基于小波分解和神经网络的风电并网短期负荷预测
基于小波分解和神经网络的风电并网短期负荷预测
胡巧琳，刘志刚，孙婉璐
(西南交通大学电气工程学院，四川 成都 610031)
Email: 258908900@https://www.wendangku.net/doc/d010124014.html,
摘要：随着风电并网容量的逐渐增加，其带来的问题不容忽视。为了解决这些问题，建立一个风电并网的短期负荷预测模型具有非常现实的意义。本文主要研究了基于多尺度分解方法的短期负荷预测和风电场输出功率预测，提出一种基于小波分解和神经网络算法的考虑风电并网的短期负荷预测模型。
首先通过小波分析将短期负荷数据和风电功率数据分解成IMF分量，将分解得到的分量子序列通过BP 神经网络、RBF神经网络、小波神经网络和Elman神经网络模型进行预测，再应用粒子群算法优化由这四种神经网络建立的线性组合模型的各分量权重，最终将所有子序列的预测结果进行叠加。最后用仿真验证了该模型具有较好的精确度。
关键词：负荷预测；风电输出功率预测；等效负荷；小波分解；人工神经网络；粒子群优化算法
Hu Qiaolin, Liu Zhigang, Sun Wanlu
(School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610031, China)
Email:258908900@https://www.wendangku.net/doc/d010124014.html,
Abstract: Nowadays the increasing scale of wind power has brought many problems to the stability of power system. In order to solve these problems, short-time load forecasting (STLF) considering the grid-connected wind power is proposed.The purpose of this paper is to present a linear combination model that combines the wavelet decompositionand Artificial neural networks to forecast “equivalent load" which is the equivalent superposition of load and wind output power. Firstly, the series including load series and wind power series are respectively decomposed into a finite number of intrinsic mode functions (IMFs) using wavelet decomposition.Secondly,the sub-series are forecasted by BP,RBF,WNN and Elman.Particle swarm optimization(PSO)is chosen to optimize the weights of linear combination model constructed by the single models mentioned above. Finally, the whole forecast for the equivalent load series is constructed by the superimposition of prediction results. The simulation results show that the proposed model can obtain a high degree of accuracy.
Keywords: load forecasting; wind power forecasting; equivalent load; wavelet decomposition; Artificial neural networks; particle swarm optimization
1 引言
随着电力市场的逐步开放和运营，短期负荷预测（short-term load forecasting，缩写为STLF）的研究受到了越来越多的重视[1]。短期负荷预测是指提前1天（24h）至1周（168h）的负荷预测，其能提高经济效益及增加电力系统的稳定性。由于短期负荷预测的重要性及复杂性，国内外学者在电力系统负荷预测方面做了大量的研究工作。到目前为止，短期负荷预测的方法主要分2类：传统预测方法和智能预测方法。传统预测方法主要有：指数平滑法、灰色系统法、回归分析法、趋势外推法和时间序列法等。主要的智能预
A Method Based on Wavelet Decomposition and Artificial Neural
for Short-term Load
Forecasting by Considering Grid-connected Wind Power
H-439
测方法有：专家系统法、小波分析法、模糊逻辑法、人工神经网络法和支持向量机法。这些方法主要是依据数学推导，以数理统计为基础建立具有一定局限性的数学模型来进行预测。文献[2]提出了一种基于ARIMA和SVM的混合预测模型，首先利用周期性的差分变换和一阶差分变换将负载序列转化为一系列平稳的子序列。利用自回归移动平均预测负荷的基本线性子序列，支持向量机预测负荷的非线性敏感的子序列。结果表明，它实现了高的预测精度，具有很好的应用前景。文献[3]提出了一种改进的奇异谱分析（SSA）方法。将负荷序列分解成主要成分即趋势和振荡分量，然后应用线性自回归模型对各分量进行预测。文献[4]提出了一种基于相似日的小波神经网络的短期负荷预测建模思想，该方法根据相关性分析选择相似日负荷作为模型的输入量，利用小波分解和神经网络捕获在低和高频率的负荷特性，实验表明该模型具有一定的预测精度。
2 基于小波分解的神经网络算法
2.1 小波分析方法在时间序列中的应用
运用小波分解算法多分辨率的特点，将负荷数据序列分解到不同的频段上，得到光滑平稳、成份简单的若干子序列。通过对这些平稳子序列进行处理，来代替对序列的整体处理，从而实现精度的提高。
在小波分解中，小波基函数的类型和分解级数的选取至关重要。当选择不同的小波基和分解级数时，会产生不同的分解结果[5]。考虑到数据本身的特点，进行实验比对。本文最终选取db5作为小波基函数。已有不少文献通过大量实验验证了三层分解尺度的正确性，因此本文对负荷数据进行3层分解，共分解出4个分量。考虑到风电数据的随机波动性，本文对负荷数据进行4层分解，共分解出5个分量。
2.2 神经网络预测模型
2.2.1 BP神经网络
BP神经网络的基本思想是：整个网络的学习由输入信号的正向传播和误差的逆向传播2个过程组成。正向传播过程是指样本信号由输入层输入，经各层神经元的转移函数、权重、和阈值作用后，传递到输出层。每一层神经元的状态只对下一层神经元的状态有影响。如果实际输出值与期望值之间的误差大于规定范围，则转入“误差反向传播”阶段，即误差按原路向输入层逐层返回，并对神经元的权重进行修改，使输出结果的误差逐渐降低[6]。以上两个过程是反复交替进行训练。权重不断修改的过程，也就是网络的训练学习的过程。此循环一直进行到网络趋于收敛，输出误差减小到允许值或到达设定的训练次数结束[7]。
2.2.2 RBF神经网络
RBF神经网络的基本思想是：用RBF作为隐含层的“基”构成隐含层空间。当RBF的中心确定以后，就可以将输入矢量直接（不需要通过权连接）映射到隐含层。隐含层的学习训练承担着调整激活函数参数中心向量
