毕业设计：基于BP神经网络的短期电力负荷预测（终稿）-精品

西安工业大学北方信息工程学院

本科毕业设计（论文）

题目：基于BP神经网络的短期电力负荷预测

系 别 电子信息工程系 专 业 电气工程及其自动化 班 级 B070307 姓 名 宋 亮 学 号 B07030716 导 师 张荷芳 焦灵侠

2011年6月

毕业设计（论文）任务书

系别 电子信息系 专业 电气工程自动化 班 b070307 姓名 宋亮 学号 b07030716 1.毕业设计（论文）题目： 基于bp神经网络的短期电力负荷预测 2.题目背景和意义：电力系统是由电力网、电力用户组成，其作用就是对各类用户尽可能经济地提供可靠而合乎标准要求的电能，以随时满足负荷要求。但是由于电力的生产与使用具有其特殊性，即电能是不能储存的。这就要求系统发出电力随时紧跟系统负荷的变化动态平衡，否则，就会影响供用电的质量。电力系统负荷预测因此发展起来，成为工程科学中重要的研究领域，是电力系统自动化中一项重要内容。在电力系统安排生产计划和实际运行的过程中，负荷预测起着十分重要的作用，主要表现在以下几个方面： (1)经济调度的主要依据。对电力系统来说，必须对用户提供可靠而经济的电能，以随时满足各类用户的要求，亦即满足用户的负荷需求，而在另一方面，又要考虑生产成本，由于电能不能大量储存，因此必须在确保系统安全的情况下尽量减少实时发电备用容量。(2)生产计划的要求。电力系统中，由于其可靠性的要求，各种发、供电设备都有确定的检修周期。(3)电力系统安全分析的基础。电力事

故所造成经济损失和社会影响是巨大的，必须尽量避免。 3.设计(论文)的主要内容（理工科含技术指标）： 负荷预测并达到一定误差范围之内。

4.设计的基本要求及进度安排（含起始时间、设计地点）：电子系实验室

1-5周；开题，针对原理及应用、主要技术难点的收集资料，熟悉课题方案。 6-10周； 完成方案论证，确定设计方案。

10-15周；利用Matlab对系统做进一步的仿真分析 16-18周；完成所有的设计工作，整理资料，完成毕业论文，准备答辩。 5.毕业设计（论文）的工作量要求 400机时

*

① 实验（时数）或实习（天数）： 100天

*

② 图纸（幅面和张数）：A4×2

③ 其他要求： 论文：15000字以上；外文翻译：5000字以上

指导教师签名： 年 月 日

学生签名： 年 月 日

系主任审批： 年 月 日 说明：1本表一式二份，一份由学生装订入册，一份教师自留。

2 带*项可根据学科特点选填。

1I

基于BP神经网络的短期电力负荷预测

摘 要

负荷预测技术是近年来各国潜心研究的一个新领域，它对于电力系统的规划与运行、获得最好的经济效益，有重大的意义。特别是电力科技与其它学科发展将会更加交融和促进。利用人工神经网络方法来对电力负荷进行短期预测是一种常用而且非常有效的一个方法。因此，与人工神经网络相关的一些预测算法就成为预测技术发展的一个重点。

本文首先对预测技术，人工神经网络及其应用于电力系统进行了一些理论基础的介绍和探讨工作，重点介绍了BP网络在负荷预测方面的一些知识及实际应用。本文以实例为背景，详细论述了BP网络在电力负荷预测中的实际应用，并深入研究了在实际的系统中从输入模式的划分，隐节点的选取，权值的修改，学习率的调整等实际的问题。对于节假日的负荷，本文对其进行另外的讨论。

最后用MATLAB仿真得到预测结果并分析了预测结果。

关键词：电力系统；短期负荷预测；BP；人工神经网络

1II

Short-Term Electric Power Load Forecasting Based on

Neural Network MODEL

Abstract

Load forecasting technology is a new field in which many countries research with great concentration in recent few years. Load forecasting technology plays an important role not only in the design and running in power system but also in the increase of economical benefit. Short-term Load prediction based on artificial neural network is a common but most efficacious method. So some forecasting algorithms attached to ANN begin to be a promising and important field in the development of prediction technology.

The paper primarily explicated some algorithms about prediction in EMS. Firstly,the background and development of prediction technology are introduced and then some introduction of basic theory and research work have been done about how to apply ANN to prediction technology, during which HP network and BP network are introduced importantly and then some improvement about the application of ANN to prediction technology is given. With an example the paper explicitly discusses the application of BP network in load prediction and has a deep research in pattern division of inputting, the selection on the number of the hidden layer, the modifying of weight, the adjustment of the speed of the study and etc. In the paper, a new and sufficient method about the selection of the training sample is proposed and also the division of inputting in festivals is operated with a new method by using interpolation. Besides, in the paper, the longest predicable time is studied theoretically and practically operated. The compare of the two kinds of network and their respective privilege and limitations is the emphasis in the paper.

The paper cites chaos theory to predict technology. In the end the paper give some prospects and hypothesis on the prediction.

Key words:Power System;Short-Term Load Forecasting(STLF); BP; Artificial Neural

Network(ANN)

1III

目 录

1 绪 论 ......................................................................................................... 1

1.1 负荷预测的目的和意义 ........................................................................................ 1 1.2 国内外研究现状 .................................................................................................... 1 1.3 本文主要研究内容 ................................................................................................ 2

2 电力负荷预测分析 ................................................................................... 4

2.1电力系统负荷预测的分类和特点 ......................................................................... 4 2.1.1电力系统负荷预测的分类............................................................................... 4 2.1.2电力系统负荷预测的特点和基本原理........................................................... 4 2.1.3电力负荷预测的影响因素............................................................................... 5 2.1.4电力负荷预测的要求....................................................................................... 6 2.2 短期电力负荷预测的主要方法及模型 ................................................................ 6 2.3 预测方法比较 ...................................................................................................... 10

3 人工神经网络 ......................................................................................... 11

3.1神经网络的发展概述 ........................................................................................... 11 3.2 神经网络的特点 .................................................................................................. 12 3.3神经网络学习控制 ............................................................................................... 12 3.4神经网络非线性控制 ........................................................................................... 13 3.5神经网络用于预测技术 ....................................................................................... 13

4 BP神经网络 ............................................................................................ 15

4.1 BP神经网络结构................................................................................................. 15 4.2 BP神经网络的学习方式..................................................................................... 15 4.3 BP算法的数学描述............................................................................................. 16 4.3.1 网络误差与权值的调整分析........................................................................ 16 4.3.2 BP 算法推导对于输出层 ............................................................................. 17 4.4 BP神经网络的主要特点..................................................................................... 18

5 系统设计与实现 ..................................................................................... 20

5.1 具体实例分析 ...................................................................................................... 20 5.2 输入/输出变量设计 ............................................................................................ 21 5.3 BP网络仿真设计................................................................................................. 22

