏差的阀值型激活函数（2）线性型网络的输出等于加权输入与偏差之和，如图3.4，3.5所示。此函数的输入输出关系可表示为：（3.3）nn-1nn-1-11100-b图3-5不带偏差的线性激活函数-1-11100图3.4不带偏差的线性激活函数图3.5带偏差的线性激活函数S型传输函数可以把任意的输入压缩到（-1,1）的范围之内，这种类型的传递函数一般用对数或者双曲正切等S型一类的曲线来表示，如图3.6和图3.7，如对数S型函数关系为：（3.4）而双曲正切S型曲线的输入输出函数关系为：（3.5）n：为输入量。b：为偏差量。nnnn-1-11100-b图3-5不带偏差的线性激活函数-1-11100图3.6对数S型激活函数图3.7双曲正切S型激活函数3.4BP人工神经网络BP网络是一种无反馈的前向网络，网络中的神经元分层排列。网络模型分输入层、输出层，隐含层三层[16][17]。每一层内神经元的输出均传送到下一层，这种传送由连接权来达到增强、减弱或抑制输出的作用，除了输入层的神经元外，隐含层和输出层神经元的净输入是前一层神经元输出的加权和。该网络具有学习能力及智能处理能力，并在一定程度和层次上模仿人脑神经系统的信息处理、存储及检索功能。3.4.1BP网络模型BP网络模型包含输入层、隐含层及输出层，隐含层可以由一层或多层组成，BP神经网络中各层之间的神经元为全连接关系，层内的各个神经元之间无连接。如图3.9所示。输入信号输入层节点输入信号输入层节点隐含层节点输出层节点输出结果修改权值阈值修改权值阈值图3.8三层BP神经网络的结构3.4.2BP网络学习算法BP神经网络是现在使用范围最广并且也是最成功的神经网络之一，他是一种单向传播的多层前向网络，包括信号的正向传播和误差的反向传播。除了输入和输出节点之外，还有一层或者多层的隐藏的节点，同层节点中不会相互连接。传播时，信号从输入层经过隐藏层传到输出层。当输出层节点输出的实际响应和预期的响应无法比较正常的匹配时，就会进入误差的反向传播。误差从输出层经过隐藏层传到输入层，在反向传播的过程中，将偏差平均分配给各层单元节点，达到修正各个单元权值的目的。这样随着不断的正向传播和反向传播从而逐渐的修改各层的权重，直到实际响应和预期响应基本匹配为止。在下面分别介绍以上四个过程：1.正向传播正向传播过程是输入数据从网络的输入层经过隐含层进行处理，经过所有的隐层后传向输出层，在逐层处理数据时，每一层神经元的状态只影响下一层神经元的状态。在输出层比较输出结果与期望输出之间的差别，如果输出结果与期望输出相差过大，则进入反向传播过程。设输入模式向量为：；是学习模式对数；是输入层单元个数；对应于的输入模式的希望输出的向量为：是输出层单元数；首先计算隐含层各单元的输入：(3.6)其中，：输入层至隐含层的连接权；：隐含层单元的阀值；：隐含层单元个数；然后计算出隐含层各单元的输出，获得输出层的输入。为了模拟生物神经元的非线性特点，以作为函数的自变量，计算出隐含层各单元的输出。函数的表达式：(3.7)得到(3.8)然后按照正向传播的思路计算输出层各单元的输出值：(3.9)(3.10)式中：：隐含层到输出层的连接权；：输出层单元阀值；：函数；至此完成了一个输入模式的正向传播过程。2.反向传播反向传播就是把误差信号按照正向传播的通路反向传回的过程，并且修改每个隐含层所包含的每个神经元的权系数，以达到误差信号趋近于最小的状态。输出层的误差是计算输出层的校正误差，传播隐含层的校正误差，并调整各连接单元权值及阀值的过程。输出层的校正误差为：，（3.11）隐含层的校正误差为：，（3.12）计算出输出层和隐含层的校正误差后就可以计算各连接权值和阀值的改变量。隐含层和输出层连接权改变量：（3.13）隐含层和输出层阀值改变量：（3.14）其中：隐含层和输入层连接权值改变量：（3.15）隐含层和输入层的阀值改变量：（3.16）其中：3.训练过程训练过程就是根据网络的实际输出结果与期望输出进行比较，若存在误差则反复调整误差及连接权。期望输出是人为设定的，实质上就是对输入模式分类的一种表示。随着正向传播与反向传播过程的反复进行，网络的实际输出值会逐渐接近于期望输出值。对于典型的BP网络，多组训练校验，一般要经过几百，几千次的学习过程，才能使网络收敛。4.收敛过程BP模型神经网络学习流程图如下图3.9所示：是是是是开始连接权及阀值初始化随机选取样本计算隐含层各单元的输入、输出计算输出层各单元的输入、输出计算输出层各单元的一般化误差计算隐含层各单元的一般化误差调整隐含层至输出层各单元的连接权值及阀值权及输出层各单元的输出阀值权调整输入层至隐含层各单元的连接权值及阀值权及中间层各单元的输出阀值权更新学习输入模式全部模式训练完？