i
C和宽度
i
σ的任务。当输入信号靠近核函数的中央范围内，隐含层节点将产生较大的响应。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络的可调参数。由此可见，从总体上来说，网络由输入到输出的映射是非线性的，而网络对可调参数而言是线性的。这样网络的权就可由线性方程组解出或用RLS （递推最小二乘）方法递推计算，从而大大加快学习速度并避免局部极小问题[8]。
2.2.3 小波神经网络
小波神经网络的基本思想是：小波神经网络是基于BP神经网络结构建立的前馈式神经网络模型，原BP神经网络隐含层节点上的Sigmoid激活函数被小波基函数所代替，以此在激活函数中引入了伸缩和平移参数，使得局部信息能够被很好地提取出来，从而具有更好的容错、识别以及预测能力。与BP神经网络相同，在小波神经网络的训练中，信息将在网络中由前向后传递，误差将在网络中由后向前传递，权值以及伸缩、平移参数在整个过程中都在不断更新修改，以此使得输出误差减小到允许范围内，从而在后续的预测中得到更好的预测效果[9]。
2.2.4 Elman神经网络
Elman神经网络是在BP 神经网络的基础上发展得到的一种动态反馈性人工神经网络，它同样包含输入层，隐含层和输出层。与BP 神经网络不同的是，Elman神经网络加入了与隐含层个数相同的特殊联系结构，我们称其为连接层。作为延时算子，连接层的主要作用是记忆隐含层输出的反馈信号，通过信号的延迟和存储，送回到隐含层的输入，这样的过程就实现了网络的动态记忆存储功能[10]。
2.3 粒子群优化算法
H-439
H-439
粒子群优化算法（以Particle Swarm Optimization 表示，简写作PSO ）是1995年由Kenney 和Eberhart 提出的，起源于对鸟群捕食行为的研究。标准粒子群算法采用多点并行搜索方式，通过个体间的协作与竞争，调整当前飞行速度，从而快速的逼近最优解，实现多维空间中最优解的搜索[11]。在PSO 算法应用中，随机产生初始种群，即在可行解空间中随机初始化一群有位置和速度的粒子，每个粒子对应于优化问题的一个可行解，并有一个确定适应值。每个粒子都在解空间中“飞行”。每次迭代，粒子都一直追随当前的两个最优粒子：粒子自己发现的最优解pbest 和种群中所有粒子发现的最优解gbest ，来确定自身的飞行速度，调整自己的飞行轨迹，向最优点靠拢。直到满足特定的终止条件。粒子根据以下公式更新的自己的运动状态—速度和位置[12]：
1122(1)()*()**(()())**(()())
i i i i i V t w t V t c r pbest t X t c r gbest t X t +=+?+?（1）
(1)()(1)i i i X t X t V t +=++ （2） i X 表示粒子i 的当前位置；i V 表示粒子i 的当前速度；w 称为惯性权重，用于实现全局范围寻优和局部范围寻优能力之间的平衡；t 为当前迭代次数，12,r r 为分布在[0,1]之间的随机数，12c c 和为学习因子，参数1c 反映了粒子经历过的最好位置对其寻优速度的影响；参数2c 反映了整个粒子群经历过的最好位置对其寻优速度的影响，i pbest 表示粒子i 目前搜索到最好解；i gbest 表示整个粒子群中当前所搜索到的最好
解。
3 等效负荷预测模型
本文基于相似日原则，即相同周期类型和相近日负荷数据对于负荷预测影响较大，选取如下的数据作为负荷预测模型的输入量和输出量：假设(,)Z d h 为预测日待预测时刻对应的负荷数据，d 为预测的某一天，h 为预测的某一时刻。输入样本(21维)：预测日前7天同一时刻的负荷数据(-,)1,2,,7Z d i h i =???(7维)，以及相邻前后时刻的负荷数据(-,-)1,2,,71,1Z d i h j i j =???=? (14维)。输出样本(1维)：预测日待预测时刻对应的负荷数据(,)Z d h 。这样输入样本就是一个21 维的向量，输出向量是一个 1维的向量。
通过观察发现，趋势分量的变化趋势较强，曲线变化较为缓慢，采用RBF 神经网络模型较为适合。因此针对趋势分量，对训练样本中各分量的输入输出量
进行归一化处理，处理后的数据送入预测模型中进行训练。模型确立后，将预测样本的输入数据送入模型，输出数据经过反归一化后得到的结果即为各趋势分量的预测结果。
与趋势分量的预测方法相类似，周期分量和高频分量首先选取预测模型的输入输出量，并进行归一化处理。但在预测模型的选择上，后两者相对趋势分量是不同的。与趋势分量相比，周期分量显现出一定的周期特性，且幅值较大。高频分量的周期性不明显，波动性明显加强。单一的预测模型由于其算法本身的限制，无法保证周期分量和高频分量的预测精度。因此，针对较为复杂的周期分量和高频分量，我们选择将四种不同预测模型（BP 神经网络模型、RBF 神经网络模型、小波神经网络模型、Elman 神经网络模型）利用PSO 进行优化，充分利用各种模型的有效信息，获取更为精确的组合预测结果。最后将组合预测结果经过反归一化后得到各分量预测结果。将所有分量的预测结果叠加即得到了最终的负荷预测结果。图1为新型时间序列预测模型的整体实现流程图。
RBFNN model
RBFNN model IMF3RBFNN IMF6
图1. 新型时间序列预测模型的整体实现流程图
4 仿真与结论
选取2008年4月28日凌晨12点至2008年6月2日凌晨12点的数据，共840个数据作为训练样本数据，预测2008年6月2日凌晨1点到2008年6月3日凌晨12点，共24个小时的数据。训练样本进行小波分解结果如图2所示。
比较图2中负荷训练样本和风电功率样本经小波分解后的分量图，可以发现负荷训练样本相比风电功率样本更为平滑稳定。将负荷训练样本的各分量预测结果进行叠加，得到负荷数据的最终预测结果，如图3所示。图中标注显示的另外四种预测模型结果为经过小波分解后经对应单一模型预测后得到的结果，组
H-439
合预测曲线为文中所用方法，黑色为实际负荷曲线。经小波分解后的单一预测模型对负荷数据的预测较为准确，预测的平均绝对百分比误差均在3%以内。而本文提出的预测模型在此基础上又对预测精度进行了提高，使平均绝对百分比误差为0.7767%，低于1%，验证了组合预测方法的有效性。再将风电功率样本的各分量预测结果进行叠加，得到风电输出功率数据的最终预测结果，如图4所示。图中标注显示的另外四种预测模型结果为经过小波分解后经对应单一模型预测后得到的结果，组合预测曲线为文中所用方法，黑色为实际风电功率曲线。
f1/Hz f2/Hz f3/Hz f4/Hz f5/Hz f6/Hz f7/Hz f8/Hz
-0.05
r/Hz t/h
f1/Hz f2/Hz f3/
Hz f4/Hz f5/Hz f6/Hz f7/Hz f8/
Hz r/Hz t/h
图2. 负荷训练样本和风电功率样本数据进行小波分解后的分
量图
电力系统负荷考虑风力发电是非平稳时间序列,因此任何传统负荷预测方法不能完全反映数据变化在每一个时刻。在本文中,一个新的等效负荷预测模型基于小波分析和线性组合优化提出PSO。仿真结果表明,这种线性组合预测模型优于单一模型,该方法能有效提高精度的短期电力系统负荷预测考虑发电并网风力发电。
时间/H
负荷/M W
图3 负荷数据的最终预测结果
时间/H
风电功率/M W
图4 风电功率数据的最终预测结果
参考文献
[1] K. Afshar and N. Bigdeli, “Data analysis and short term load forecasting in Iran electricity market using singular spectral analysis,” Energy, vol. 36, pp. 2620-2627, 2011.