1IV

西安工业大学北方信息工程学院毕业设计（论文）

对有些因素能预先估计，有些因素则不能或很难被准确预测。另外，预测方法与理论的不断更新，也将影响到预测的精度。

（2）预测的条件性。各种电力负荷预测都是在一定条件下做出的。这些条件有必然条件和假设条件，按必然条件做出的负荷预测往往是可靠的，按假设条件做出的预测准确性显然具有条件性。比如说，预测模型训练时有些参数初始值的设定不同，预测结果会不同，很显然，由此做出的负荷预测就具有了特定的条件性。

（3）预测结果的多方案性。由于负荷预测精度问题要求、预测条件的制约不同，再加上预测手段及理论数学模型的多样性，使得预测的结果并非是唯一的[5]。

b. 原理

由于负荷预测具有不确定性、条件性、多方案性等特点。建立负荷预测模型和实施预测方法，一般要基于以下几个基本原理[6]。

（1）相似性原理

相似性原理即事物的发展过程和发展状况可能与过去一定阶段的发展过程和发展状况存在相似性，根据这种相似性可以建立相同的预测模型。例如：在特殊假期内(如春节、国庆等长时间公众假期中)，由于社会用电需求状况类似，导致电力负荷表现出一定的相似性。

（2）连续性原理

连续性原理指预测对象从过去发展到现在，再从现在发展到将来，其中某些特征得以保持和延续，这一过程是连续变化的。例如：各个地区的用电量具有连续性，这些连续性为电力预测工作提供了基本依据。

（3）相关性原理

即未来负荷的发展变化同许多其他因素有很强的相关性，这些因素直接影响预测结果。例如：某地的负荷预测同本地区的经济因素、气象因素及历史负荷相关。若没有其他因素的影响，日电力负荷曲线形状应相似。 （4）规律性原理

即事物的发展变化有内在规律，这些规律是可以为人们所认识的。在负荷预测中，可以发现实际电力负荷曲线是有规律的。例如：在晚上12点后至早晨8点前存在一个电力负荷低谷点。在早晨8点上班后至下午6点下班前，大部分电力设备运行，则存在电力负荷的高峰点。 2.1.3电力负荷预测的影响因素

影响电力负荷预测的因素有很多，通过实践与总结，人们逐渐认识到影响这种规律变化的因素主要有如下的几种：

a.电力系统内部因素。内部因素具有线性变化和周期变化的特点。利用线性变

5

西安工业大学北方信息工程学院毕业设计（论文）

量可以描述以24小时为周期的平均电力负荷变化规律。

b.气候因素。由于电网接入的设备种类众多而且这类设备启闭都与天气因素有关，气候因素主要包括温度、风力、阴晴、雨雪等，特别是温度和湿度对电力负荷的影响，温度过高和温度过低都会导致大功率设备的开启，从而增加电力系统的负荷[7] [8]。

c.时间因素。比如季节变化、星期循环、法定假日等都可以导致不同区域电力负荷的不同，一般情况下节假日的负荷比正常日的负荷低很多。

d.不定因素。比如轧钢厂、同步加速器等设备的运行将产生冲击性电力负荷，引起较大的负荷波动。还有就是自然灾害、电力调度事件、电力系统紧急事故都可以影响电力负荷的明显变化。 2.1.4电力负荷预测的要求

随着市场经济的发展、用户用电量的提高，人们对短期电力负荷预测技术提出更高的要求：a.一般要求至少需要预测每小时的电力负荷；b.一般要求在早上n点之前提交预测结果以便做出相应的电力调度计划；c.电力负荷预测的精度要求为误差不能超过3%；d.要求预测时间短。所以本设计研究的预测模型与算法应该尽量满足以上要求。

2.2 短期电力负荷预测的主要方法及模型

用于短期负荷预测方法很多，近年来，预测理论技术取得了长足的进步，负荷预测的新技术层出不穷，综合起来主要的预测方法有以下几种。

（1）回归模型预测法

电力负荷回归模型预测技术就是根据负荷过去的历史资料，建立可以进行数学分析的数学模型，对未来的负荷进行预测。回归分析法所采用的模型如下： y(t)?b0?b1X1(t)???bnXn(t)??(t) (1.2) 其中，y(t)是t时刻对应预测点的预测负荷值；

Xi(t)是一组观察值，为给定的预测点；

bj（j=0，1，…，n）为回归方程的回归系数；

?(t)是随机干扰，即白噪声，服从正态分布N(0,?2)。

根据回归分析设计变量的多少，可以分为一元回归分析和多元回归分析。在回归分析中，自变量是随机变量，由给定的多组自变量因变量资料，研究各自变量和因变量之间的关系，形成回归方程。而回归方程根据自变量和因变量之间的函数形式，又可分为线性回归方程和非线性回归方程两种。式(1.2)即是多元线性回归分析方程，式中的回归系数bj可利用最小二乘法，使观察值和估计值的残差

6

西安工业大学北方信息工程学院毕业设计（论文）

平方和最小获得。

在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响系统负荷的各种因素，如社会经济、人口、气候等。但这种回归模型更适用于电力系统的中、长期负荷预测。而且回归分析有两个难点：一是回归变量的选取，因选取主要因素而忽略次要因素；二是变量因素的量化涉及到计量经济学的范畴，过于麻烦。

（2）时间序列法

处理随机时间序列问题的最有效方法是Box-Jenkins的时间序列法，其基本的时间序列模型主要有四种：自回归模型（AR），描述为现在值可以由其本身的过去值的有限项的加权和及一个干扰量（假定为白噪声）来表示；动平均模型（MA），描述为现在值可由其现在与过去的干扰量的有限项的加权和来表示；自回归动平均模型（ARMA），即现在值可看作是其过去值的有限项的加权和及其现在与过去干扰量的有限项加权和的叠加；积累式自回归动平均模型（ARIMA），适用于含有趋势项的非平稳随机过程。

时间序列法是目前电力系统短期负荷预测中发展最为成熟的一种算法。电力负荷时间序列预测技术，就是根据负荷的历史资料，设法建立一个数学模型来描述电力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确立负荷预测的数学表达式，对未来的负荷进行预报。其基本模型如下：

Y(t)?B1(t)?B2(t) (1.3) 在上式中，Y(t)是t时刻系统的总负荷；

B1(t)是t时刻系统基本正常负荷分量； B2(t)是t时刻系统随机负荷分量。

虽然时间序列法比回归法更适用于短期负荷预测，但这种经典方法在天气和温度变化不大的时候，才容易取得比较满意的结果；当天气变化较大或遇到节假日等情况，这种方法存在较大的误差。Takeshi Haida 等人为了处理天气对负荷的影响，在自回归（AR）的日负荷预测模型基础上又引进转化技术（Transformation Technique），该方法假设今年的天气-负荷关系与去年的天气情况接近。而H.T Yang 等人提出用进化过程（volutionary Programing）来解决当确定ARMA参数时模型陷入局部极小的问题。

虽然时间序列法可用于各种负荷预测，但预测步数越长，预测精度越差。同时为了克服时间序列法对天气等因素的不敏感，很多研究者提出了用神经网络，专家系统或模糊技术来补充这一缺陷。