更新学习次数误差或学习次数>N学习结束否否图3.9BP模型神经网络学习流程图3.5人工神经网络在电力系统负荷预测中的应用传统的方法大多数只能依靠历史数据来作为负荷预测的主要依据，因此对于其他影响因素对负荷预测的影响的考虑缺不是很充分，所以传统的方法普遍存在着预测不准确、所需要的历史数据很大等缺陷，已经无法满足现代短期负荷预测要求高精度、速度快的要求了。经过多年的发展，现在的人工神经网络已经可以满足映射任意非线性关系的能力，能够识别噪声和不准确的样本，并且可以通过自己优良的自学习性能把样本的隐藏特征分布在各层神经元的隐藏权值中，所以非常适合现在短期电力系统负荷预测的问题。3.6本章小结本章对人工神经网络进行了具体分析，首先对神经网络做了简要概述，介绍了神经网络的特点以及基本原理，接着分析了其网络模型，引出了BP网络，介绍了BP神经网络模型及学习算法。最后分析了人工神经网络在电力系统负荷预测的应用。第四章基于人工神经网络的短期负荷预测4.1BP神经网络的设计神经网络设计由三部分组成，即网络的层数，每层的神经元数目，每层的激活函数。在BP网络中，输出层通常是采用线性激活函数，隐含层采用Sigmoid激活函数，因此，要求确定的就是各层的神经元个数和网络层数。理论证明：具有Sigmoid型隐含层再加上有个线性输出层和偏差的BP网络能够逼近任何一个有理函数。增加隐含层的数可以进一步的降低输出误差，提高精确性，但是，这样也使网络更加复杂化并且增加网络权值的训练所需要的时间[19]，所以，这里选用有一个隐含层的三层网络。对于三层结构的BP网络需要确定每一层所包含的神经元数量。4.2基于MATLAB的BP网络结构设计在运用MATLAB提供的神经网络工具来进行神经网络设计过程中，要经历创建网络，训练网络，模拟网络等三个过程，本文采用的是BP神经网络，所以主要对BP网络设计进行分析。4.2.1输入输出量的选择一般来讲，输出量代表系统要实现的功能目标，其选择确定相对容易一些，比如系统的分类以及性能指标等问题的类别归属或者非线性函数的函数值等。选择输入量需要满足两条基本的原则，即输入量必须选择对输出结果有较大影响且有利于检测并能够提取的变量，除此之外还要求各个输入变量之间相互关系较小或者互不相关。4.2.2隐含层及隐节点数的设计网络的输入层的节点数量和输出层的节点数量确定后，要确定隐含层节点数，经分析证明，隐层数的设计中，具有单隐层的前馈网可以映射所有连续函数，在一个隐含层中虽然有很多隐层节点但还是不能有效地改善网络的性能时才会考虑再增加一个隐含层。研究证明，若用两个隐含层时，在第一个隐含层中设置的隐层节点数量很多，在第二个隐含层中设置的隐层节点数量较少，这样会达到改善多层前馈网络性能的目的。除此之外，对利用增加隐层节点数的方法还是不能很有效地降低训练误差的情况，可以考虑增加隐含层的数量，因为采用单隐层所需的隐层节点的总数可能多于双隐含层所需要的隐层节点数。试凑法是确定最合理的隐节点数的一种常用方法，首先设置隐节点数较少的训练网络，再逐步增加隐节点数，开始训练，从中就可以确定网络误差最小时所对应的隐节点数。在使用试凑法时，可运用隐节点数的经验公式。这些公式可作为试凑法的初始值，现分别介绍如下：（4.1）（4.2）（4.3）在以上的公式中为输入层节点个数，为输出节点个数，为隐层节点个数，为1~10之间的常数。4.2.3网络的训练与测试在完成网络设计后，根据设计思路进行训练。训练一个网络通常需要上千次甚至上万次的训练。一次训练就是在训练时对所有样本正向运行一轮并反向修改权值一次。网络是否具有很好的泛化能力决定了网络性能的好或坏，在测试泛化能力时不能用训练集的数据进行测试。通常的做法是，将所有收集到的有效样本随机地分为训练集和测试集两部分。假如网络对训练集样本的误差较小，对测试集样本的误差很大时，表明训练出的网络过度吻合，所以泛化能力很差。在训练网络时，将测试与训练交替进行，以达到最佳训练状态，避免过配的目的。4.3实例分析4.3.1样本数据的处理本文采用美国东北部地区1996年一整年的历史负荷数据，数据包括每天24小时的负荷。由于学习是通过对有限个样本的学习，要学习隐含在其中的内在规律性，而不是简单地记得学过的输入，所以在检验网络性能的好或坏时，要采用训练样本以外的数据。这样一来我们就能把所获得的负荷数据样本分为训练集和测试集两类，训练集是用于训练神经网络的模型，而测试集是一组作为检验学习结果用的模型。