[2] Nie. H, Liu. G, Liu. X, et al. Hybrid of ARIMA and SVMs for Short-Term Load Forecasting[J]. Energy Procedia. 2012, 16, Part C: 1455-1460.
[3] Afshar. K, Bigdeli. N. Data analysis and short term load forecasting in Iran electricity market using singular spectral analysis (SSA)[J]. Energy. 2011, 36(5): 2620-2627.
[4] Ying. C, Luh. P.B, Che. G, et al. Short-Term Load Forecasting: Similar Day-Based Wavelet Neural Networks[J]. Power Systems, IEEE Transactions on. 2010, 25(1): 322-330.
[5] 陈德生. 基于小波变换的短期风速预测综合模型的研究[D]. 湖南大学, 2012.
[6] 杜俊红. 在线超短期负荷预测的分析与应用[D]. 四川大学, 2004.
[7] 王华玉. 基于BP 神经网络的图书流通量预测研究[J]. 情报探索. 2010(08): 27-29.
[8] 李彦琴. RBF 型神经网络预测控制在卫星姿态仿真系统中的应用技术研究与试验[D]. 北京化工大学, 2003.
[9] Zhang P, Wang H. Fuzzy Wavelet Neural Networks for City
Electric Energy Consumption Forecasting[J]. Energy Procedia. 2012, 17, Part B: 1332-1338.
[10] 张靠社, 杨剑. 基于Elman 神经网络的短期风电功率预测[J].
电网与清洁能源. 2012, 28 (12): 87-91.
[11] 张丹, 李长河. 基于混沌的粒子群优化算法研究与进展[J]. 软件导刊. 2007(11): 109-110.
[12] Mohandes M A. Modeling global solar radiation using Particle Swarm Optimization (PSO)[J]. Solar Energy. 2012, 86(11): 3137-3145.
小波神经网络的时间序列预测-短时交通流量预测
%% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n);
d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end
(完整版)小波神经网络的时间预测
基于小波神经网络的短时交通流预测 摘要 将小波神经网络的时间序列预测理论应用于短时交通流量的预测。通过小波分解与重构获取交通流量数据中的低频近似部分和高频随机部分, 然后在分析各种模型的优、劣的基础上, 选取较有效的模型或模型结合方式, 建立了交通流量预测模型。最后, 利用实测交通流量数据对模型仿真, 结果表明该模型可以有效地提高短时交通流量预测的精度。 关键词: 小波变换 交通流预测 神经网络 1.背景 众所周知, 道路交通系统是一个有人参与的、时变的、复杂的非线性大系统, 它的显著特点之一就是具有高度的不确定性(人为的和自然的影响)。这种不确定性给短时交通流量预测带来了极大的困难。这也就是短时交通流量预测相对于中长期预测更复杂的原因所在。在交通流量预测方面,小波分析不是一个完全陌生的工具，但是仍然处于探索性的应用阶段。实际上,这种方法在计算机网络的流量的预测中有着广泛的应用。与计算机网络一样,车流也表现出复杂的习性。所以可以把它的应用推广类比到交通流量的预测中来。小波分析有着与生俱来的解决非稳定时间序列的能力, 所以常常被单独用来解决常规时间序列模型中的问题。 2.小波理论 小波分析是针对傅里叶变换的不足发展而来的，傅里叶变换是信号处理领域里最为广泛的一种分析手段，然而他有一个严重的不足，就是变换抛弃了时间信息，变换结果无法判断某个信号发生的时间。小波是一种长度有限，平均值为0的波形，它的特点包括： （1）时域都具有紧支集或近似紧支集； （2）直流分量为0； 小波变换是指把某一基本小波函数ψ(t)平移b 后，再在不同尺度a 下与待分析的信号x(t)做内积。 dt a b t t x a b a WT x )()(1),(-=?*ψ??==?*)(),()()(,,t t x dt t t x b a b a ψψ （2 — 1） 等效的时域表达式为 dt a b x a b a WT x ωωψωj e )()(1),(-=?* a > 0 (2 — 2) 3.小波神经网络 小波神经网络是小波分析理论与神经网络理论相结合的产物，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络。 图一中1x ，2x ，....k x 是小波神经网络的输入参数，1y ，2y ....，m y 是小波神经网络的预测输出。
基于BP神经网络的电力系统负荷预测
基于人工神经网络的负荷预测 1.人工神经网络概述 人工神经网络类似于一个“多输入－多输出”的黑匣子，由一些能并行操作的简单单元组成，整个网络的功能是由单元之间的互连所决定的。 人工神经网络是通过“训练－调整－再训练－再调整”的过程，使得一个特定的输入能够通过网络得到一个特定的输出，其实质是通过调整单元之间的相互影响参数。其结构如下图1： 图1 神经网络结构图 2.题目要求及说明： 以广东某城市的2004年7月20日到7月30日的负荷值以及2004年7月 21日到7月31日的气象特征状态作为网络的训练样本，来预测7月31日的电