（3）人工神经网络（Artificial Neural Network,ANN）技术

运用神经网络技术进行电力符合预测，是刚刚兴起的一种新的研究方法，其

7

西安工业大学北方信息工程学院毕业设计（论文）

优点是可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别是其自学习和自适应功能是常规算法和专家系统技术所不具备的。因此，预测是人工神经网络的最有潜力的应用领域之一，有非常广泛的用途。由于人工神经网络适于解决时间序列预测问题(尤其是平稳随机过程的预测)，在电力系统负荷预测中进行应用在理论上是可行的。1991年Park D.C 等人第一次将ANN应用于电力系统负荷预测，并取得了另人满意的结果。

现在研究最多的是应用误差反向传播算法(Error Back-Propagation,又称为BP)进行短期负荷预测，常用的是简单的三层ANN模型，就能实现从输入到输出间非线性映射任何复杂函数关系，其主要思路为：将历史数据中对电力负荷影响最大的几种因素作为输入(刺激，impulse)-输出数据对，如当天的天气气温、天气晴朗度(又称能见度）、风向风力、峰谷负荷及相关负荷等，把这些相关因素作为输入量输入人工神经网络，经过输入层、隐含层和输出层中各神经元的作用最后生成输出量，再与输入—输出对中所希望的输出项比较，确定是否在误差允许范围内，否，则重新修改各个权重直到达到精度要求；是，则确定权重开始进行预测工作，只要把待预测日的相应刺激输入神经网络就可以得到相关的输出，即预测结果。由于人工神经网络具有一定的联想和推理功能，所以对于训练过程中没有出现过的情况，神经网络同样可以进行预测。

人工神经网络技术的主要优点在于它不需要任何负荷模型，但其缺点是训练过程比较消耗时间，并且它并不能保证一定收敛，同时神经能够网络的结构确定，输入变量的恰当选取，隐含层树木的大小等问题都要在实践中进行摸索，但这种方法仍然具有其不可比拟的优点：具有很好的函数逼近能力；较好的解决了天气和温度等因素与负荷的对应关系；通过学习，能够反映输入/输出之间复杂的非线性关系。所以，人工神经网络得到了许多中外学者的赞誉。

（4）模糊逻辑（Fuzzy Logic）技术和专家系统

L.A.Zadeh 于1965年在《模糊集》一文中首次提出了模糊数学和模糊控制问题，并给出了定量描述方法，自此模糊激励论便作为一门崭新的学科显示出强大的生命力。近年来，模糊集理论在电力系统中的应用也得到了飞速发展。模糊理论适合描述广泛存在的不确定性，同时他具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数，并能够从大量的数据中提取他们的相似性，这些特点正是进行短期负荷预测所需要的或是其他方法所欠缺的优势所在。

所谓模糊预测方法，如同人工神经网络，是模拟人脑工作的过程，仅仅模拟专家的推理和判断方式，并不需要建立精确的数学模型。由于电力系统中许多现

8

西安工业大学北方信息工程学院毕业设计（论文）

象是不精确的、模糊的，而模糊理论中的“隶属函数”可比较明确的描述专家的意图。负荷的变化一般有总的发展趋势和随机的临时变化两个部分，总的发展趋势可以从历史数据用回归法或时间序列法等取其规律，已经有可靠的把握；但气象的影响和临时发生的重大事件，现在还没有足够准确的预报方法作为负荷变化的根据。这些因素对负荷变动的数学关系，也没有足够的把握。因此，经验丰富的调度员(专家）觉察这些因素时做出应付的手段，往往比计算预测准确。所以这个随机部分可以就各地不同的具体条件，把各调度所同专家的经验与判断方法，构造成不同的专家系统，形成模糊集的规则表。

虽然模糊理论在电力系统负荷预测中取得了很好的成就，但随着模糊理论的更深入的研究和应用，模糊理论暴露了一些不足：模糊的学习能力比较弱；当其映射区域划分不够细时，映射输出比较粗糙。

（5）小波分析（Wavelet）技术

小波分析（wavelet analysis）是Fourier分析深入发展过程中的一个新的里程碑，是本世纪数学研究成果中最杰出的代表，已成为众多学科共同关注的热点。一方面，小波分析发扬了Fourier分析的优点，克服了Fourier分析的某些缺点。另一方面，小波分析现在已经被广泛应用于信号处理、图象处理、量子场论语言识别与合成、地震预报、机器视觉、机械故障诊断与监控、数字通信与传输等众多领域。

电力系统中日负荷曲线具有特殊的周期性，负荷以天、周、年为周期发生波动，大周期中嵌套小周期。而小波分析是一种时域-频域分析方法，它在时域和频域上同时具有良好的局部化性质，并且能根据信号频率高低自动调节采样的疏密，容易捕捉和分析微弱信号以及信号、图象精细的采样步长，从而可以聚集到信号的任意细节，尤其是对奇异信号很敏感，能很好的处理微弱或突变的信号，其目标是将一个信号的信息转化成小波系数，可以方便的处理、存储、传递、分析或被用于重建原始信号，这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。

（6）组合方法预测技术

无论是经典的负荷预测模型或是智能预测模型，都有其不足和缺点，所以结合各种预测模型优点的组合方法得到了越来越多的关注。

总之，结合方法取得了另人满意的效果，它弥补了单一方法的不足，提高了预测精度。

（7）其它预测方法

除了以上阐述的几种方法，其它的短期负荷预测方法还有：指数平滑法、卡尔曼滤波法、灰色系统方法、遗传算法等等。这些方法都在电力系统短期负荷预

9

西安工业大学北方信息工程学院毕业设计（论文）

测中得到了应用，但各有局限性[9]。

2.3 预测方法比较

回归模型预测技术在负荷预测问题中，回归方程的因变量一般是电力系统负荷，自变量是影响系统负荷的各种因素，如社会经济、人口、气候等。但这种回归模型更适用于电力系统的中、长期负荷预测。而且回归分析有两个难点：一是回归变量的选取，因选取主要因素而忽略次要因素；二是变量因素的量化涉及到计量经济学的范畴，过于麻烦。

时间序列法可用于各种负荷预测，但预测步数越长，预测精度越差。同时时间序列法对天气等因素不敏感。

人工神经网络技术的主要优点在于它不需要任何负荷模型，人工神经网络具有任意逼近非线性函数的特性，可以模仿人脑的智能化处理，对大量非线性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点。用人工神经网络对电力负荷历史数据进行拟合，是抽取和逼近负荷曲线进行负荷预测的有效方法。它的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定，不要求知道输入输出变量间的函数关系，只需要对输入输出数据进行训练，获得输入输出之间的映射关系，就可进行电力负荷预测。负荷预测就成为其应用研究的一个主要领域，其基本上是近几年研究最热的短期电力负荷预测方法[10]。

模糊理论适合描述广泛存在的不确定性，它具有强大的非线性映射能力，能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数，并能够从大量的数据中提取他们的相似性。