在选取训练样本时，因为节假日的负荷状况与正常日的差别比较大，本文中只考虑正常日负荷预测，所以首先排除了节假日的负荷样本，再者，因为所能得到的数据是有限的，有些对负荷有影响的变量(如重大事件或自然灾害等)的数据是无法获得，在模型中无法考虑这些变量，使得训练样本中多多少少会带有噪声成分，从而导致样本的选取困难。然而较小的噪声对于网络的学习影响不大，但是较大的噪声会影响样本原有的特性，使得网络无法正常学习到样本中的内在规律性，所以需要剔除有些具有明显异常的负荷样本。4.3.2样本数据的预处理神经网络应用于负荷预测，在训练网络的原始数据时，对于不同的变量往往通过不同的单位来衡量，数量级的相差也比较大，例如负荷一般变化范围在1200MW~4500MW之间，而气温一般的变化范围在-5℃~50℃之间。数据的归一化就是指把样本中我们可以识别的数据转化为计算机神经网络可以识别的数据，我们一般把它们转化为[0,1]之间的矩阵。研究证明，为了加速神经网络的收敛性，可以通过合理的方式对数据进行归一化处理。1.原始数据的预处理原始数据预处理的目的是修正或排除异常的历史工作日和某工作日中的异常负荷点两个方面的异常信息。异常工作日的处理可以将所考察的历史工作日的平均负荷分别和与其相邻的两个工作日对应的和进行比较，若发现绝对误差为均超过某一限度且同一个方向，那么进行排除处理或违限调整。工作日中异常负荷点的检查也可采用类似处理。2.负荷数据的归一化输入输出数据的实测值不能直接用于网络训练，需进行预处理。数据预处理方式有很多，在此简单介绍一种方式“归一化”。归一化有两种情况。一是输入同源数据，使归一化在所用通道上进行；二是不同参数作为输入，对不同分量在其权值范围内单独处理。输入神经网络的训练数据样本可采用下面两种方法进行归一化处理：设和分别代表训练样本集合中历史负荷的最大值和最小值，为实际负荷数据，为归一化后的负荷值，则=（4.4）这样一来，输入神经网络的历史负荷数据位于[0,1]范围内。然后可利用下式重新换算实际的负荷预测值：+（4.5）4.3.3短期负荷预测实例分析本文以美国东北部地区电网的实际历史负荷为例，对该地区日负荷进行预测。基于Matlab软件[10][16]进行仿真，采用神经网络算法的预测模型，选取有三层网络结构的BP神经网络来完成一天24个小时负荷的非线性映射关系，每一个BP神经网络的输入层，隐含层，输出层的神经元个数分别为48，90，24。网络训练的样本集选取的是预测日前两天的实际负荷和当天的气象数据。网络的初始权值设定为[-1,1]之间的随机数，采用带有自适应步长和动量算子的改进BP算法，设定=0.35,=0.7,学习精度=0.1。根据实际调研的资料，选取该地区1996年2月5日到3月3日的实际负荷来训练网络，用训练好的网络对1996年3月4日到3月10日的负荷进行预测检验。预测的结果如下图所示：（1）预测1996年3月6日（周三）的负荷，试验结果如下：图4.13月6日（周三）的预测负荷曲线与实际负荷曲线图4.1是用Matlab软件进行仿真的结果，由图形可知，预测负荷曲线和实际负荷曲线基本吻合。表4.1给出1996年3月6日的实际负荷值和预测值的比较，绝对误差和相对误差。表4.11996/03/06基于BP神经网络模型的负荷预测结果(单位:MW)预测时刻真实值预测值绝对误差相对误差()0:00129713025.00000.39%1:00127612815.00000.39%2:00123512405.00000.40%3:00119411995.00000.42%4:00121412195.00000.41%5:00133813435.00000.37%6:00148214886.00000.40%7:00175017577.00000.40%8:00195619637.00000.36%9:00203820468.00000.39%10:00205820679.00000.44%11:00203820468.00000.39%12:00191419228.00000.42%13:00189419017.00000.37%14:00185318607.00000.38%15:00181118198.00000.44%16:00185318607.00000.38%17:00189419017.00000.37%18:00197619848.00000.40%19:00201720258.00000.40%20:00197619848.00000.40%21:00185318607.00000.38%22:00164716536.00000.36%23:00144114476.00000.42%分析以上数据可得到：表4.21996/03/06预测误差小结项目实际负荷（MW）预测值（MW）（%）平均值1708.5421715.2920.395最大值205820670.44最小值119411990.36（2）预测3月8日（周五）的负荷，试验结果如下：图4.23月8日（周五）的预测负荷曲线与实际负荷曲线图4.2是用Matlab软件进行仿真的结果，由图形可知，预测负荷曲线和实际负荷曲线误差较大，但在允许的误差范围内。