《文献综述1 基于Elman神经网络的负荷预测研究》由会员分享，可在线阅读，更多相关《文献综述1 基于Elman神经网络的负荷预测研究（6页珍藏版）》请在金锄头文库上搜索。
1、基于基于 Elman 神经网络的负荷预测研究神经网络的负荷预测研究摘摘 要要电力系统负荷预测是电力生产部门的重要工作之一，其负荷变化具有明显 的周期性，文章采用Elman神经网络与BP神经网络建立模型，提出了一种基于神 经网络的负荷预测方法。对某电网实际历史数据进行仿真预测，经研究发现， Elman模型具有收敛速度快、预测精度高的特点，同时表明利用Elman回归神经 网络建模对某电网负荷进行预测是完全可行的，在负荷预测领域有着较好的应 用前景。引言引言经济的高速发展带来了城市化与工业生产规模的不断发展，也使得城市供 电系统的供需矛盾变得日益突出起来，特别是夏季，城市电力紧缺的现象越来 越普遍。
2、进行供电量的预测不仅可以为合理分配现有的电力资源，新建或者扩 建、改建电厂提供可靠的依据，而且也是影响到居民正常工作和生活基本保障 的一个重要问题。因此，寻找城市供电量的规律性，预测今后几年的供电量， 不仅对于城市建设与城市管理有着重要的指导意义，而且也与居民的日常工作 和生活息息相关。因此电力负荷预测是电力系统运行调度中一项非常重要的内 容，是保证电力系统安全经济运行和实现电网科学管理的基础。 目前在电力系统负荷预测领域应用最广泛的是静态前馈 BP 神经网络，尤 其是短期负荷预测领域应用居多。本文采用 Elman 神经网络的自适应性和较强 的非线性映射能力对某电网的负载进行预测。仿真结果取得
3、了令人满意的结果。 可以预见 Elman 神经网络在电网负荷预测中有广阔的前景。1 某电网负荷特性分析某电网负荷特性分析通过对某电网月度负荷数据序列的分析可知，随时间的推移，月度负荷相 比于往年同一月的历史负荷具有明显的增长趋势，如图1所示为2001-2005年某 电网1O、11、12月用电量；如图2所示为2001-2005年某电网分月用电量。明显 该电网年负荷曲线最高峰多出现在冬季l1、12月份，全年2月份、9月份负荷最 低。图1 2001-2005年某电网1O、儿、12月用电量图 2 2001- 2005 年某电网分月用电量 总体来说，该电网全网用电增长较缓。由于电网中工业用电所占比例加大
4、， 这部分电量又受国家宏观调控以及市场价格的影响，使得 2005 年全网用电增长 平稳，但较近几年相比增长率有所下降。2 Elman 神经网络的基本原理神经网络的基本原理21 网络结构网络结构Elman型回归神经元网络一般分为4层：输入层、中间层(隐含层)、承接层 和输出层，如图3所示。其输入层、隐含层和输出层的连接类似于前馈网络，输 入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传 递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记 忆隐含层单元前一时刻的输出值，可以认为是一个一步延时算子。图3 Elman网络结构不意图 Elman型回归神经元网络的特点
5、是隐藏层的输出通过结构单元的延迟、存 储，自联到隐藏层的输入，这种自联方式使其对历史状态的数据具有敏感性， 内部反馈网络的加入增加了网络本身处理动态信息的能力，有利于动态过程的 建模。此外Elman网络的动态特性仅由内部的连接提供，无需使用状态作为输 入或训练信号，这也是Elman网络相对于静态前馈网络的优越之处。22 算法简介算法简介如图 3 所示，设网络的外部输入(1)u kR，输出为 ( )my kR，若记隐含层的输出为 ( )x kR，Elman 神经网络的非线性状态空间表达式为：3( )( )y kgx k12( )( )(1)cx kfx ku k（1）( )(1)cx kx k其
6、中，k 表示时刻，y，x，u ，cx分别表示 1 维输出节点向量， 维隐含层节点单元向量， 维输入向量和 维反馈状态向量；3，2,1分别表示隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值矩阵；f(.)为隐含层 神经元的传递函数，这里采用 tansig 函数表示，g(.)为输出层传递函数，采用 purelin 函数。由(1)式可得：( )(1)cx kx k12 11(1)(2)kckfx ku k（2）又由于(1)(2)cx kx k2)，上式可以继续展开。说明( )cx k依赖于过去不同时刻的连接权1 1k，2 2k ，即( )cx k是一个动态递推过程。Elman 神经网络学习算
7、法采用的是优化的梯度下降算法，即自适应学习速 率动量梯度下降反向传播算法，它既能提高网络的训练效率，又能有效抑制网 络陷入局部极小点。学习的目的是用网络的实际输出值与输出样本值的差值来 修改权值和阈值，使得网络输出层的误差平方和最小。设第 k 步系统的实际输出向量为( )dyk，在时间段(O，T)内，定义误差函数为：211( )( )2Td kEyky k（3）以3，2为例，将 E 对3，2分别求偏导，可得权值修正公式为：33 11(1)(1) ( )( )*(.)( )( )jdjjkmcyky kgx kmck22(1)(1) ( )( )* (.)(1)( )jqdjqjqkmcyky