小波分析技术可以方便的处理、存储、传递、分析或被用于重建原始信号，这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。

经过上面预测算法比较分析，我们选择人工神经网络对电力负荷进行预测。 由于人工神经网络具有很多种算法模型，本课题主要研究BP神经网络。

10

3 人工神经网络

3 人工神经网络

3.1神经网络的发展概述

人工神经网络（Artificial Neural Network，简称ANN），或称为神经网络（Neural Networks，简称NN）是由大量的，同时也是很简单的处理元（神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。神经网络具有大规模并行，分布式存储和处理，自组织，自适应和自学习能力，特别适用于处理需要同时考虑许多因素和条件的，不精确和模糊的信息处理问题。神经网络的发展与神经科学，数理科学，认知科学，计算机科学，人工智能，信息科学，控制论，机器人学，微电子学，心理学，光计算，分子生物学等有关，是一门新兴的边缘交叉学科。

神经网络的研究始于二十世纪四十年代。1943年，心理学家McCulloch和数学家Pitts就已合作提出了形式神经元的数学模型，即MP模型，从此开创了神经科学理论研究的时代。自1982年Hopfield发表了自反馈神经网络的文章到1986年是神经网络发展的复兴时期，D.E.Rumelhart和J.L.McCelland及其研究小组提出的PDP(Parallel Distributed Processing)网络思想，为神经网络研究新高潮的到来起到了推波助澜的作用。特别是随后许多学者的工作都证实了多层前馈网所实现的映射可一致逼近紧集上的连续函数或以范数的意义逼近紧集上的平方可积函数，神经网络这种任意逼近能力为它在非线性系统建模和控制中的应用提供了坚实的理论基础。然而，这种任意逼近能力的证明都是非构造性的，这为神经网络的具体应用带来不便。因而许多学者都致力于各种神经网络学习算法的研究，以便得到满足实际应用的神经网络拓扑结构和参数[11]。

特别是他们提出的误差反向传播算法，即BP算法，已成为至今影响最大，应用最广的一种网络学习算法。如今，ANN技术己经广泛的应用于社会生产的各个领域，这些领域包括模式识别，信号处理，知识工程，专家系统，优化组合，智能控制。特别是能处理任意类型的数据，无须知道数据的分布规律，这是许多传统方法所无法比拟的，通过不断学习，能够从未知模式的大量的复杂数据中发现其规律。时至今日，人工神经网络在民用、军用等领域得到广泛应用。在理论研究方面来看，当前的工作主要侧重于研究网络算法的性能（包括稳定性，收敛性，容错性，鲁棒性等），开发新的网络数理理论（神经网络动力学，非线性神经场），用数理方法探索智能水平更高的人工神经网络模型，以及利用神经生理与认知科

11

西安工业大学北方信息工程学院毕业设计（论文）

学研究大脑思维及智能机理。随着不同智能学科领域之间的交叉与渗透，人工神经网络必将对智能科学的发展发挥更大的作用。

3.2 神经网络的特点

（1） 结构特点：信息处理的并行性、信息存储的分布性。人工神经网络是由大量简单处理元件相互连接构成的高度并行的非线性系统，具有大规律并行性处理特性。结构上的并行性使神经网络的信息存储采用分布式方式:即信息不是存储在网络的某个局部，而是分布在网络所有的连接中。

（2） 功能特点：高度的非线性、良好的容错性。神经元的广泛联系并行工作使整个网络呈现出高度的非线性特点，而分布式存储的结构特点使网络在两个方而表现出良好的容错性。

（3） 能力特征：自学习、自组织与自适应性。自适应包含自学习与自组织两层含义:神经网络的自学习是指外界环境发生变化时，经过一段时间的训练和感知，神经网络能通过自动调整网络结构参数，使得对于给定输入能产生期望的输出;神经系统能在外部刺激下按一定规则调整神经元之间的突触连接，逐渐构建起神经网络。这一构建过程称为网络的自组织。

人工神经网络的模型主要有反向传播（BP,back propagation）网络，径向基函数（RBF,radial basis function）神经网络，PID(比例，积分，微分)神经网络，连续型Hopfield网络等等。

其中，基于误差反向传播理论的前馈网络方法（BP模型）是一种比较成熟且简单和有效的方法。BP算法概念简单，形式对称，理论基础坚实，所得网络误差曲线较平滑，用BP算法进行负荷预测，应用最为广泛[12]。

3.3神经网络学习控制

由于受控系统的动态特性是未知的或者仅有部分是己知的，因此需要寻找某些支配系统动作和行为的规律，使得系统能被有效地控制。在有些情况下，可能需要设计一种能够模仿人类作用的自动控制器。基于规则的专家控制和模糊控制是实现这类控制的两种方法，而神经网络（NN）控制是另一种方法，我们称它为基于神经网络的学习控制、监督式神经控制，或NN监督式控制。

图3.1给出一个NN学习控制的结构，图中，包括一个导师(监督程序)和一个可训练的神经网络控制器（NNC）。

控制器的输入对应于由人接收(收集)的传感输入信息，而用于训练的输出对应于人对系统的控制输入。

12

西安工业大学北方信息工程学院毕业设计（论文）

图3.1 监督式学习NN控制器的结构 控制受控状态 学习 参考信号 导师 选择器 + 受控对象 —3.4神经网络非线性控制

神经网络非线性控制具有多种结构，例如内模控制、非线性预测控制和级联多层回转网络非线性控制等。图3.1表示NN预测控制的一种结构方案。

预测控制又称为基于模型的控制，它是70年代发展起来的一种新的控制算法，其算法的本质是预测模型、滚动优化和反馈校正。预测模型用于描述控制对象的动态行为，根据系统当前输入和输出信息，预测未来的输出值。由于神经网络模型能够足够精确地描述动态过程，所以可用作基本模型，使控制器具有更强的鲁棒性。

3.5神经网络用于预测技术

有许多因素使ANN适合于负荷预测技术，诸如：ANN需要大量的历史数据，而电力系统可以提供；电力负荷预测是一个非线性且具有多种关联输入的问题；ANN具有较强的泛化能力且相对来说ANN不易受噪声干扰。

神经网络预测背后的主要思想是它能从历史负荷数据中找出其隐含的趋势。由于电力负荷受多种因素影响(季节，气候，经济因素等)，这些因素是通过训练数据由神经网络学习得到，相对来说，对明确分解的历史负荷模式不是太必要。 神经网络用于预测控制通常有三个特征，同时对应三个步骤，即预测，优化和反馈校正。其基本框图如图3.2。

对人工神经网络进行训练的原则之一就是让它从错误中学习。不断肯定它的正确识别(即正确的输出值)，不断减少它的错误识别(错误的输出值)的概率。对人工神经网络的训练过程就是要不断改变人工神经网络的净输入，而改变净输入的办法就是调整输入的权值。可以说，神经网络训练的过程就是调整权重的过程。