表4.3给出1996年3月8日的实际负荷值和预测值的比较，绝对误差和相对误差。表4.31996/03/08基于BP神经网络模型的负荷预测结果(单位:MW)预测时刻真实值预测值绝对误差相对误差()0:0012441247.7-3.66670.29%1:0012241223.01.00000.08%2:0011851175.010.00000.84%3:0011451132.013.00001.14%4:0011651140.324.66672.12%5:0012831220.362.66674.88%6:0014221329.792.33336.49%7:0016781536.0142.00008.46%8:0018761718.0158.00008.42%9:0019551804.0151.00007.72%10:0019741833.7140.33337.11%11:0019551831.0124.00006.34%12:0018361735.0101.00005.50%13:0018161716.399.66675.49%14:0017771689.387.66674.93%15:0017371641.395.66675.51%16:0017771662.0115.00006.47%17:0018161705.3110.66676.09%18:0018951780.3114.66676.05%19:0019351850.384.66674.38%20:0018951807.387.66674.63%21:0017771716.360.66673.41%22:0015801556.024.00001.52%23:0013821395.0-13.00000.94%分析以上数据可得到：表4.41996/03/08预测误差小结项目实际负荷（MW）预测值（MW）（%）平均值1638.7081560.2134.43最大值19741850.38.46最小值114511320.94（3）预测3月10日（周日）的负荷，试验结果如下：图4.33月10日（周日）的预测负荷曲线与实际负荷曲线图4.3是用Matlab软件进行仿真的结果，由图形可知，预测负荷曲线和实际负荷曲线基本吻合。表4.5给出1996年3月10日的实际负荷值和预测值的比较，绝对误差和相对误差。表4.51996/03/10基于BP神经网络模型的负荷预测结果(单位:MW)预测时刻真实值预测值绝对误差相对误差()0:00118211864.00000.34%1:00115011555.00000.43%2:00108710914.00000.37%3:00104010444.00000.38%4:00102410284.00000.39%5:00102410284.00000.39%6:00107110765.00000.47%7:00116611704.00000.34%8:00130813135.00000.38%9:00140214086.00000.43%10:00144914556.00000.41%11:00148114876.00000.41%12:00143414395.00000.35%13:00141814246.00000.42%14:00141814246.00000.42%15:00135513605.00000.37%16:00133913445.00000.37%17:00138613926.00000.43%18:00144914556.00000.41%19:00157515827.00000.44%20:00152815346.00000.39%21:00149715036.00000.40%22:00141814246.00000.42%23:00133913445.00000.37%分析以上数据可得到：表4.61996/03/10预测误差小结项目实际负荷（MW）预测值（MW）（%）平均值1314.1671319.4170.397最大值157515820.47最小值102410280.34从以上几个图表中可以看出，采用本文建立的神经网络模型，预测的平均相对误差均小于10%，满足了短期负荷预测的精度要求。