基于Functional网络短期电力负荷预测.pdfVIP

基于Functional网络的短期电力负荷预测 西南民族大学电气信息学院 高心 【摘要】 Network)的非 线性时间序列模型。该模型与传统ANN模型相比有许多特点，如：FN中的神经函 数需训练学习且在一给定FN中的神经函数可以不同，但FN无连接权值；FN中的 神经元输出可以相同且输出单元是—个或几个神经元的输出；FN的学习过程是求 解一组降维的线性系统方程，采用最／b-乘法，故运算速度高。因此，FN是在了 解所求的问题，并建立相应的微分方程和等效的泛函方程的基础上构建的极具广泛 性的人工神经网络(ANNo FN作为非线性时间序列模型和预测的方法，已在非线 性映射、信号处理尤其是混沌信号处理方面取得了满意的结果。本文将FN作为短 期电力负荷预测研究的新模型，并提出了基于FN的短期电力负荷预测的算法，是 对该领域研究的有益探索。 【关键词】 电力系统短期负荷预测ANNFunctional网络 短期负荷预测是实现电力系统运行监控的基础。无论是机组启停计划的制定、有功经济 调度的实现以及水库调度方案的安排，都离不开短期负荷预测。近年来，人工神经网络在短 期电力负荷预测中应用较广，这是由于ANN是一个具有高度非线性的超大规模连续时间动 力系统，可以映射任意复杂的非线性关系，且能够识别有噪声或变形的样本，通过学习能把样本 隐含的特征和规律分布于神经网络的连接权上。但目前广泛应用的前馈网络通常采用的是梯 度下降的连接权学习方法，学习时间长，且易陷入样本误差平方和的局部最小。另外，由于人们 的注意力集中在用神经网络实现复杂的映射方面，往往使模型结构不够灵活，对相关因素的处 (Functional Network)的非线性时间序列模型和预测的方法。该方法在非线性映射、信号 处理尤其是混沌信号处理方面取得了满意的结果。FN是在了解所求的问题，并建立相应的 微分方程和等效的泛函方程的基础上构建的极具广泛性的人工神经网络。它与ANN相比有 如下的不同之处：①舢叮N中的神经函数是给定的，大都采用sigmoid函数，无需学习训练， 但网络的连接权值在学习过程中需不断训练修正；FN中的神经函数可以是几个基本函数的 线性组合(如多项式、对数函数、正余弦函数和Fourier级数等)，因此该神经函数需学习训 练。但FN无连接权值。②ANN的输出单元是单个神经元的输出；而在FN中，输出单元 是—个或多个神经元的输出，说明该网络具备相容性的条件，即连接到输出单元的神经元数 目越大，则自由度数目越小。③FN中的神经元输出可以相同；ANN的神经元输出则不同。 ④在一给定FN中的神经函数可以不同；而在ANN中的神经函数是相同的。⑤FN的学习 过程是求解一组降维的线性系统方程，采用最／j、乘法，故运算速度提高；而在ANN的学 习过程中，广泛采用的BP算法将占用大量的学习时间。总之，FN虽然是ANN的自然扩展， 但它有许多与ANN不同的地方，表现在FN学习的是神经元函数，而非连接权值，神经函数 可不相同、多维、多变量以及受连接线的约束等。其相容性条件可获得以不同形式描述的输 出值，能使建立的系统泛函方程在函数的学习过程中大为简化，节省运算时间等。 基于FN的短期电力负荷预测的算法：构造负荷预测研究的学习样本(样本1，…， 样本24)，建立等效的泛函方程和相应的初始化FN，并化简得到简化的FN；估计(学习) 法，使建立的目标函数(误差平方)最小，以预测出泛函方程中的相关系数，最后得到所需 的负荷预测值。该研究的重点在于根据求解的问题，建立适宜的FN，以及选择合适的神经 函数进行训练。 参考文献 andED．Galiana．Shorttermload 【1】G∞ss forecasting．1987 J．H．Park．Short-TermLoad AnANN．IEEETrans．onPower 【2】 ICY．Lee，YT．Ct培and forecastingUsing Systems，