多层人工神经网络的一个很主要的问题是：在建立稳定的求解状态之前，要多次利用输入矢量，对每种模式反复进行计算和误差反传。当误差函数存在多个

13

西安工业大学北方信息工程学院毕业设计（论文）

局部极小点时，收敛速度很慢，而且可能收敛到局部极小点[13]。

输入 控制量度 输出

预测算法 对象 神经网络模型 预测输出量 预测误差 图3.2 神经网络用于预测控制

目前已经提出了几十种ANN模型，多层前馈神经网络即为其中之一，它也被

广泛地用于模式识别，联想记忆等问题。目前，短期电力负荷预测中使用的ANN 模型主要是这种多层前馈神经网络，其中神经元激活函数经常采用S型函数如式3.1：

f?x??11?e?x (3.1)

14

4 BP神经网络

4 BP神经网络

4.1 BP神经网络结构

Kolmogorov 定理指出任意一个连续函数或映射可以精确地由一个三层人工神经网络实现，Hecht-Nielsen 又指出一个三层 BP 网络可满足一般函数拟合逼近问题[10]。目前，在各种神经网络模型中，采用反向传播算法的多层感知器模型（BP神经网络）在电力系统负荷预测中应用较多。BP 网络是典型的无反馈前向网络，它具有输入层节点、输出层节点及隐含层节点，理论上隐含层可以取一层或多层，但较大部分在电力负荷预测领域应用的 BP 网络都取一层隐含层。BP 神经网络模型如图4.1。 ....... 输出层 反向 传播 ....... ....... 隐层 ....... 输入层 ....... 图4.1 BP网络模型

4.2 BP神经网络的学习方式

BP 网络的有两种学习方式，这是由于在求导运算中假定了所求的误差函数的导数是所有模式的导数和，因此权值的改变方式就有两种。

（1） 批处理学习：对提供的所有模式的导数求和，再改变权值，即将所有的样本数据作为一批，统一进行网络权值的最佳选择。对每个模式要计算出权值误差导数，直到遍历所有模式后再累加，此时才计算权值变化 ,并把它加到实际的权值矩阵上，每个训练周期只做一次。由于权的修正是在输入所有样本再计算其总误差后进行的，所以称为批处理。具体地说批处理修正可以保证总误差向减小方向变化，在样本数多的时候，它比分别处理的收敛速度快。本文采用批处理

15

西安工业大学北方信息工程学院毕业设计（论文）

学习方式。

（2） 按模式学习：对每一个新的样本点，算法都对网络的权值进行修正，在计算出每个模式的导数后，求导数和并改变权值，这就是按模式学习方式。逐个样本修正法，更适用于在线应用，但这一方法收敛速度慢，且目前在全局寻优方面还缺少理论依据[14]。

4.3 BP算法的数学描述

文中dk、ok 为输出层第 k 个输出变量的期望输出和实际输出，yj为隐含层输出, wjk、?l为隐含层到输出层的权值与阀值，vij、?i为输入到隐含层的权值与阀值，f?x?为变换函数，E为网络误差。则：

对于输出层有：

（4.1） ok?f?netk? k=1,2,…l

netk???wj?0mjkyj??l ? （4.2）

对于隐含层有：

yj?f?netj? j=1,2,…m （4.3）

netj???vi?0nij xi??i? （4.4）

变换函数f?x?为取值范围在（0，1）之间的单极性sigmoid函数如式4.5。

f?x??1 ?x （4.5）1?e4.3.1 网络误差与权值的调整分析

当网络输出与期望输出不等时,存在输出误差函数E定义为为各节点希望输出值与实际输出值之差的平方和：

1lE???dk?ok?

2k?121l=??dk?f?netk??l??? 2k?1?l??m??=E?1?d?f?k??wjkyj??l??2k?1??j?0????22 （4.6）

进一步展开至输入层有：

16

西安工业大学北方信息工程学院毕业设计（论文）

2?m??1l?E???dk?f??wjkf?netj???2k?1????j?0?? （4.7）

由上式可以看出，网络误差输入是各层权层wjk,vij的函数。因此，调整权值、阀值，可以改变误差E 。显然，调整权值的原则是使误差不断减少。因此，应使权值的调整量与误差的梯度下降成正比[12]。

?wjk????E j=0,1,2?m;k=1,2?l （4.8） ?wij?E i=0,1, ?n;j=1,2,?m （4.9） ?vij?vij???负号表示梯度下降，其中?，?是可变参数，?，? ?（0,1）。在训练中反映了学习速率。这种算法称为误差的梯度下降算法。 4.3.2 BP 算法推导对于输出层

?wjk????E?E?netk （4.10） ?????wij?netk?wij对于隐含层：

?vij????E?E?netj （4.11） ????vij?netj?vij对输出层和隐含层各定义一个误差信号，令输出层：

?ko???E （4.12）

?netk隐含层：

?jy???E （4.13） ?netj?ko???E?E?ok?E'（4.14） ?????f?netk???dk?ok?ok?1?ok?

?netk?ok?netk?ok?E?E?yi?E'?l? ?????????f?netj??????kowjk???yi?1?yi?xi （4.15）

?netj?yi?netj?yi?k?1?yj所以，对于 BP 学习算法权值调整计算公式为：

?wjk???ko?yj???dk?ok?ok?1?ok?yj （4.16）

17

西安工业大学北方信息工程学院毕业设计（论文）

?l??vij???xi??????kowjk???yi?1?yi?xi （4.17）

?k?1?yj其中?, ?为学习速率，学习速率决定每一次循环训练中所产生的权值变化量。太大的学习速率可能导致系统的不稳定，但太小的学习速率将会导致训练较长，收敛速度很慢。所以，一般选取较小的正数为学习速率，以保证系统的稳定性，学习速率的选取范围在 0.01～0.8 之间。利用快速训练算法中提供的缺省值一般能得到比较好的学习效果。

综上所述，BP算法的基本步骤如下。

给定样本数据，并设置网络结构，初始化网络权值与阀值； a. 输入训练样本时，利用 3.2，3.4 式计算各层输出；

b. 前向计算，利用 3.6 式计算网络输出误差；设共有 P 对训练样本，网络对于不同的样本具有不同的误差，可将全部样本输出误差的平方，进行累加再开方，作为总输出误差。本文预测精度的性能函数采用均方根误差作为网络的总误差。

c. 计算各层误差信号:应用公式 3.14，3.15 式计算（局部梯度）。

d. 调整各层权值、阀值:应用公式 3.16，3.17 式计算各分量，计算各阈值。 e. n =n+1迭代，输入新的样本（或新的一周期样本）。根据步骤（3）、（4）进行前向和反向计算，直到输出误差满足要求。将n =n+1迭代，输入新的样本，进行下一次训练，使所有的输出误差都满足给定的最小误差要求，训练结束[15]。 ERME?EM I

（4.18）

4.4 BP神经网络的主要特点

BP 算法是一个很有效的算法，许多问题都可由它来解决，其主要特点如下。 （1）BP 算法是把一组样本的 I/O 问题变为一个非线性问题，使用了优化中最普通的梯度下降法，用迭代运行求解权值，使系统误差达到要求的程度。