同时，预测负荷曲线与历史负荷曲线达到了较高地拟合状态，这也充分地验证了本文建立神经网络模型的有效性，很大程度的提高了负荷预测的精确性，这对短期负荷预测来说是至关重要的。4.4BP算法的缺点及其改进BP算法原理简单，实用性强，是一个很有效的算法，许多问题都可以由它来解决，因此，神经网络中BP模型成为一个重要模型。但是BP算法本身也存在一些缺点：1.由于BP算法本质上是一个非线性优化问题，通常不可避免会出现常见的局部极小问题，因此，问题得不到最优解。2.学习算法收敛速度比较慢，通常需要进行上千次甚至上万次的训练。3.网络隐节点数量一般要根据经验选取，但是通常的选取缺乏严格的理论依据。4.BP网络在学习新样本的时候有可能遗忘己学的样本，同时，刻画每个样本的特征数量也必须是一样的。4.5本章小结本章以美国东北部地区城市的负荷预测为例进行了短期负荷预测。首先介绍了BP网络的建模，包括样本集的选择，输入输出层和隐含层的设计以及样本数据的预处理。其次对选定的网络进行仿真测试并分析说明其结果，最后简要说明了BP算法的缺点及其改进。结论与展望电力系统负荷预测对电力行业和国民经济都有着重要意义。电力负荷预测工作水平的高低逐渐成为衡量电力企业是否走向现代化的显著标志之一。论文首先介绍电力系统负荷预测的现状，研究电力负荷的特点以及负荷预测中所受到的影响因素，分析了人工神经网络预测方法在短期负荷预测中的发展。有针对性地提高了预测的精度，建立了基于BP神经网络的电力负荷预测模型，选择可靠的历史负荷数据当做输入变量，应用美国东北部地区的历史负荷数据对短期负荷预测模型进行验证。仿真结果表明，BP神经网络模型具有学习速度快，预测精度高，适应性好等优点，进一步研究应用于预测技术将会有更好的前景。本论文对BP神经网络实现短期负荷预测的研究远未结束，有待完成的工作如下：1.由于条件和时间所限，只对正常日建模并进行了预测，还未能对全年负荷预测进行完整的研究。正常日与节假日负荷的变化规律有明显差别，本文尚未建立重大节假日的负荷预测模型。2.坏数据的修正值与其实际值间存在偏差，会影响预测的精确度。如何对坏数据进行更有效的处理是有待进一步探讨的问题。3.研究证明，单一的负荷模型无法对负荷状况进行系统的描述，可以通过建立多个负荷模型的方法来解决，所以需要进一步研究多种负荷预测方法的组合模型，以此来达到更好的预测效果。电力负荷具有复杂的周期性，因此，选择不同时间段建立预测模型比直接连续建立预测模型更科学，由于样本数据数量有限，没有对其做更进一步的分析，在今后的研究中有待讨论。致谢本论文是在熊高峰副教授的精心指导下完成的，在此对我的指导老师熊教授表达我最真诚的谢意！这段时间熊老师每隔一段时间就会询问我论文的进度，会仔细的指出我文章中的不足和问题，并且对这些问题帮我做出解释，在建立模型的时候也会一步步指导我直到我弄清楚关键的的问题，并且在写作的过程中，熊老师不放过一点错误的严谨、认真、实事求是的态度也令我十分敬佩，总的来说，我在熊老师身上学到了很多，受益匪浅。在四年的大学生涯中，电气院的老师和辅导员在学习和生活中都给予了我很多的关心和帮助，他们的帮助让我有信心、有能力克服一切困难，全心全意的学习，并且顺利的完成学业。在此，向他们献上我最真挚的谢意。另外，在写论文的过程中，我们课题组的师兄和师姐给了我许许多多支持和帮助！特别是张建华师兄，在我制定论文框架时给了我许多的宝贵建议，在我建模时，悉心的给我多次讲解熊老师要我注意的问题，在我进行仿真时，帮我解决了许多软件方面的困难，在格式上，还帮我一一检查。非常感谢张师兄在这段时间对我的帮助！参考文献[1]刘晨晖．电力系统负荷预报理论与方法[M]．哈尔滨：哈尔滨工业大学出版社，1987．[2]张伏生，汪鸿，韩梯等。基于偏最小二乘回归分析的短期负荷预测。电网技术，2003，27~40．[3]邓聚龙．灰色预测与理论[M]．湖北：华中理工大学出版社，1969，3~15．[4]NiuDong-xiao，ZhangWen-wen．AdjustmentGreyModelforLoadForecastingofPowerSystems[J]．ThejournalofGreySystem，1994，(6)：127~134．[5]陈章潮，顾洁．模糊集理论在上海浦东新区电力负荷预测中的应用[J]．系统工程与实践，1995，(1)：23~26．[6]Zhenghua，ZhangLizi．TheFactorAnalysisofShort-TermLoadForecastBasedonWaveletTransform[J]，IEEETransactionsonPowerSystems,PP.1073~1076,2002．