基于贝叶斯神经网络方法短期负荷预测.docVIP

基于贝叶斯神经网络方法的短期负荷预测 摘 要：短期负荷预测对于有效的电力系统规划和运营是非常重要的工具。我们在本文提出使用贝叶斯方法来设计一个基于电力负荷预测模型的最优神经网络。贝叶斯建模法比传统的神经网络学习法具有更显著的优势。在其他方法中，我们是通过引用正则化系数的自动调谐，选择最重要的输入变量，引出说明模型输出的不确定性区间及对不同模型进行比较的可能性来选取最优模型的。我们提出的这种方法被应用于现实的负荷数据中。 关键词：负荷模型；短期负荷预测；神经网络；贝叶斯理论；模型选择 1介绍 短期负荷预测（STLF）对于电力系统[1]的日常运营是必不可少的。对电力系统每小时负载的准确预测能够帮助系统操作员提前一天到一个星期完成各种像发电量的经济预算和燃料采购预算等具体经济调度任务。特别是对峰值需求的预测更加重要，因为电力设备的发电容量必须满足这一要求。由于负荷预测技术会促进更加安全的电力系统运行环境以及更节约的经济成本，许多技术已被用于改善STLF[2]。 在这些技术中，神经网络（NNS）技术的使用在负荷预测领域[2,3]占主导地位。实际上，实用数据库中历史负荷数据的有效性以及神经网络方法对于输入和输出变量集之间进行非线性映射的驱动的特性使得这种建模工具变得非常受欢迎。然而，就像文献[2,4]指出的一样，神经网络模型是非常灵活的模型以至于设计一个用于特定应用程序的神经网络是很不容易的。本文的研究内容是基于神经网络模型能够以任意精度值逼近任意连续函数并能提供足够的隐藏神经元数[5]。但是，这样的特点也有缺陷，即这种精确的的近似对噪音来说也是一种近似。结果，该模型产生了在当新数据被输入时输出能力很差的状况。在神经网络研究领域，这个问题被称为过度拟合，它可能因为神经网络模型过于复杂而产生（即模型中设置了太多的参数）。实际上，在解决某种问题前，有必要对神经网络的复杂程度和待研究的问题之间进行匹配。模型的复杂程度决定了模型的输出能力（由泛化误差或测试误差衡量）。过于简单或者过于复杂的神经网络都会导致低效的预测结果。目前主要有两种方法来控制神经网络的复杂性，即结构选择和正则化技巧。 结构选择通过改变神经网络参数（称为权重和误差）的数量来控制复杂性。其中一个最简单的方法是单隐藏层网络的使用，隐藏层中自由量的数目是通过调整隐藏单元的数量来控制。其他方法包括在训练过程中不断增加或修剪网络结构。修剪法采用的方式是先从一个比较大的网络着手，然后再逐步移除用于连接的隐藏单元[6-8]。 正则化技术，通过支持较小的神经网络参数值实现了平滑的网络映射。实际上，事实证明[6]，估计时使用较小的值能够减小模型过度拟合的趋势。其中一个最简单的正则化的形式被称为权值衰减，正则化系数（也叫权值衰减项）还允许控制正规化的程度。然而，所有这些技术都需要说明参数（即正则化系数，隐藏单元数，修剪参数）的调整以最大限度地提高神经网络的泛化性能。 传统上这种控制参数的设置是通过使用所谓的交叉验证（CV）技术进行的。的确，交叉验证提供泛化误差的估计法，进而提供了选择最佳的体系结构或最优的正则化系数的可能性。然而不幸的是，交叉验证技术存在几个缺点。 首先，为了估计由隐藏神经元或正规化系数的值改变而导致的一般化误差的变化（这里称为验证错误），交叉验证技术需要一个被称作验证组的单独数据集（训练集需要的数据很少）。隐藏节点的最优数量或正规化系数的最优值和最少的验证错误必须相一致。其次，由于真实数据集中固有噪声的存在而且数据的数量是有限的，人们必须使用不同的数据划分重复多次交叉验证实验来进行训练和验证。这促使了像k-fold交叉验证或leave-one-out等知名交叉验证技术[6]的发展。最后，交叉验证技术可能变得计算量大且繁琐，而且有关的实例正则化技术以及所占权重较少的衰减系数通常还需要测试。 另一个关键问题是确定相关的输入变量。的确，有太多的输入变量，其中那些与输出无关的变量还可能降低该模型的预测精度。这中情况在有限数据集中输出和输入变量之间建立随机关系时特别明显。同样不幸的是，经典的神经网络方法也无法以令人满意的方式完成这种特殊任务。 大多数研究人员在短期负荷预测领域都强调需要正确设计神经网络模型，但遗憾的是目前仍然缺乏一致的允许派生最优神经网络模型[2,4,9]的研究方法。因此， Hippert[2]指出，一些研究人员怀疑并认为没有系统的证据能够表明神经网络是优于现存的其他标准预测方法（如基于时间序列）的。此外，Alves da Silva [10]指出，人们在不能确定可靠性的情况下不应该进行任何类型的预测，他还指出当时间序列很杂乱时预测是没有意义的。 在本文中，我们认为，为了获得电力负荷预测的一个很好的模型，重