（2）实现 I/O 非线性映射。BP 网络可实现从输入空间到输出空间的非线性映射。若输入节点数为 n，输出节点数为 m，则实现的是 n 维到 m 维空间的映射，即：T：R→R，可见 BP 网络通过若干非线性处理单元的复合映射，可获得复杂的非线性处理能力。

（3）泛化能力。对于 BP 网络，为了得到较好的泛化能力，除了要有训练样本集外，还要有测试样本集。有时随着网络学习训练次数的增加，训练样本的系统误差会减少，而测试样本的系统误差有可能不减小或增大，这说明泛化能力减弱。泛化能力还与网络结构有关，即与网络的隐层数和节点数有关，选择的原则是：结构尽量简单且具有较强的泛化能力。

18

西安工业大学北方信息工程学院毕业设计（论文）

BP 网络模型已成为神经网络重要的模型之一，在很多领域得到了应用，但它也存在一些不足。从数学上看，它是一个非线性优化总是这就不可避免地存在局部极小点问题；BP 网络的学习算法收敛速度较慢，且收敛速度与初始的选择有关；网络的结构，即隐层及节点数的选择尚无理论指导，而是根据经验选择[16]。

19

5 系统设计与实现

5 系统设计与实现

5.1 具体实例分析

本课题将对西安市2010年3月7号电力负荷进行预测，3月1号到6号电力负荷数据作为训练样本训练网络，历史负荷数据见表5.1。

表5.1 历史负荷数据表

数据 日期 2010-3-1 2010-3-2 63.83333 63.91667 60.16667 55.66667 61.66667 66.58333 55.66667 66.66667 60.75000 66.91667 76.25O07 68.66666 60.83333 71.66667 56.25000 63.91667 60.83333 67.91667 72.41667 69.16667 67.75000 55.66667 68.25000 75.91667 2010-3-3 62.08333 64.25000 63.00000 60.75000 63.91667 65.91667 63.91667 55.66667 63.91667 60.75000 73.16667 55.66667 68.58333 60.83333 65.00000 62.25000 64.0O090 81.08333 69.33333 65.58333 61.48667 64.91667 55.66667 71.41667 2010-3-4 57.33333 63.00000 61.66667 65.75000 61.50000 61.66667 67.91667 63.91667 60.08333 68.58333 60.75000 70.66667 63.91667 69.16667 63.91667 65.08333 69.41667 71.50000 66.25000 63.58333 55.66667 59.33333 67.00800 55.66667 2010-3-5 60.83333 62.50000 63.58333 62.00000 65.75000 63.16667 60.75000 63.91667 63.0008O 63.91667 65.16667 66.91667 60.83333 68.66667 60.58333 61.91667 67.58333 63.91667 71.25000 65.08333 58.41667 68.75000 65.75000 71.16667 2010-3-6 65.41667 66.16667 58.66667 59.75000 59.00000 64.16667 66.16667 60.08333 60.75000 59.16667 60.75000 69.91667 64.83333 69.25000 60.16667 73.33333 63.91667 67.16667 70.50000 63.91667 71.25000 55.66667 64.66667 55.66667 0：00 63.08333 1：00 57.08333 2：00 64.91667 3：00 58.75000 4：00 63.66667 5：00 61.66667 6：00 63.91667 7：00 62.75070 8：00 63.91667 9：00 55.66667 10：00 11：00 12：00 13：00 14：00 15：00 16：00 17：00 18：00 19：00 20：00 21：00 22：00 23：00 63.91667 60.83333 75.66667 60.83333 63.91667 60.66667 68.25000 73.08333 73.08333 75.25000 68.83333 69.50000 67.16667 69.75000 20

西安工业大学北方信息工程学院毕业设计（论文）

5.2 输入/输出变量设计

本设计将一周的每一天不加区分地看做不同的类型，在预测的前一天中，每小时对电力负荷进行1次测量，这样一来，一天共测得24组负荷数据。由于负荷曲线相邻的点之间不会发生突变，因此后一刻的值必然和前一刻的值相关，除非出现重大事故等特殊情况。所以这里将前一天的实时负荷数据作为网络的样本数据。因此，输入变量就是一个24维的向量[16]。

显而易见，目标向量就是预测日当天的24个负荷值，即一天中每个整点的电力负荷。这样一来，输出向量就成为一个24维的向量。

获得输入和输出变量后，要对其进行归一化处理。因为神经网络的输入参数和输出参数有不同的基准，若实际的负荷数据不加处理直接使用，可能致使学习过程中结果不收敛，使模型失效。为避免出现这种情况，输入和输出负荷数据应该归一到[0，1]之间，可用下边的公式5.1。

??L?Lmin （5.1） L

Lmax?Lmin?为网络输入的归一化的负荷，L为最小负荷，0.75倍谷值负荷，L为最Lmaxmin大负荷，1.25倍峰值负荷[17][18]。

在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量就是预测日当天的电力负荷。由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。如果从提高网络精度的角度出发，一方面可以增加网络训练的样本数目，另一方面还可以增加输入向量的维数。即，或者增加每天的测量点，或者把预测日前几日的负荷数据作为输入向量。目前，训练样本数目的确定没有通用的方法，一般认为，样本过少可能使得网络的表达不够充分，从而导致网络的外推的能力不够；而样本过多可能会出现样本冗余现象，既增加了网络的训练负担，也有可能会出现信息量过剩使得网络出现过拟合现象。总之，样本的选取过程需要注意代表性、均衡性和用电负荷的自身特点，从而选择合理的训练样本。因此，在本系统的训练过程中，我们选取2010年3月1日到3月6日的整点有功负荷值作为网络的训练样本，预测3月7日的电力负荷。如表5.2所示。

表5.2样本数据

样本 日期 2010-3-1 2010-3-2 63.83333 63.91667 60.16667 2010-3-3 62.08333 64.25000 63.00000 2010-3-4 57.33333 63.00000 61.66667 2010-3-5 60.83333 62.50000 63.58333 2010-3-6 65.41667 66.16667 58.66667 0：00 63.08333 1：00 57.08333 2：00 64.91667 21

西安工业大学北方信息工程学院毕业设计（论文）

55.66667 61.66667 66.58333 55.66667 66.66667 60.75000 66.91667 76.25O07 68.66666 60.83333 71.66667 56.25000 63.91667 60.83333 67.91667 72.41667 69.16667 67.75000 55.66667 68.25000 75.91667 60.75000 63.91667 65.91667 63.91667 55.66667 63.91667 60.75000 73.16667 55.66667 68.58333 60.83333 65.00000 62.25000 64.0O090 81.08333 69.33333 65.58333 61.48667 64.91667 55.66667 71.41667 65.75000 61.50000 61.66667 67.91667 63.91667 60.08333 68.58333 60.75000 70.66667 63.91667 69.16667 63.91667 65.08333 69.41667 71.50000 66.25000 63.58333 55.66667 59.33333 67.00800 55.66667 62.00000 65.75000 63.16667 60.75000 63.91667 63.0008O 63.91667 65.16667 66.91667 60.83333 68.66667 60.58333 61.91667 67.58333 63.91667 71.25000 65.08333 58.41667 68.75000 65.75000 71.16667 59.75000 59.00000 64.16667 66.16667 60.08333 60.75000 59.16667 60.75000 69.91667 64.83333 69.25000 60.16667 73.33333 63.91667 67.16667 70.50000 63.91667 71.25000 55.66667 64.66667 55.66667 3：00 58.75000 4：00 63.66667 5：00 61.66667 6：00 63.91667 7：00 62.75070 8：00 63.91667 9：00 55.66667 10：00 11：00 12：00 13：00 14：00 15：00 16：00 17：00 18：00 19：00 20：00 21：00 22：00 23：00 63.91667 60.83333 75.66667 60.83333 63.91667 60.66667 68.25000 73.08333 73.08333 75.25000 68.83333 69.50000 67.16667 69.75000 5.3 BP网络仿真设计