[7]ParkDC，EI-SharkawiMA，MarksJetal．ElectricLoadForecastingUsingaNeuralNetwork[J]．IEEETransonPowerSystems．1991，6(2)：442~449．[8]PapalexopoulosAD，HesterbergTC．Aregressionbasedapproachtoshorttermloadforecasting[J]．IEEETransonPowerSystem．1990，5(4)：1535~1547．[9]飞思科技产品中心等著．Matlab6.5辅助神经网络分析与设计[M]．北京：电子工业出版社，2003．[10]韩祯祥，文福拴．人工神经网络在电力系统中应用的新进展[J]．电力系统自动化，1993，17(2)：11~15．[11]牛东晓，曹树华，赵磊等．电力系统负荷预测技术及其应用[M]．北京：中国电力出版社，1998．[12]唐小我．预测理论及其应用[M]．成都：电子科技大学出版社，1992,2~19．[13]T.M.PENG．AdvancementoftheApp1icationNeuralNetworkforshortTermLoadForecasting[J]．IEEETransactiononPowersystem．1992，7(1)：250~257．[14]LippamnnRP．AnlntroductiontoComputingwithNeuralNets[J]．IEEEASSPMagazine，1987，(4)：4~22．[15]陈祥光，裴旭东编著．人工神经网络技术及应用[M].北京:中国电力出版社，2003，1~69．[16]RumelhartDE，HintnoGE，WilliamsRJ．LearningRepresentationbyBackproPagtionErrors[J]．Nature，1986，323(6188)：533~536．[17]韩力群．人工神经网络理论、设计及应用[M]．北京：化学工业出版社，2002，2~6．[18]欧建平，李丽娟．人工神经网络在电力系统短期负荷预测中的应用[J].广东电力.1994,4~7[19]孙洪波，秦翼鸿，徐国禹．用于短期电力负荷预报的人工神经网络方法[J].重庆大学报.1995.7:42-47[20]滕菲，王宁．电力负荷预测技术[J]．黑龙江电力，2002，24(5)：342~345．[21]闻新等著．Matlab神经网络应用设计[M]．北京：科学出版社，2000．[22]LiuBin．WaveletModelingandForecastingandItsApplicationintheChineseMonetaryMultiplier[J]，AppliedMathematicsandMechanics(EnglishEdition)，V01.20，No.8，pp．350～355．Aug.1999．[23]韩民晓，姚蜀军．短期负荷预测方法的研究及在线应用[J]．电力系统自动化，1998，22(10)：34~37．附录A美国东北部地区1996年全年负荷的历史数据RTSLoadDataTheRTSdataisexcerptedfrom[Rts96]Thepeakloadforthesystemis2850MWinthe1996calendaryearTable1.WeeklyPeakLoadinPercentofAnnualPeakWeekPeakLoadWeekPeakLoadWeekPeakLoadWeekPeakLoad186.214752775.54072.42901572.12881.64174.3387.816802980.14274.4483.41775.4308843805881883.73172.24488.1684.119873277.64588.5783.2208833804690.9880.62185.63472.947949742281.13572.648891073.723903670.54994.21171.52488.7377850971272.72589.63869.5511001370.42686.13972.45295.2Table2.DailyPeakLoadinPercentofWeeklyPeakDayPeakLoadMonday93Tuesday100Wednesday98Thursday96Friday94Saturday77Sunday75Table