2.程序源代码 P=[0.2452 0.1466 0.1314 0.2243 0.5523 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215 0.2415 0.3027 0; 0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325 0.2385 0.3125 0; 0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156 0.2216 0.2701 1; 0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895 0.2352 0.2506 0.5; 0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025 0.2542 0.3125 0; 0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221 0.2601 0.3198 0; 0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7153 0.8091 0.8217 0.2579 0.3099 0; 0.2342 0.1368 0.1602 0.2131 0.5726 0.5822 0.7101 0.7098 0.7127 0.7121 0.7995 0.8126 0.2301 0.2867 0.5; 0.2113 0.1212 0.1305 0.1819 0.4952 0.5312 0.6886 0.6898 0.6999 0.7323 0.7721 0.7956 0.2234 0.2799 1; 0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756 0.2314 0.2977 0]'; T=[0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325; 0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156; 0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825
小波神经网络程序
这是一个小波神经网络程序,作者judyever %参考<青岛海洋大学学报> 2001年第1期一种基于BP算法学习的小波神经网络%% %step1--------网络初始化------------------------------------------- clc; clear all; %设定期望的误差最小值 err_goal=0.001; %设定最大循环次数 max_epoch=50; %设定修正权值的学习速率0.01-0.7 lr=0.7; epoch=0; x=0:0.01:0.3;%输入时间序列 d=sin(8*pi*x)+sin(16*pi*x);%目标输出序列 M=size(x,2);%输入节点的个数 N=M;%输出节点的个数 n=10;%隐形节点的个数 %这个地方需要改进，由于实际上隐形节点的个数可以通过小波的时频分析确定 Wjk=randn(n,M); Wij=randn(N,n); % a=randn(1,n); a=1:1:n; b=randn(1,n); % stepa=0.2*(x(M)-x(1)); % a=stepa(n-1)+stepa; % step=(x(M)-x(1))/n; % b=x(1)+step:step:x(1)+n*step; % y=zeros(1,N);%输出节点初始化 y=zeros(1,N);%输出节点初始化 net=zeros(1,n);%隐形节点初始化 net_ab=zeros(1,n);%隐形节点初始化 %step2--------对网络进行训练------------------------------------------- for i=1:1:N for j=1:1:n for k=1:1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end y(i)=y(i)+Wij(i,j)*mymorlet(net_ab(j)); %mymorlet是judyever编写的小波函数，以后可以扩展成输入不同的小波名字即可 % y(i)=mysigmoid(2,y(i)); end
毕业设计：基于BP神经网络的短期电力负荷预测(终稿)
毕业设计：基于BP神经网络的短期电力负荷预测（终稿）西安工业大学北方信息工程学院 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2. 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 *? 实验(时数)或实习(天数): 100天 *? 图纸(幅面和张数):A4×2 ? 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
基于BP神经网络的短期电力负荷预测
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。
小波神经网络及其应用
小波神经网络及其应用 1014202032 陆宇颖 摘要：小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络，它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。首先阐明了小波变换和多分辨分析理论，然后介绍小波神经网络数学模型和应用概况。 1.研究背景与意义 人工神经网络是基于生物神经系统研究而建立的模型，它具有大规模并行处理和分布式存储各类图像信息的功能，有很强的容错性、联想和记忆能力，因而被广泛地应用于故障诊断、模式识别、联想记忆、复杂优化、图像处理以及计算机领域。但是，人工神经网络模型建立的物理解释，网络激活函数采用的全局性函数，网络收敛性的保证，网络节点数的经验性确定等问题尚有待进一步探讨和改善。 小波理论自 Morlet 提出以来，由于小波函数具有良好的局部化性质，已经广泛渗透到各个领域。小波变换方法是一种窗口大小固定但其形状可以改变, 时间窗和频率窗都可以改变的时频局部化分析方法, 由于在低频部分具有较高的频率分辨率和较低的时间分辨率, 在高频部分具有较高的时间分辨率和较低的频率分辨率, 所以被誉为数学显微镜。正是这种特性, 使小波变换具有对信号的自适应性。基于多分辨分析的小波变换由于具有时频局部化特性而成为了信号处理的有效工具。实际应用时常采用Ｍａｌｌａｔ快速算法，利用正交小波基将信号分解到不同尺度上。实现过程如同重复使用一组高通和低通滤波器把信号分解到不同的频带上，高通滤波器产生信号的高频细节分量，低通滤波器产生信号的低频近似分量。每分解一次信号的采样频率降低一倍，近似分量还可以通过高通滤波和低通滤波进一步地分解，得到下一层次上的两个分解分量。 而小波神经网络（Wavelet Neural Network, WNN）正是在近年来小波分析研究获得突破的基础上提出的一种人工神经网络。它是基于小波分析理论以及小波变换所构造的一种分层的、多分辨率的新型人工神经网络模型，即用非线性小波基取代了通常的非线性Sigmoid 函数，其信号表述是通过将所选取的小波基进行线性叠加来表现的。 小波神经网络这方面的早期工作大约开始于1992 年,主要研究者是Zhang Q、Harold H S 和焦李成等。其中,焦李成在其代表作《神经网络的应用与实现》中从理论上对小波神经网络进行了较为详细的论述。近年来,人们在小波神经网络的理论和应用方面都开展了不少研究工作。 小波神经网络具有以下特点。首先，小波基元及整个网络结构的确定有可靠的理论根据，可避免BP 神经网络等结构设计上的盲目性；其次，网络权系数线性分布和学习目标函数的凸性，使网络训练过程从根本上避免了局部最优等非线性优化问题；第三，有较强的函数学习能力和推广能力。 2.数学模型与小波工具 2.1 小波变换及多分辨分析 L R（或更广泛的Hilbert 空间）中，选择一个母小波函数（又称为基本在函数空间2() ，使其满足允许条件： 小波函数）()x
