《基于改进的BP神经网络算法的短期电力负荷预测 毕业设计》由会员分享，可在线阅读，更多相关《基于改进的BP神经网络算法的短期电力负荷预测 毕业设计（8页珍藏版）》请在金锄头文库上搜索。
1、 电力工程信号处理仿真 基于遗传BP神经网络算法的 电力负荷预测 院 系： 能源与动力工程学院专 业： 电力系统及其自动化指导老师 王瑞霞老师学 号： 115108000887姓 名： 于杏日 期： 2016.01.171引言 在本节门课的作业中，我的综述内容是电力负荷预测算法的分析比较，所以在仿真作业中选择的是用在其中一种算法改进的基础上，来完成短期负荷预测的仿真任务，即用改进的BP神经网络算法实现电力负荷预测。2 BP遗传算法的改进1）标准BP遗传算法的不足:1）学习步长采用确定值且足够小。但是小的步长会使学习过程很慢，大的步长又容易导致学习过程震荡，从而收敛不到期望值；2）一般神经网络在
2、无任何先验知识的条件下，其初始状态都是随机设定的。网络训练的终止条件可由能量函数确定，当能量函数的变化很小时停止。传统的BP算法由于初值选取不当，网络学习往往陷入局部极小，使学习过程失败。2）算法改进方案:针对BP神经网络的两个主要缺点，网络训练速度慢，对初始权值敏感，容易陷入局部极小点提出了如下改进措施:1) 针对神经网络的收敛速度慢的缺陷，可以采用了带有变步长和变动量因子的改进BP算法，采用改进的归一化方法，还可以将Lederberg-Marquardt数值优化技术引入到网络的训练中；2) 针对BP神经网络由于初始权值选取不当容易陷入局部极小点，本文将遗传算法引入到网络初始权值的确定中，提
3、出了遗传算法和BP神经网络相结合遗传BP神经网络训练算法。3）改进的遗传BP神经网络的基本原理遗传BP神经网络的基本原理就是用遗传算法来训练网络参数，直到误差趋于一稳定值，然后用优化的权值进行BP算法实现短期负荷预测。4）算法改进前后流程图a.标准BP算法流程图：开始连接权值及阈值初始值学习步长初始化计算中间层各单元输入、输出计算输出层各单元输入、输出计算累积误差E N 样本训练完 ？ Y调整中间层至输出层之间的连接权及输出层各单元的输出阈值调整输入层至中间层之间的连接权及输出层各单元的输出阈值学习次数I=I+1 N 误差 结束 Y图2-1标准BP算法流程图b.改进后的流程图：连接权值及阈值初
4、始值开始学习步长和动量因子初始化输入样本归一化 N 误差减小 ？ Y=* =0 =* = 计算中间层各单元输入、输出计算输出层各单元输入、输出计算累积误差E调整中间层至输出层之间的连接权及输出层各单元的输出阈值调整输入层至中间层之间的连接权及输出层各单元的输出阈值学习次数I=I+1 N 误差 结束 Y图2-2改进后BP算法流程图3 MATLAB 仿真实现下面仿真所采用的样本是某地区七月份前四天某一小时的数据，将其作为参考，用改进的遗传BP神经网络算法来预测第五天这个小时的用电量，进行短期电力负荷预测。时刻/数据(KW)/日期7月1日7月2日7月3日7月4日00时1095.11138.81053
5、.4998.701时1130.51100.51015.4997.402时1201.51001.11999.1980.803时1013.21987.5979.5950.004时1799.9989.8950.5965.005时1001.2950.0964.9980.506时953.6965.9980.0997.507时964.1981.9980.51006.008时990.21007.41000.41085.009时997.4998.3998.9999.510时1106.31104.91094.51186.111时1086.81101.51100.51209.012时1007.11206.9116
6、9.81172.113时1206.21170.11206.11155.214时1200.81170.11169.51146.215时1168.21151.11169.01141.516时1207.21142.11157.51155.217时1146.51155.61146.51130.518时1201.81132.81141.51120.119时1097.61117.51160.61206.820时1130.81117.51129.51186.921时1097.61176.51117.51158.922时1180.81184.51162.51055.423时1200.21162.11060.5
