《最新人工神经网络在短期负荷中的应用》由会员分享，可在线阅读，更多相关《最新人工神经网络在短期负荷中的应用（4页珍藏版）》请在金锄头文库上搜索。
1、最新人工神经网络在短期负荷中的应用人工神经网络在电力短期负荷预测中的应用短期负荷预测简介短期负荷预测通常是指24小时的日负荷预测和168小时的周负荷预测，本文主要预测的是日平均负荷，对于短期负荷预测，有两个根本要求：1它必须精确。例如，准确度要求预测相对误差不超过3%；2短期负荷预测的目的是预测即时预测，而不是像中期负荷预测那样，预测负荷的开展趋势。负荷是即时变化的，因此，要求用以进行短期负荷预测的模型能够随时适应负荷的变化，所以理想的情况应是进行在线预测。所以时间要越短越好。日负荷预测一般是要考虑天气因素影响的，实际上天气因素和负荷的关系，是复杂的非线性关系，精确的考虑是非常困难的。为了解决
2、这个问题可以将人工神经网络引入电力负荷预测领域。人工神经网络，通过多个神经元的相互连接，使其输入和输出构成一个复杂的非线性处理系统，用于日负荷预测，同样利用其可以记忆复杂的非线性输入输出映射关系的特性，而这种特性正是一些传统的负荷预测方法难以实现的。人工神经网络简介神经网络在目前已有几十种不同的模型。在人们提出的几十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART(自适应共振理论)网络。其中BP网络是反向传播(Back Propagation)网络。它是一种多层前向网络，采用最小均方差学习方式。这是一种最广泛应用的网络。BP算法是用于前馈多层网络的学习
3、算法，前馈多层网络含有输入层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层，由于它们和外界没有直接的联系，故也称为隐层。在隐层中的神经元也称隐层单元。隐层虽然和外界不连接但是，它们的状态那么影响输入输出之间的关系。这也是说，改变隐层的权系数，可以改变整个多层神经网络的性能。3 多层前向BP网络也存在着问题：BP算法的学习速度很慢，其原因主要有：a 由于BP算法本质上为梯度下降法，而它所要优化的目标函数又非常复杂，因此，必然会出现“锯齿形现象，这使得BP算法低效；b 存在麻痹现象，由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差
4、改变很小，使训练过程几乎停顿；c 为了使网络执行BP算法，不能用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规那么预先赋予网络，这种方法将引起算法低效。网络训练失败的可能性较大，其原因有：a 从数学角度看，BP算法为一种局部搜索的优化方法，但它要解决的问题为求解复杂非线性函数的全局极值，因此，算法很有可能陷入局部极值，使训练失败；b 网络的逼近、推广能力同学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题。难以解决应用问题的实例规模和网络规模间的矛盾。这涉及到网络容量的可能性与可行性的关系问题，即学习复杂性问题；网络结构的选择尚无一种统一而完整的理论指导，
5、一般只能由经验选定。为此，有人称神经网络的结构选择为一种艺术。而网络的结构直接影响网络的逼近能力及推广性质。因此，应用中如何选择适宜的网络结构是一个重要的问题；新参加的样本要影响已学习成功的网络，而且刻画每个输入样本的特征的数目也必须相同；网络的预测能力也称泛化能力、推广能力与训练能力也称逼近能力、学习能力的矛盾。一般情况下，训练能力差时，预测能力也差，并且一定程度上，随训练能力地提高，预测能力也提高。但这种趋势有一个极限，当到达此极限时，随训练能力的提高，预测能力反而下降，即出现所谓“过拟合现象。此时，网络学习了过多的样本细节，而不能反映样本内含的规律。4 算法的改良为了克服BP的这些缺陷，