浅谈基于小波分析的神经网络
浅谈基于小波分析的神经网络 摘要：基于小波分析的神经网络在我们的日常生产中有着重要的作用，尤其是在故障检测中，正因为有了它的存在，使得我们能更好的对一些机器内部微小的部件进行检测。在一定程度上，避免了人工检测工作量大且准确度不高的情况，降低了检验的成本，减少了因零件损坏而带来的损失，为工业的生产提供了极大的帮助。 关键词：小波分析，神经网络，故障诊断 随着科学的进步与时代的发展，神经网络正慢慢的运用到我们的日常生活与生产之中。从1943年人们首次提出了人工神经网络这一概念至今，神经网络已经与越来越多的其他技术结合了起来，例如，结合神经元的混沌属性提出混沌神经网络，应用于组合优化的问题中，与粗集理论结合，应用于对数据的分类处理，与分形理论结合，应用于图形识别、图像编码、图像压缩等，与小波分析结合，应用于机械设备的故障检测中。以下是我对基于小波分析的神经网络的见解。 一、概述 小波分析即小波变换，是1981年Morlet首先提出的，经过发展后成为了一门学科，小波分析对低频信号在频域和高频信号在时域里有着较好的分辨率。而神经网络特有的对非线性适应性信息处理能力，当它与小波分析相结合后，使得它们能在对高压电网的信号处理，机械故障的检测等方面发挥了重要的作用。
二、小波神经网络的算法 小波神经网络的算法大体的思路是这样的，小波神经网络的核心是隐层神经元的激活函数小波基函数（Morlet ）进行非线性映射，信号通路只进行前向传递，待分类信号进行前向传递的同时，误差信号进行反向的传递。输出层的传递函数为S 函数，小波函数的拓扑结构如下所示： 小波函数的修正公式如下： (k 1)(k)*E mc ωωη ωω?+=++? （1） a(k 1)(k)*E a mc a a η?+=++? （2） b(k 1)(k)*E b mc b b η ?+=++? （3） 误差函数如下： 211 1(y yt )2N M n n m m n m E N ===-∑∑ （4） 输入层 隐含层 输出层
小波神经网络及其应用
小波神经网络及其应用 陆宇颖 摘要：小波神经网络是将小波理论和神经网络理论结合起来的一种神经网络，它避免了BP 神经网络结构设计的盲目性和局部最优等非线性优化问题，大大简化了训练，具有较强的函数学习能力和推广能力及广阔的应用前景。首先阐明了小波变换和多分辨分析理论，然后介绍小波神经网络数学模型和应用概况。 1. 研究背景与意义 人工神经网络是基于生物神经系统研究而建立的模型，它具有大规模并行处理和分布式存储各类图像信息的功能，有很强的容错性、联想和记忆能力，因而被广泛地应用于故障诊断、模式识别、联想记忆、复杂优化、图像处理以及计算机领域。但是，人工神经网络模型建立的物理解释，网络激活函数采用的全局性函数，网络收敛 即 ,焦李神经网络2. 2.1()x ，使式中为的Fourier 变换。对作伸缩、平移变换得到小波基函数系 对任意2()()f x L R ∈,其连续小波变换定义为： 反演公式为： 在实际应用中，特别是计算机实现中，往往要把上述的连续小波及其变换离散化，通常采用二进制离散，即 令2,2m m a b k ==，则 二进小波一定是一个允许小波，且是一个正交小波基。考虑一个连续的、平方可积的函数 2()()f x L R ∈在分辨率2m 下的逼近()m f x ，由多分辨分析理论可知：
()x Φ是尺度函数，对其作伸缩、平移变换得到()mk x Φ。 Mallat 同时证明了函数()f x 在2m 和12m -分辨率下的信息差别（即细节）()m D f x ，可以通过将函数() f x 在一小波正交基上分解而获得，从而定义了一种完全而且正交的多分辨率描述，即小波描述。 ()mk x ψ就是式（5）定义的二进小波，则()f x 在12m -分辨率下的逼近式为： Mallat 并指出，对于任意一个函数 2()()f x L R ∈可以在一组正交小波基上展开： 式（11）是一个平方可积函数的小波分解，提供了小波神经网络设计的理论框架。 .. 12(,)x x ο 则有2.2 （ψ(f x 式（Lk a 与式 （17i c i 则有： 即(21)=f Ac 式（20）的最小二乘解为： +A 被称为A 的伪逆矩阵。且 如果样本i x 均匀分布，(1,2,...,)θ=i i n 是正交基， 则T A A 是一个?n n 单位矩阵，且
人工神经网络在电力负荷预测上的分析与探讨
人工神经网络在电力负荷预测上的分析与探讨 作者：赵宇红胡玲刘旭宁 来源：《科技创新导报》2011年第02期 摘要:电力负荷的预测是电力系统规划的基础,对配变系统和新发电厂的建立具有重要意义。传统的预测方法是通过数学模型来分析电力负荷与其影响因素之间的关系,但由于实际工作中的不可预见因素较多,因此很难建立一个适用于任何情况的表达式。本文通过对人工神经网络在短期电力负荷预测中应用的分析,对其优缺点进行了探讨。 关键词:电力负荷预测人工神经网络应用人工神经网络的分析与探讨 中图分类号:TM76 文献标识码:A 文章编号:1674-098x(2011)01(b)-0090-01 对电力系统负荷的预测对于实现安全发供电、电力系统的自动化运行以及制定工作计划都有着非常重要的意义。传统的预测方法是将线形或分段线形表达作为负荷的预报函数,通过对其进行概率及数理统计的方式对其进行计算,并最终得出预测值。这种方法存在着建模所需的数据量大、适应性不强以及精度不高的问题,因此正逐渐被人工神经网络预测所取代。 1 日负荷模型的构成 电力系统负荷变化的周期性较强,因天气的变化而出现的负荷波动是导致电力系统负荷变化的主要因素,也就是说,N时刻负荷的变化量可以反映出天气的变化情况。因此,用向量的方式来表示负荷型,从而使全部的自变量相对于神经网络来说都属于输入量的中间分量,进而在自变量中隐含负荷与天气变化之间的函数关系。因此,日负荷模型的构成主要包括日基础负荷型和负荷影响因子模型。 1.1 日基础负荷模型 日基础负荷具有明显的周日性和周期性特征,代表了负荷的连续性,是负荷变化的基本规律。 ML［n,t］=∑(1-w)w(i-1)·L［n-(i·7),t］ 其中ML［n,t］代表的是日基础负荷; L［n,t］代表的是第n天t时刻的实际负荷; W代表的是加权系数,取指小于1大于0;
基于BP神经网络的短期负荷预测