3.HourlyPeakLoadinPercentofDailyPeakHourWinterWeeksSummerWeeksSpring/FallWeeks1-8&44-5218-309-17&31-43WeekdayWeekendWeekdayWeekendWeekdayWeekend12-1am.6778647463751-26372607062732-36068586660693-45966566558664-55964566459655-66065586265656-77466646272687-88670766685748-99580878195839-1096889586998910-11969099911009211-noon9591100939994Noon-1pm.9590999393911-295881009292902-393871009190903-49487979188864-59991969290855-6100100969492886-710099939596927-896979295981008-991949210096979-1083929393909510-1173878788809011-12638172807085附录B用Matlab预测1996年3月6日一天24小时负荷程序全文如下：P=[123612161177113811571275141216671863194219611942182418041765172617651804188319221883176515691373132913081265122312441371151817932004208821092088196119401898185618981940202520672025189816871476;132913081265122312441371151817932004208821092088196119401898185618981940202520672025189816871476130212811240119912191343148817571963204620672046192219011860181918601901198420251984186016531447;130212811240119912191343148817571963204620672046192219011860181918601901198420251984186016531447127612551215117411951316145817211923200420252004188318631822178218221863194419841944182216201417;127612551215117411951316145817211923200420252004188318631822178218221863194419841944182216201417124912291189115011701289142716851883196319821963184418241784174517841824190319431903178415861388;124912291189115011701289142716851883196319821963184418241784174517841824190319431903178415861388121811851121107210561056110412021348144514941526147814621462139713801429149416241575154314621380]';%输入训练前的负荷历史数据T=[130212811240119912191343148817571963204620672046192219011860181918601901198420251984186016531447;127612551215117411951316145817211923200420252004188318631822178218221863194419841944182216201417;124912291189115011701289142716851883196319821963184418241784174517841824190319431903178415861388;121811851121107210561056110412021348144514941526147814621462139713801429149416241575154314621380;11861