用第四章所描述的的三层神经网络模型，含一个隐含层，其中输入层和输出层神经元个数由输入变量及输出变量数决定。文中对未来每小时负荷预测模型中，输出层神经元个数为24，输入层神经元个数在不同模型中有所区别，模型中为24个输入数据。隐层个数的确定是非常重要的，会直接影响网络性能。如果隐含层神经元数目过少，网络很难识别样本，难以完成训练，并且网络的容错性也会降低;如果数目过多，则会增加网络的迭代次数，延长网络的训练时间，同时也会降低网络的泛化能力，导致预测能力下降。本文采用经验公式：H?M?N??，（1

在程序设计中，BP神经网络采用批处理学习方式，将一天的24组各22个输入样本数据一次性提供给网络进行训练，构建24点输出的神经网络，最终得到一天的负荷预测值[19]。

22

西安工业大学北方信息工程学院毕业设计（论文）

在本文中，网络中间层的传输函数采用S(sigmoid)形函数如式5.2。 f?x??1 （5.2）

1?e?x输出层神经元传递函数则采用线性函数logsig。

创建BP网络：

threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0

1;0 1;0 1;0 1;0 1;0 1];

net=newff(threshold,[50,24],{‘tansig’,’logsig’} ,’traingd’) 网络训练：

网络训练次数设定为5000；训练目标定为0.01；学习速率定为0.1 训练代码为：

net.trainParam.epochs=5000; net.trainParam.goal=0.01; net.trainParam.lr=0.1;

net=train(net,P,T); %P为输入向量，T为输出向量

可见，经过3216次训练后，网络误差达到要求，结果如图5.2所示。

图5.2 训练结果

23

西安工业大学北方信息工程学院毕业设计（论文）

训练好的网络还需要进行测试才可以判定是否可以投入实际使用。这里的测试数据就是表5.1中的2010年3月6日的电力负荷来预测7日的用电负荷，以检验预测误差能否满足要求。代码如下：

%P_test为6日的电力负荷作为测试向量 Y=sim(net,P_test);

这里利用仿真函数sim来计算网络的输出，运行结果为：

Y= 0.3985 0.2555 0.2479 0.2517 0.2931 0.3033 0.3655 0.5499 0.4496 0.5754 0.5888 0.5951 0.5001 0.4989 0.5428 0.5987 0.5946 0.5984 0.5998 0.6012 0.5746 0.5264 0.3848 0.3154

输出结果经过反归一化处理后得到预测的7日的电力负荷值，和实际电力负荷值相比较可得到网络的预测误差，如表5.3所示。

表5.3 负荷误差表

2010-3-7 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00 实际值(MW) 67.75000 57.83333 59.41667 57.75000 59.83333 63.08333 63.91667 65.66667 69.75000 55.08333 66.08333 72.50000 66.33333 64.75008 59.83333 64.25000 62.58333 63.91667 70.50000 74.58333 67.16667 72.25000 65.91667 69.33333 预测值(MW) 57.33333 63.00000 61.66667 65.75000 61.50000 61.66667 67.91667 63.91667 60.08333 68.58333 60.75000 70.66667 63.91667 69.16667 63.91667 65.08333 69.41667 71.50000 66.25000 63.58333 55.66667 59.33333 67.00800 55.66667 误差 3.36% 5.35% 2.24% 2.19% 2.77% 1.96% 5.37% 0.67% 1.87% 1.02% 1.22% 1.54% 2.08% 0.30% 3.77% 2.29% 4.06% 3.38% 2.26% 1.20% 5.43% 4.01% 1.86% 3.75% 负荷曲线拟合图，如图5.3所示。

24

西安工业大学北方信息工程学院毕业设计（论文）

图5.3 负荷曲线拟合图

本例完整的MATLAB代码如下：

P=[0.2644 0.2366 0.2129 0.1970 0.1990 0.2228 0.2604 0.2861 0.3990 0.4426 0.4485 0.4485 0.4030 0.4069 0.4089 0.4188 0.4743 0.5574 0.6228 0.6327 0.5911 0.5317 0.3970 0.3139;

0.2822 0.2703 0.2406 0.2465 0.2307 0.2802 0.3634 0.3772 0.5079 0.5356 0.5594 0.5059 0.4683 0.4663 0.4802 0.4861 0.5277 0.5871 0.6505 0.6683 0.6564 0.5693 0.4545 0.3535;

0.2941 0.2842 0.2624 0.2505 0.2624 0.2941 0.3931 0.4010 0.5178 0.5356 0.5515 0.5178 0.4723 0.4723 0.4683 0.4604 0.5158 0.5851 0.6683 0.6604 0.6446 0.5495 0.4307 0.3257;

0.2782 0.2505 0.2446 0.4941 0.5554 0.6129 0.6545 0.6485 0.6248 0.5554 0.4228 0.3277 0.4802 0.4762 0.2347 0.2446 0.2822 0.3733 0.4030 0.5238 0.5495 0.5475 0.5218 0.3257;

0.2723 0.2446 0.2366 0.2267 0.2327 0.2703 0.3713 0.3772 0.5040 0.5317 0.5634 0.5356 0.5020 0.4960 0.5020 0.4941 0.5455 0.5931 0.6663 0.6723 0.6327 0.5376 0.4248 0.3218;

25

西安工业大学北方信息工程学院毕业设计（论文）

0.2822 0.2703 0.2406 0.2465 0.2307 0.2802 0.3634 0.3772 0.5079 0.5356 0.5594 0.5059 0.4683 0.4663 0.4802 0.4861 0.5277 0.5871 0.6505 0.6683 0.6564 0.5693 0.4545 0.3535; ]'; %输入向量

T=[ 0.2941 0.2842 0.2624 0.2505 0.2624 0.2941 0.3931 0.4010 0.5178 0.5356 0.5515 0.5178 0.4723 0.4723 0.4683 0.4604 0.5158 0.5851 0.6683 0.6604 0.6446 0.5495 0.4307 0.3257;