基于BP神经网络的短期负荷预测 基于BP神经网络的短期负荷猜测 摘要：基于人工神经网络原理，设计了一个三层的BP网络来实现电力系统的短期负荷猜测。经过仿真验证，利用BP神经网络进行电力系统短期负荷猜测是可行和有效的，其预告结果正确性很高。 要害词：短期负荷猜测；BP神经网络；电力系统 0前言 电力系统负荷猜测是电力生产部门的重要工作之一，通过正确的负荷猜测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。很多学者对此进行了研究，提出了很多种猜测方法，并且及时地将数学上的最新进展应用到猜测中去，使猜测的水平得到迅速提高，负荷猜测研究取得了很大的进展。 1负荷的分类及其短期猜测的方法 1.1负荷的分类 负荷猜测按猜测时间可以分为长期、中期和短期负荷猜测。其中，在短期负荷猜测中，周负荷猜测（未来7天）、日负荷猜测（未来24小时负荷猜测）及提前小时猜测对于电力系统的实时运行调度至关重要。因为对未来时刻进行预调度要以负荷猜测的结果为依据，负荷猜测的结果的正确性将直接影响调度的结果，从而对电力系统的安全稳定运行和经济性带来重要影响。 1.2负荷短期猜测的方法 电力系统负荷短期预告问题的解决办法和方式可以分为统计技术、专家系统法和神经网络等3种。统计技术中所用的短期负荷模型一般可归为时间系列模型和回归模型。时间系列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息等因素，但需要事先知道负荷与气象变量之间的函数关系，这是比较困难的。并且为了获得比较精确的预告结果，需要大量的计算，这一方法不能处理气候变量和与负荷之间的非平衡暂态关系。专家系统法利用了专家的经验知识和推理规则，使节假日或有重大活动日子的符合预告精度得到了提高。但是，把专家知识和经验等正确地转化为一系列规则是非常不轻易的。 众所周知负荷曲线是与很多因素相关的一个非线性关系函数。对于抽取盒逼近这种非线性函数，神经网络是一种合适的方法。神经网络的优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假定的能力。它不依靠专家经验，只利用观察到的数据，可以从练习过程中通过学习来抽取和逼近隐含的输入/输出非线性关系。近年来的研究表明，相对于前两种方法，利用神经网络技术进行电力系统短期负荷预告可获得更高的精度。本文主要采纳BP神经网络来对电力系统短期负荷进行猜测。 2BP神将网络 2.1BP学习算法的思想 BP算法的基本思想是，学习过程由暗号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出（教师暗号）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差暗号，此误差暗号即作为修正各单元权值的依据。这种暗号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习练习过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行预先预定的学习次数为止。 2.2BP神经网络的组成及作用
小波神经网络研究进展及展望_陈哲
综 述 小波神经网络研究进展及展望 陈 哲 冯天瑾 (青岛海洋大学电子工程系,青岛,266003)摘 要 关于小波分析与人工神经网络结合的研究,近些年来已成为信号处理学科的热点之一,已有大量的研究成果见诸各种学术刊物和会议论文。小波变换具有良好的时频局部性质,神经网络则具有自学习功能和良好 的容错能力,小波神经网络(W NN )由于较好地结合了两者的优点而具有强大的优势。作者较系统地综述了小 波神经网络的研究进展,讨论了小波神经网络的主要模型和算法,并就其存在的一些问题,应用与发展趋势进 行了探讨。 关键词 神经网络;小波分析;小波神经网络 中图法分类号 T P 911.7 小波自80年代提出以来,理论和应用都得到了巨大的发展,小波分析的出现被认为是傅立叶分析的突破性进展[1～3]。多层感知器(M ultila yer Perceptr on,M L P)是一种广泛应用的神经网络模型,实践证明M L P 具有较好的空间映射能力和推广能力。目前,神经网络的理论研究日趋深入,其重要发展方向之一,就是注重与小波、混沌、模糊集等非线性科学理论相结合。小波变换具有时频局部特性和变焦特性,而神经网络具有自学习、自适应、鲁棒性、容错性和推广能力,如何把两者的优势结合起来,一直是人们关注的问题。一种方法是用小波分析对信号进行预处理,即以小波空间作为模式识别的特征空间。通过将小波基与信号的内积进行加权和来实现信号的特征提取,然后将提取的特征向量送入神经网络处理;另一种即所谓的小波神经网络(W av elet neura l netw or k,W NN )或小波网络,把小波变换与神经网络有机地结合起来,充分继承了两者的优点。小波与前馈神经网络的结合是小波网络的主要研究方向,也是本文着重讨论的内容。小波还可以与其它类型的神经网络相结合:例如用Koho nen 网络对信号做自适应小波分解[4],RBF 网络与小波的结合[5]等。1 小波神经网络 小波神经网络可看作是以小波函数为基底的一种函数连接型网络,也可以认为是径向基函数(Radial ba-sis functio n,RBF)网络的推广,但它又具有与一般前馈网络和RBF 网络所不同的特点,在神经网络研究领域中具有巨大的潜力。现就其主要模型和算法综述如下。 1.1小波网络基本模型 Pati 和Krish napra sad [6]最早研究了神经网络与小波变换的联系,提出了离散仿射小波网络模型。其思想是将离散小波变换引入神经网络模型,通过对Sig moid 函数的平移伸缩构成L 2(R )中的仿射框架,进而构造小波神经网络。1992年Zhang Qing hua 和Benv eniste [7]明确提出了小波网络的概念和算法。其思想是用小波元代替了神经元,即用已定位的小波函数代替S ig modi 函数作激活函数,通过仿射变换建立起小波变换与网络系数之间的联接,并应用于函数逼近。随后Szu 等[8]又提出了基于连续小波变换的两种自适应小波神经网络模型。一种用于信号表示,偏重于函数逼近;另一种偏重于选取合适的小波做特征提取,其实质是在小波特征空间中寻找一组最佳的小波基,因不涉及重构问题,小波的正交性要求不是很苛刻, 第29卷 第4期 1999年10月 青岛海洋大学学报J OU RN AL OF OCE AN UVIVE RSI TY OF Q INGDAO 29(4):663～668 Oct.,1999 国家自然科学基金课题(69675005)资助 收稿日期:1998-09-23;修订日期:1999-05-11 陈 哲,男,1976年6月出生,硕士生。
小波神经网络预测的代码1
