《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《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、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一般是指24小时的日负荷预测和1小时的周负荷预测,本文重要预测的是日平均负荷,对于短期负荷预测,有两个基本规定:(1）它必须精确。例如，精确度规定预测相对误差不超过;(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，预测负荷的发展趋势。负荷是即时变化的,因此,规定用以进行短期负荷预测的模型可以随时适应负荷的变化,因此抱负的状况应是进行在线预测。因此时间要越短越好。日负荷预测一般是要考虑天气因素影响的，事实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。为理解决这个问题可以将人工神经网络引入电力
2、负荷预测领域。人工神经网络，通过多种神经元的互相连接,使其输入和输出构成一种复杂的非线性解决系统,用于日负荷预测，同样运用其可以记忆复杂的非线性输入输出映射关系的特性,而这种特性正是某些老式的负荷预测措施难以实现的。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Hpfield网络、B网络、ohnen网络和ART(自适应共振理论）网络。其中BP网络是反向传播（Back Propagati）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。P算法是用于前馈多层网络的学习算法,前馈多层网络具有输入层、输出层以及处在输入
3、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,它们的状态则影响输入输出之间的关系。这也是说,变化隐层的权系数,可以变化整个多层神经网络的性能。3 多层前向B网络也存在着问题:BP算法的学习速度很慢，其因素重要有：a 由于P算法本质上为梯度下降法，而它所要优化的目的函数又非常复杂,因此,必然会浮现“锯齿形现象”,这使得BP算法低效;b存在麻痹现象,由于优化的目的函数很复杂,它必然会在神经元输出接近0或的状况下，浮现某些平坦区,在这些区域内,权值误差变化很小,使训练过程几乎停止; 为了使网络执行P算法，不
4、能用老式的一维搜索法求每次迭代的步长,而必须把步长的更新规则预先赋予网络,这种措施将引起算法低效。网络训练失败的也许性较大,其因素有:a 从数学角度看,P算法为一种局部搜索的优化措施,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，算法很有也许陷入局部极值，使训练失败;b网络的逼近、推广能力同窗习样本的典型性密切有关，而从问题中选用典型样本实例构成训练集是一种很困难的问题。难以解决应用问题的实例规模和网络规模间的矛盾。这波及到网络容量的也许性与可行性的关系问题,即学习复杂性问题；网络构造的选择尚无一种统一而完整的理论指引,一般只能由经验选定。为此，有人称神经网络的构造选择为一种艺术。而网
5、络的构造直接影响网络的逼近能力及推广性质。因此，应用中如何选择合适的网络构造是一种重要的问题;新加入的样本要影响已学习成功的网络，并且刻画每个输入样本的特性的数目也必须相似；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。一般状况下，训练能力差时,预测能力也差，并且一定限度上,随训练能力地提高，预测能力也提高。但这种趋势有一种极限,当达到此极限时,随训练能力的提高,预测能力反而下降，即浮现所谓“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。 算法的改善为了克服B的这些缺陷,本人对算法做了某些改善拟定连接权修正值的计算过程,事实上是优
6、化计算的梯度下降法。当能量公式相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,对算法最一般的改善措施是增长附加动量项。运用附加动量项可以起到平滑梯度方向的剧烈变化,增长算法的稳定性。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;而动量因子获得过大也许导致发散，过小则收敛速度过慢。并为理解决B易于陷于极小值现象，用人工遗传算法来优化P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措施,它仅需给出目的函数的描述,从一组随机产生的称为“种群(pulatin)”的初始解开始,从全局空间出发搜
7、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，故用它来完毕前期搜索能较好的克服B算法的局部极小的缺陷。将GA和B结合起来，形成A-BP混合训练算法,以GA优化BP网络的初始权值和阈值，再由B算法按负梯度方向修正网络权值及阈值,进行网络训练。这种措施避免了B网络易陷入局部极小问题，达到优化网络目的,更能精确的实现都市用电量预测。实例解说以某市某区某变电站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=；输出层输
8、出数据个数为,即输出预测日的日用电量；隐含层节点数初定为21=15；采用实数编码,易求得染色体长度=55。交叉概率取03、选择概率取8、变异概率0.5,初始种群个数=。以1月1日到3月21日80组数据为训练样本，通过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,以此为基本进行网络训练,训练过程中使用的各参数值设立如下:显示间隔次数di_qe25,最大循环次数m_ep=150，目的误差ergal=00,学习速率lr0.01。以3月1日到3月31日1组数据作为测试样本，输入以上训练好的网络,预测该0天的用电量;为证明A-BP算法的优越,同步以相似的数据进行原则BP算法
9、和加动量项法进行用电量预测。从程序运营的成果可以看出，加动量项法和GA-P措施明显优于原则BP预测措施;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P算法同样,泛化能力较差,而A-P不仅解决了这个问题，并且可以对样本数的规定也不高,并减少了隐含层的个数,从而简化了网络构造。由此可见，用GA-P措施预测用电量比较令人满意。但GBP措施的训练时间随着迭代次数的增长而延长,不利于短期负荷预测的及时性,因此本文将加动量项法和GA-P措施结合起来，笔者通过实验证明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,提高了网络的泛化能力。 附件是我用atab6.
10、5编的程序，其中调用了神经网络工具箱和遗传工具箱AOT提供上GAOT工具箱只要把它放到work里,选中右击，选“adph”,选一即可如下是参照论坛尚有可以上有关的群和论坛：群:负荷预测和VM89160_人工智能之港湾681719神经网络274765ynacsC+Conrl（遗传)8516研学mtl俱乐部344717研学论坛交友俱乐部3949论坛:国家电力信息网:电力学子网 ne 国外站点:1） MatWors公司主页:)thWrks公司技术支持页面：） MTL中心:、MTAB程序大赛与文献互换中心等页面 4） 德国的一种M文献数据库：5）MATHTOS 站点：国内中文站点: 1）MATL大观园:2) 仿真论坛LA板：3) 动力学控制论坛工程数学软件板：4）研学论坛MAB板：5)TL语言及应用:6) 中科大M数学工具论坛:国内大学bb: ） 水木清华attos板：2)哈工大紫丁香ATAB板: 3） 上海交大饮水思源Matool板：亚丁小屋:
