基于Matlab神经网络工具箱的电力负荷组合预测模型.pdf

BH H 第 卷第 期 电 力 自 动 化 设 备 M05’BH 0’H B77H H DI 年 月 J5*,2/%, #06*/ ;420K+2%03 JL4%1K*32 =+/’B77H 基于 =+25+ 神经网络工具箱的 电力负荷组合预测模型 刘 双，杨丽徙，王志刚，贾德峰，陈根永 （郑州大学 电气工程学院，河南 郑州 CD777B ） ! ：在电力系统负荷预测中，组合预测是一种较为有效的方法。该方法通常是采用对单个预测 模型进行加权处理，要求参加组合预测的模型误差能保持稳定，但电力负荷预测结果的误差往往 是非均匀性的。针对上述做法存在的问题，提出了基于人工神经网络的组合预测模型，利用人工 神经网络对复杂非线性系统的拟合能力，通过网络训练自适应地调整各种预测模型的权重。同 时，为了避免用常规语言建立人工神经网络负荷预测模型存在的模型结构复杂、训练时间长等缺 点，利用=+25+ 神经网络工具箱建立组合预测模型，该模型不仅编程简单，而且收敛速度快。算 例表明了该模型的实用性和有效性。 #$%：负荷预测；组合模型；人工神经网络；=+25+ 工具箱 (= E !D ; !77F G F7CE B77H 7H G 77DI G 7H ’()* ： +,-./ ： +01*： （ ） 7 引言 由于电力负荷预测，尤其是中长期负荷预测，受 到很多不确定因素的影响。到目前为止，还没有一种 方法能保证在任何情况下都能获得满意的预测结果。 因此，充分利用各个负荷预测模型的有用信息，建立 电力负荷组合预测模型是一种较为有效的方法。 图! # 神经网络 由于人工神经网络模型具有高度的容错性、联 $%’! ()* +,-.#/01++2%03 3*4/+5 3*260/- 想性和自组织、自学习能力，且对复杂系统具有强大 ，输出层神经元数为 ，隐含层神经元的激活函数 $ ! $B 的非线性映射和泛化功能，因此在电力系统负荷预测 为 ，输出层神经元的激活函数为 ，输入为 ，输 ! B ’ 方面得到了广泛的应用。 出为 。如果不计输入层，可称其为两层神经网络。 ( 然而，目前基于人工神经网络的负荷预测模型 !’B # 学习算法及其改进 大都采用 语言、 语言等建立，不仅模型 8 $9:(:; # 算法由两部分组成，即信息的正向传递和误 结构复杂，而且训练时间长。 是 公 =+25+ =+2)?0/-@ 差的反向传播。在正向传递过程中，输入信息从输 司推出的一套高性能的数值计算和可视化软件，它 拥有相对独立且不断发展的工具箱，这些工具箱给 入经隐含层逐层计算传向输出层，每一层神经元的状 各个领域的研究和工程应用提供了极大的帮助。借