clc; clear all; %设定期望的误差最小值 err_goal=0.01; %设定最大循环次数 max_epoch=50; %设定修正权值的学习速率0.01-0.7 lr=0.7; epoch=0; x=0:0.01:0.3;%输入时间序列 %d=sin(8*pi*x)+sin(4*pi*x)+5*sin(pi*x);% d=[1 2 3 4 5 6 7 8 9 10 9 8 7 6 5 4 3 2 1 2 3 4 5 6 7 8 9 10 9 8 7];%目标输出序列M=size(x,2);%输入节点的个数 N=M;%输出节点的个数 n=10;%隐形节点的个数 %这个地方需要改进，由于实际上隐形节点的个数可以通过小波的时频分析确定 Wjk=randn(n,M); Wij=randn(N,n); % a=randn(1,n); a=1:1:n; b=randn(1,n); % stepa=0.2*(x(M)-x(1)); % a=stepa:1n-1)+stepa; % step=(x(M)-x(1))/n; % b=x(1)+step:step:x(1)+n*step; % y=zeros(1,N);%输出节点初始化 y=zeros(1,N);%输出节点初始化 net=zeros(1,n);%隐形节点初始化 net_ab=zeros(1,n);%隐形节点初始化 %step2--------对网络进行训练------------------------------------------- for i=1:1:N for j=1:1:n for k=1:1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end y(i)=y(i)+Wij(i,j)*mymorlet(net_ab(j)); %mymorlet是judyever编写的小波函数，以后可以扩展成输入不同的小波名字即可 % y(i)=mysigmoid(2,y(i)); end end
基于人工神经网络的电力系统短期负荷预测
龙源期刊网 https://www.wendangku.net/doc/d010124014.html, 基于人工神经网络的电力系统短期负荷预测作者：李晶 来源：《科学与技术》2018年第26期 摘要：随着智能电网技术的发展，电网问题的管理变得尤为重要，负荷预测是电网管理的主要内容之一。针对电力负荷预测随机性强、稳定性低、影响因素复杂等特点，具有非线性特性的神经网络可以极大地提高预测精度。 关键词：电力系统；负载预测；神经网络；反向传播算法 引言 电力系统负荷预测按预测的时间可分为长期、中期、短期、超短期以及特殊日，然而其中的短期负荷预测对电力系统来说有着很重要的地位，也是现有电力市场环境下编排发电计划、交易计划、调度计划的基础。随着电力行业的发展，分布式电源的接入和电动汽车等新负荷的加入，电力系统负荷预测的精确度就显得尤其重要。因此负荷预测成为了电网运行和管理的一个重要研究领域。由于负荷预测在电网中占有很重要的地位，所以对负荷预测初始数据的处理、预测方法的选择就显得尤其的重要。对短期负荷预测的研究已有很长的历史，国内外专家和学者在预测方面做了很多工作，提出很多预测模型。 1 负荷预测方法比较 1.1 神经网络法 目前神经网络广泛应用于图像识别、自然语言处理、机器翻译、自动驾驶等方面。谷歌、百度、阿里等企业最主要的人工智能算法都是神经网络。神经网络在能源领域大量应用于电力负荷预测、电力现货市场价格预测、风电发电预测等方面。神经网络法在负荷预测上的应用主要分为人工神经网络和递归神经网络。神经网络法选取过去一段时间的负荷作为训练样本，构建适宜的网络结构，用某种训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型。神经网络对大量非结构性、非精确性规律具有自适应能力，能够信息记忆、自主学习、知识推理和优化计算，具有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力。江西负荷预测表明，其短期负荷预测精度高于中长期预测精度，日前负荷预测精度可达99.3%，5年规划负荷预测精度约为95.4%。 1.2 模糊预测法 模糊预测法是建立在模糊数学理论上的一种负荷预测技术，可以描述负荷预测中的一些关键因素，如天气状况的评判、经济发展的不确定性等。模糊负荷预测可分为模糊聚类法、模糊相似优先法和模糊最大贴近度法等。江西负荷预测表明，短期负荷模糊预测的精度约为
基于BP神经网络的电力系统负荷预测研究
基于BP神经网络的电力系统负荷预测研究 摘要:通过对岳阳县地区电力负荷历史数据及特点的研究,分析了影响中期负荷预测准确性的多方面因素,利用日常负荷与气象条件的关系,建立神经网络中期负荷预测模型,研究了这一人工智能技术应用于电力系统负荷预测的可行性。提出了一种基于bp神经网络的综合预测方法,能够稳定和较准确地对电力负荷做出预测。在实际电力负荷预测中,该方法取得了比较高的的预测精度。 关键词:电力负荷预测神经网络bp算法 引言 电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件及社会影响等条件下,研究和应用一套系统处理过去负荷与未来负荷的数学方法,在满足一定精度要求的前提下,确定未来某特定时刻的电力负荷值。电力系统的正确调度、规划和运行都离不开电力负荷预报,准确的负荷预报不仅对电力系统的安全、可靠、经济运行起着重要作用,同时也是潜在节约能源的方法[1]。电力系统负荷数据预测的研究在近些年来有了很大的发展,预测的方法由过去的人工方式逐步转换成软件干预方式。电力系统负荷预测问题的研究也越来越引起人们的注意,己经成为了现代电力系统运行研究中的重要课题之一。早在1990年d. c.park等人就采用人工神经网络(artificial neural networks,ann)方法对电力负荷进行预测[2]。人工神经网络技术可以模仿人脑做智能化处理,对大量非结构性、非确定性规律具有自适应功能。1个3层的bp神经网
络就可以直接实现输入参数与电力负荷状态之间的非线性映射,无需建立系统的模型,而且这种映射结果的精度可由足够的训练样本来保证。 1 电力负荷预测的原理、步骤 中期负荷预测通常是指预测未来一年(12个月)之内的电力负荷,它是电力系统运行调度中一项非常重要的内容,预测的结果将对发电机组生产计划的制定、水火电的合理配置、燃料配置、安全分析设备的维护以及电网能量的传播有着很大的影响,对于电力系统运行与控制有着非常重要的意义。 1.1 负荷预测的基本原理 负荷预测工作是根据电力负荷的发展变化规律,预计或判断其未来发展趋势和状况的活动,因此必须科学地总结出预测工作的基本原理,用于指导负荷预测工作。主要有以下几个方面:不准确性,条件性,时间性,多方案性,可知性原理,可能性原理,连续性原理,相似性原理,反馈性原理,系统性原理[3]。 1.2 负荷预测的基本步骤 对电力负荷的预测,一般可按下列步骤进行:收集和分析历史数据,对电力系统的历史数据及有关信息加以整理,排除偶发事件的有关信息,为电力负荷预测提供可靠的原始资料;建立预测模型,根据预测目标和资料,选择合适的电力负荷预测方法,建立相应的数学模型;对预测结果进行分析,评价各因素对电力负荷预测结果的影响及预测结果的可信度。