7、990.0程序：clear allclose alla=1095.1 1130.5 1201.5 1013.2 1799.9 1001.2 953.6 964.1 990.2 997.4 1106.3 1086.8.1007.1 1206.2 1200.8 1168.2 1207.2 1146.5 1201.8 1097.6 1130.8 1097.6 1180.8 1200.2;1138.8 1100.5 1001.1 1987.5 989.8 950.0 965.9 981.9 1007.4 998.3 1104.9 1101.5.1206.9 1170.1 1170.1 1157.2 1
8、151.1 1142.1 1155.6 1132.8 1117.5 1176.5 1184.5 1162.1;1053.4 1015.4 1999.1 979.5 950.5 980.0 980.5 1000.4 998.9 1094.5 1100.5 1206.1.1169.5 1169.0 1157.5 1146.5 1141.5 1160.6 1129.5 1117.5 1206.8 1204.5 1162.5 1060.5;998.7 997.4 980.8 950.0 965.0 980.5 997.5 1006.0 1085.0 999.5 1186.1 1209.0.1172.1
9、 1155.2 1146.2 1141.5 1155.2 1130.5 1120.1 1206.8 1186.9 1158.9 1055.4 990.0; u0=min(min(a);U0=max(max(a);b=(a-u0)/(U0-u0); samplelist=b(1:3,1:end); expectlist=b(4,1:end);SampleLength=size(samplelist,2);sam1=samplelist(:,1:18);sam2=samplelist(:,19:end);ex1=expectlist(1:18);ex2=expectlist(19:end);net
10、=newff(minmax(sam1),20,1,tansig,purelin,trainlm); %20个隐层神经元，1个输入经元net.trainParam.show=30; %设置步长net.trainParam.epochs=500 %最大训练次数net.trainParam.goal=1e-8; %最小均方误差net.trainParam.mu=0.001; %学习速率net=train(net,sam1,ex1); y1=sim(net,samplelist); e1=expectlist-y1; y=y1*(U0-u0)+u0; e=a(4,1:end)-y; subplot(2
11、21);plot(expectlist,r) hold onplot(y1,b-.) ylabel(归一化用电量负荷建模检验图)xlabel(时刻/t)subplot(222)plot(a(4,1:end),r) hold onplot(y,b-.) ylabel(用电量负荷建模检验图)xlabel(时刻/t)subplot(223)plot(e1)ylabel(归一化建模检验误差图)xlabel(时刻/t)axis(0 25 -1 1)subplot(224)plot(e)ylabel(建模检验误差图)xlabel(时刻/t)axis(0 25 -200 200) 图3红线真实数据，蓝线预测
12、数据 在没有考虑温度、天气等其他因素的前提下，可以看出仿真结果可观，所以遗传优化的BP神经网络实现电力负荷预测切实可行。 4 小结此次的仿真作业因为有改算法的部分，所以做起来有点艰难。电力工程信号处理中有用小波分析法实现短期电力负荷预测的章节，我经过阅读分析，虽然对跨专业的我来说在原理理解方面有所帮助，但是难点是编出算法来实现，参考过一些现有的资料之后，最终用遗传BP神经网络算法来实现电力负荷预测。参考可借鉴的改进算法，对具体样本参量的预测过程中，多次修改参数，最后得到较为理想的预测结果。通过这门课程，不但学习了相关的知识理论，而且通过总数报告了解了电力负荷预测的发展概况，通过仿真进一步学习了电力负荷预测中具体预测方法的实现。与其他以作业形式结课的课程相比，王老师将报告与仿真一起作为考核内容，我觉得学习效果是更好的。最后对王老师的悉心教学表示诚挚的感谢。