6、本人对算法做了一些改良确定连接权修正值 的计算过程，实际上是优化计算的梯度下降法。当能量公式对应的误差曲面为窄长型时，这种算法在谷的两壁跳来跳去，影响了网络的收敛速度，对算法最普通的改良方法是增加附加动量项。利用附加动量项可以起到平滑梯度方向的剧烈变化，增加算法的稳定性。在具体计算中，学习率越大，学习速度会越快，但过大时会引起震荡效应；而动量因子取得过大可能导致发散，过小那么收敛速度过慢。并为了解决BP易于陷于极小值现象，用人工遗传算法来优化BP网络的初始权值。遗传算法是根据生物进化思想而启发得出的一种全局优化算法，在本质上是一种不依赖具体问题的直接搜索方法，它仅需给出目标函数的描述，从一组随
7、机产生的称为“种群(population)的初始解开始，从全局空间出发搜索问题的最优解。由于遗传算法善于全局搜索，且能以较大的概率找到全局最优解，故用它来完成前期搜索能较好的克服BP算法的局部极小的缺陷。将GA和BP结合起来，形成GA-BP混合训练算法，以GA优化BP网络的初始权值和阈值，再由BP算法按负梯度方向修正网络权值及阈值，进行网络训练。这种方法防止了BP网络易陷入局部极小问题，到达优化网络目的，更能精确的实现城市用电量预测。实例讲解以某市某区某变电站2022年1-3月份日用电量以及影响用电量的温度因素作为训练和测试样本对BP网络进行验证。网络的输入数据有7个，即预测日的平均温度，预测
8、日前两天的日用电量与平均温度，及预测日前一周的日用电量与平均温度，故输入层节点数m=7；输出层输出数据个数为1，即输出预测日的日用电量；隐含层节点数初定为2m+1=15；采用实数编码，易求得染色体长度s=55。交叉概率取0.3、选择概率取0.8、变异概率0.05，初始种群个数N=30。以2022年1月1日到3月21日80组数据为训练样本，经过60次遗传迭代后，求得其最优个体，将最优个体解码为BP网络的初始权值和阈值，以此为根底进行网络训练，训练过程中使用的各参数值设置如下：显示间隔次数disp_fqre=25，最大循环次数max_epoch=15000，目标误差err_goal=0.001，学
9、习速率lr=0.001。以2022年3月21日到2022年3月31日10组数据作为测试样本，输入以上训练好的网络，预测该10天的用电量；为证明GA-BP算法的优越，同时以相同的数据进行标准BP算法和加动量项法进行用电量预测。从程序运行的结果可以看出，加动量项法和GA-BP方法明显优于标准BP预测方法；从训练过程显示的图中也可以看出，加动量项法的训练速度明显比BP的快多了，但加动量项法与BP算法一样，泛化能力较差，而GA-BP不仅解决了这个问题，而且可以对样本数的要求也不高，并减少了隐含层的个数，从而简化了网络结构。由此可见，用GA-BP方法预测用电量比拟令人满意。但GA-BP方法的训练时间随着
10、迭代次数的增加而延长，不利于短期负荷预测的及时性，所以本文将加动量项法和GA-BP方法结合起来，笔者通过实验证实了这样的算法既加快了训练进程又解决了BP的过拟合问题，提高了BP网络的泛化能力。 附件是我用matlab6.5编的程序，其中调用了神经网络工具箱和遗传工具箱GAOT提供上GAOT工具箱只要把它放到work里，选中右击，选“add to path，选一即可 以下是参考论坛还有可以上相关的群和论坛：群：负荷预测和SVM8931660_人工智能之港湾_6981719神经网络2774765Dynamics+CI+Control遗传8541526研学matlab俱乐部-34442717研学论坛交友俱乐部3944695电力学子网 国外站点： 1 MathWorks公司主页： :/ mathworks 3 MATLAB中心： :/ mathworks /matlabcentral/ 包括了MATLAB新闻组、MATLAB程序大赛与文件交换中心等页面 国内中文站点： 国内大学bbs： 2 哈工大紫丁香MATLAB板：