8、kfukmck（4）其中， j=l，2，.，m；q=1，2，.，n； 为学习速率，mC 为动量因子，默认值为 0，9。这样在进行更新时不仅考虑了当前梯度方向，还考虑了前 一时刻的梯度方向，降低了网络性能对参数调整的敏感性。3 数据的选取及归一化处理数据的选取及归一化处理 31 数据的选取数据的选取在应用神经网络模型预测电力系统负荷的过程中，有效地选取输入变量是 决定神经网络预测准确性的关键因素。而负荷的变化往往是气温、政治、经济、 社会以及其它随机因素的综合反映，而这些信息往往含有太多的不确定性。即 时刻的负荷不仅受到时刻外部环境及内部因素的影响，而且受到 i-1，i- 2，i-n 时刻诸多因
9、素的影响，具有动态性。因此在本文讨论的模型中，输 入变量的选取仅仅基于前述电网用电量的基本历史信息。32 网络结构设计网络结构设计确定神经网络的拓扑结构是神经网络模型实现预测的前提，在兼顾神经网 络的收敛性、收敛的快速性、预测的准确性的前提下，确定模型的网络结构： 输入层节点数为 7 个，即实际历史用电量；隐含层节点数为 15 个，通过反复训 练网络确定；输出层节点数为 1 个，即待预测用电量。隐含层的传递函数为 S 型函数(1ogsig)，输出层和承接层均为线性函数。33 数据归一化处理数据归一化处理为使那些比较大的输入仍然落在传递函数梯度大的地方，应对输入样本进 行归一化处理，本文在输入层
10、采用式(5)将负荷值换算为0，1区间的值，在输 出层再利用式(6)换算回负荷值。minmaxminxxyxx(5)minmax(1)xy xyx(6)其中minx，maxx分别代表样本集中的最小值和最大值，按工程应用中一般规律分别取 09 倍的最小值和 11 倍的最大值。4 实例仿真实例仿真本文对前述电网 2OOl 一 2OO6 年 2 月、3 月和 4 月历史用电量数据进行预 测，其中，Elman 网络的训练样本采用 2001-2006 年 1 月的用电量数据，而将2006 年 2 月、3 月及 4 月份的数据作为测试样本。也就是将网络学习训练结果， 对 2006 年 2 月、3 月和 4
11、月的用电量进行预测。训练过程曲线如图 4 所示。在 相同的精度要求下，分别用 Elman 网络模型和 BP 神经网络模型进行预测。两 种方法对 2 月、3 月和 4 月用电量的预测结果如表 1 所示。2006 年 3 月训练误 差曲线如图 4 所示。图 4 训练误差曲线 在实现网络训练和预测中，利用 Matlab 神经网络工具箱编程。由于权值和 阈值均随机初始化，程序每次执行时收敛的速度有些不同，但相对于 BP 网络， 收敛速度有较大提高，预测精度也有明显改善。5 结论结论电网系统的负荷受多种因素的影响，与诸多影响因素之间是一种多变量、 非线性的关系，且这种关系具有动态性，因而传统方法的预测精
12、度不高。而 Elman 神经网络具有良好的动态特性，针对上述特点，为了更好地进行预测， 本文采用 Elman 神经网络模型建立了预测电网用电量的模型，并进行了实例预 测。文中还比较了 Elman 网络和 BP 网络结构的建模效果，仿真实验证明了 Elman 神经网络具有动态特性好、逼近速度快、预测负荷准确可靠等特点，说 明采用 Elman 动态网络比 BP 网计 2009 年投运。该站应用的电子式互感器结构如图 9 所示。其中电流互感器采用罗高夫斯 基线圈，采集器电源采用母线采电及激光供能相结合方式；电压互感器采用串 行感应分压器，由于采集器处于低电压区域，因此主要以 220 V 交流电为主要
13、 供能方式。该站 110 kV、220 kV 均采用电子式互感器，共 45 只，另有 8 只为安装于 中性点的电子式电流互感器。出于经济性考虑，35 kV 电压等级的互感器除了 变压器间隔外，其他均采用常规干式互感器。不同互感器之间的信号由合并器 集中处理，同步主要采用插值同步，并配有 GIS 同步接口，必要时可采用 GIS同步。参考文献参考文献1孙志祥，晋伟平，杨俊宏，等110 kV 数字化变电站建设 EJ云南电力技 术，2007，35(3)：4445 2高鹏，迟清，张莉数字化变电站技术及其在陕西电网的应用J陕西电力， 2007，35(6)：711 3李九虎，郑玉平，古世东，等电子式互感器在
14、数字化变电站的应用 EJ电力系统自动化，2007，31(7)：9498 4徐大可，赵建宁，张爱祥，等电子式互感器在数字化 变电站中的应用J高电压技术，2007，33(1)：7882 5GBT 2084082OO7，互感器第 8 部分：电子式电流互感器 Es E6GBT 2084072oO7，互感器第 7 部分：电子式电压互感器S 7夏勇军，苏昊，胡刚，等电子式互感器原理及工程应用进展J湖北电力， 2007，31(4)：1-4 8罗承沐，张贵新，王鹏电子式互感器及其技术发展现状口J电力设备， 2007，8(1)：2024 9钱政，申烛，王士敏，等新型 GIS 中电子式光学电流电压互感器的设计 J
15、中国电力，2001，34(8)：2528 10王政平，康崇，张雪原，等有源型光学电流互感器研究进展口激光与 光电子学进展，2004，41(10)：3438 11陈应林，黄德祥，孙志杰OET700 电子式互感器的结构与性能J变压器， 2006，43(6)：15 12黄德祥，孙志杰，陈应林新型高电压测量装置数字光电式串联感应 分压器的研制J高压电器，2005，41(2)：143145 13王鹏，张贵新，朱小梅，等基于故障模式与后果分析继故障树法的电子 式电流互感器可靠性分析J电网技术，2006，30(23)：1520 14王鹏，张贵新，李莲子，等电子式互感器误差分析J清华大学学报(自 然科学版)，2007，47(7)：11o511O8 15曹团结，尹项根，张哲，等 电子式互感器数据同步的研究 EJ电力系 统及其自动化学报，2007，19(2)：108113