0.2782 0.2505 0.2446 0.4941 0.5554 0.6129 0.6545 0.6485 0.6248 0.5554 0.4228 0.3277 0.4802 0.4762 0.2347 0.2446 0.2822 0.3733 0.4030 0.5238 0.5495 0.5475 0.5218 0.3257;

0.2782 0.2505 0.2446 0.4941 0.5554 0.6129 0.6545 0.6485 0.6248 0.5554 0.4228 0.3277 0.4802 0.4762 0.2347 0.2446 0.2822 0.3733 0.4030 0.5238 0.5495 0.5475 0.5218 0.3257;

0.2960 0.2644 0.2564 0.2406 0.2386 0.2663 0.3119 0.3198 0.4406 0.4861 0.5099 0.4822 0.4762 0.4644 0.4624 0.4624 0.5079 0.5733 0.6545 0.6426 0.6208 0.5317 0.4168 0.3277;

0.2802 0.2584 0.2545 0.2426 0.2505 0.2941 0.3832 0.4069 0.5376 0.5693 0.5713 0.5475 0.5059 0.5000 0.5059 0.5059 0.5574 0.5931 0.6426 0.6366 0.6129 0.5416 0.4347 0.3614;

0.3099 0.2802 0.2842 0.2604 0.2703 0.2960 0.3891 0.4089 0.5337 0.5594 0.5752 0.5495 0.5139 0.5158 0.5277 0.5317 0.5673 0.5792 0.6129 0.6109 0.5931 0.5257 0.4010 0.3257]'; %输出向量

%创建网络

threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];

net=newff(threshold,[50,24],{'tansig','logsig'} ,'traingd') %训练网络

net.trainParam.epochs=5000; net.trainParam.goal=0.01; net.trainParam.lr=0.1; net=train(net,P,T); %网络的测试

26

西安工业大学北方信息工程学院毕业设计（论文）

P_test=[0.3099 0.2802 0.2842 0.2604 0.2703 0.2960 0.3891 0.4089 0.5337 0.5594 0.5752 0.5495 0.5139 0.5158 0.5277 0.5317 0.5673 0.5792 0.6129 0.6109 0.5931 0.5257 0.4010 0.3257]';

Y=sim(net,P_test); %绘制负荷拟合曲线 x=1:1:24;

a=[474 470 458 454 452 473 518 525 587 595 605 589 565 564 572 580 593 612 626 624 619 577 525 494]';

b=[523.7425 451.5275 447.6895 449.6085 470.5155 475.6665 507.0775 600.1995 549.5480 613.0770 619.8440 623.0255 575.0505 574.4445 596.6140 624.8435 622.7730 624.6920 625.3990 626.1060 612.6730 588.3320 516.8240 481.7770]';

plot(x,a); hold on plot(x,b,'r'); hold off

5.4 预测结果分析

可以看出，我们利用BP网络进行的短期负荷预测基本上可以达到要求，但是，

也有一些存在的问题：由于训练样本并未加入温度，湿度等调节参数，使得预测的精度不够完美，特别在一些负荷起伏较大的时间段，预测的精度起伏也较大，曲线不够稳定。这主要是三个原因：一是获得数据材料的复杂性，二是国内的气象预报还未有按小时计测的在线的气象预报，三是各种预报参数的不完整性。另一个存在的问题是由于该模型需要预报前一小时和前24小时的历史负荷数据，这样，如果相应数据不存在，那么将无法进行在线学习和预报。该模型存在的第三个问题是虽然获得了一定的精度，但由于样本的选取较为严格，所以样本的需求量比普通的人工神经网络模型要大[20]。

5.5 MATLAB 简介

MATLAB神经网络工具箱4.0版是由Mathworks公司最新推出的MATLAB6.X高性能可视化数值计算软件的组成部分。它主要针对神经网络系统的分析和设计，提供了大量可供直接调用的工具箱函数，图形用户界面Simulink仿真工具。

MATLAB6.X的动态仿真工具Simulink中提供了专门用于设计神经网络预测

27

西安工业大学北方信息工程学院毕业设计（论文）

控制器的工具模块。在建立了被控对象的系统模型后，利用该模块，用户可以方便地建立基于神经网络的预测控制系统，还可以在Simulink环境中对所设计的系统进行动态可视化仿真和分析。

本系统采用MATLAB开发平台。MATLAB具有数值计算，数据可视化功能和易于使用的编程开发环境，典型的应用包括工程计算，算法开发，建模和仿真，数据分析和可视化应用程序开发等。MATLAB提供了一个集成化的开发环境，在这个开发环境中用户可根据需要设计仿真模型，执行仿真过程，并且可以分析仿真结果。本课题主要用到MATLAB中的神经网络工具箱，图形用户界面以及Simulink神经网络设计模块。

28

6 结论与展望

6 结论与展望

6.1 结论

电力系统是一个非线性的，各种数据错综复杂的系统。随着经济和科技的日益发展，它将会成为一个数字化、信息化、互联、交直流并存、电能质量大大提高的强大系统。电力科技与其它学科发展交融也会变得越来越重要。负荷预测技术是电力能量管理系统的一部分。它的目的是要对未来几日或几月的负荷量进行预测，使电力系统能够更好的为各行各业服务。

本文主要是阐述了人工神经网络在短期负荷预测技术中的应用，主要是究基于反向传播算法的BP网络和径向基函数网络在短期负荷预测技术方面的性能，并对它们在这一领域的应用进行了比较。在神经网络应用于预测技术的过程中，由于电力负荷数据受多种因素影响，是一个周期性和随机性统一的系统，所以采用神经网络对训练样本进行训练，找出潜在的规律性比纯粹的数学办法或基于统计理论的预测更具有生命性，更加有效。本文在对实例进行设计实现的时候，重点注意到负荷模式的划分对于设计一个神经网络模型是至关重要的。在用BP网络实现该预测模型的时候，对BP算法固有许多局限性进行了讨论，其中涉及到初始权值的选取，隐层节点数的确定，易陷入局部极小值以及易出现过拟合等问题都进行了讨论和研究。最后，实验结果表明人工神经网络应用于预测技术会答到允许的误差范围内，也取得了一定的效果。

6.2 展望

当然，现在应用于负荷预测的多种方法，基于不同的模型，基于不同的算法应用于实际预测时会产生不同的效果，不能单一的说哪种方法好哪种方法不好，比如要得到准确的预测值，除了考虑最小误差，还得考虑成本，训练样本集等多个问题，一味的追求小的误差也是不合理的，这涉及到网络的推广能力。一个好的预测模型不应该只是适应于一组训练样本，而应该对于同类的问题，能够自己从样本中学习并最后给出令人满意的预测结果。由于负荷受多种因素影响，以致在负荷预测技术方面，出现了多种多样的方法，它的不确定性使混沌，模糊等不确定性的理论大量的应用到其中，并取得了一定的效果。在本文中，由于BP网络固有的一些局限性，使得模型在训练时可能基本失效，或出现误差非常大的情况，并且程序在运行时候，由于大量的学习样本进行的大量的训练以致时间复杂度变

29

本文来源：https://www.bwwdw.com/article/h4th.html