人工神经网络在电力负荷预测中的应用
人工神经网络在电力负荷预测中的应用 发表时间：2019-07-29T14:17:21.220Z 来源：《基层建设》2019年第14期作者：吕海霞南家楠 [导读] 摘要：随着我国电力行业逐步推进智能电网建设，电网管理问题变得愈发重要，电网管理的主要内容就是负荷预测。 内蒙古电力经济技术研究院内蒙古呼和浩特 010090 摘要：随着我国电力行业逐步推进智能电网建设，电网管理问题变得愈发重要，电网管理的主要内容就是负荷预测。通过分析电力负荷预测的重要性，分析电力负荷预测中人工神经网络的应用。 关键词：电力负荷预测；人工神经网络；应用分析 电力系统由发、输、变、配和用电 5 个基本环节组成，电网的运行需要保证其运行的经济性、供电可靠性、以及良好的电能质量。但由于电能生产的实时性，不能被大量储存，这就要求电能在发电和用电之间需要时刻保持着供需平衡，避免电能供电不足或生产过剩等问题。因此为了解决上述问题就需要我们时刻掌握负荷的变化情况，准确的电力负荷预测能够成为满足电力负荷供需平衡研究的重点。 1、电力系统负荷预测方法分类 时间序列法：时间序列的预测算法，是一种处理随机数列并进行预测的有效方法，它是按照一定时间间隔进行采集和记录的时间序列数据，该数据具有较强的随机性和不确定性。将该方法引入到电力系统负荷预测中，则是通过采集、分析电力系统历史负荷数据信息，通过历史数据建立相应的数学模型，发现隐含其中的规律，进而对未来电力负荷进行预测。时间序列法的优点：所需历史数据量少，建立模型的复杂程度低，计算速率快，能够反映负荷变化连续性特点。缺点：对采集得到的历史电力负荷数据随时间的平稳性要求较高，过于集中对数据的拟合而忽略对负荷变化规律的考虑，使得预测精度不高。 支持向量机：SVM 算法是在创建一个新的实例并分配给两个类别之一的模型，即主要是一种二元线性分类器，解决了算法模型预测时会出现的局部最优解的问题，通过该方法最终可以得到一个全局最优解。支持向量机在早期的科研中占据了非常重要的地位，在引入到电力系统负荷预测中，使用 SVM 预测算法，可以取得比传统方法更有效的预测结果。该方法的优点：该算法较为成熟，有坚实的数学理论基础，预测方法收敛速度较快，能够快速求得全局最优解。缺点：实际应用开发较为困难，对于历史数据依赖较大，对历史数据的要求也较高，在预测电力系统负荷波动较小的情况下可以取得很好的效果，但是当负荷波动较大时，预测效果往往较差。 BP 神经网络算法：BP 算法包括正向传播和计算误差的逆向传播过程，即正向传播是训练数据通过输入层，经过隐含层，作用于输出层，产生输出信号得到相应的输出误差，并将该输出误差经过隐含层向输入层逐层逆向反传，将误差分摊给各层所有单元，并调整网络的权值和阈值，使误差沿梯度方向下降，经过反复多次的训练，最终得到误差最小的网络模型，此时的BP 神经网络可以作为电力系统负荷预测的数学模型。优点：具有很强的非线性映射能力和柔性的网络结构，预测结果的精准度较高。缺点：学习速度慢，容易陷入局部最小值，网络层数、神经元数没有理论指导。 2、人工神经网络作用与分类 人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。人工神经网络是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。一般来说，作为神经元模型应具备连接权值、信号整合、激励函数三个要素。人工神经网络具有非线性、并行性、自学习性、联想存储性和实时性等特点。 人工神经网络的主要类型有感知机、线性神经网络、径向基（ＲBF）函数网络、BP 神经网络、随机神经网络、竞争神经网络等，其中BP 神经网络是应用得最广泛的一种类型。BP 神经网络是指误差反向传播算法（Error Back Propagtion，BP）网络，是一种有监督学习的前向多层感知机结构，由一种误差计算沿着与网络计算方向相反方向传递的算法求解神经元连接权值。BP 神经网络由多层构成，层与层之间全连接，同一层之间的神经元无连接，包含一个或多个隐层，可以实现复杂的映射关系。 BP 网络采用误差反向传播算法（Back － Propagation Algo-rithm）进行学习。在 BP 网络中，数据从输入层经隐含层逐层向后传播，训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值。误差反向传播算法是一种近似最速下降方法，采用均方误差作为性能指标。 由于 BP 网络具有计算简单、非线性映射性强、网络泛化性好，在电力负荷预测、神经生物现象模拟、农业样本检测等多个方面有着广泛的应用。 3、神经网络在电力负荷预测中的应用 电力负荷预测的方法主要有灰色预测法、线性回归法等传统预测方法、神经网络法、支持向量机、模糊系统等人工智能预测算法。由于电力负荷预测具有随机性强、稳定性低、影响因素复杂等特点，很难建立精确的模型。由于传统模型难以充分利用其他影响因素的数据，使得预测精度往往不能满足电力部门的需求，人工智能预测算法是国内外学者们研究的热点问题。电气负荷数据通常为一个时间序列数据，因此可以使用统计或软计算方法进行分析和预测，Wang等提出了一种 BP 神经网络方法（BPNN），采用反向传播神经网络的精确电力负荷预测算法用于短期电力负荷预测，综合考虑了天气特征，如最高摄氏度，最低摄氏度和天气类型等参数。陈刚等将非负荷因素输入前级 BP 网络中，得出的负荷类型数据作为后级ＲBF 网络的输入，通过 BP －ＲBF 的级联神经网络得到准确的整点负荷预测。 由于 BP 神经网络收敛速度慢、易陷于局部极值点的缺点，许多学者结合模糊推理、遗传算法等其他智能算法对电力负荷预测模型进行了进一步完善。基于神经网络的模糊推理方法是通过神经网络的自主学习机制完成模糊化、模糊推理和反模糊化。Ali 等采用模糊逻辑方法研究了长期负荷预测问题，建立了一个电力负荷模糊预测模型，采用温度、湿度和历史负荷数据作为模型，实验结果表明了模糊理论可以较好地应用于负载长期预测。Panapakidis 等利用人工神经网络和聚类方法建立了公交车负荷预测模型，通过聚类的方法提高了人工神经网络模型的预测精度，适用于短期预测。Mordjaoui 等提出了一种预测每日负荷的动态神经网络，获得的结果表明精度和效率优于广泛使用的传统方法。He 等提出了一种基于三角核函数（QＲNNT）的分位数回归神经网络的概率密度预测方法，用于短期电力负荷预测。为了构造概率预测方法，应用神经网络对分位数回归模型进行变换，通过对加拿大和中国的负荷数据测试证明了该方法有效性。张平、白杨等针对天气因素采用聚类和神经网络相结合的方法进行了负荷预测 4 结语 总之，电力负荷预测对国民经济、电网稳定和电力安全都有着非常重要的意义。如何提高预测速度、降低预测误差是电力负荷预测研