神经网络负荷预测课件.pptVIP

Company Logo LOGO * 神经网络负荷预测 （1）经济性 （2）可靠性 （3）挺高安全性 （4）促进电力市场 电力系统负荷预测的意义 （1）可变性 （2）条件性 （3）时间性 （4）多方案性 电力系统负荷预测的特点 （1）长期负荷预测 （2）中期负荷预测 （3）短期负荷预测 （4）超短期负荷预测 电力系统负荷预测的分类 （1）趋势外推法 （2）回归分析法 （3）时间序列法 （4）灰色预测法 （5）专家系统法 （6）小波分析法 （7）人工神经网络法 电力系统负荷预测的研究现状 神经网络基本模型 （1）阶跃型传递函数 （2）线性传递函数 神经网络基本模型 神经网络的集中传递函数 （3）分段型传递函数 （4）Sigmoid型传递函数 神经网络基本模型 神经网络基本模型 神经网络基本模型 （1）误差反向传播网络（BP网络） 误差反向传播模型属于前向网络，是到目前应用最为广泛的一种人工神经网络，应用于语言、模式识别，自适应控制等。其缺点是训练时间较长，容易陷入局部最小。 （2）径向基函数网络（RBF网络） 径向基函数模型属于多层前向网络，具有学习速度快，精度高的特点，但由于高斯函数特性，不适用于高频的学习。 神经网络的分类 1.按神经元之间的组合拓扑结构划分 （3）Hopfield 网络 （4）双向联想存储器网络(BAM 网络) （5）适应谐振理论网络(ART 网络) 神经网络的分类 （1）正向网络 神经网络的分类 2.按照神经网络连接结构的拓扑方式分类 （2）反馈型网络 神经网络的分类 （3）层内互联正向网络 神经网络的分类 （1）非线性 神经网络对于实现非线性映射具有一定的优势，其神经元具有 很强的数学处理能力，这一特性有助于非线性问题的解决。所 以比较适合短期负荷预测 （2）并行分布处理 神经网络具有高度并行结构，各神经元间并列运行，能同时处 理信息，具有高速计算能力，有助于实现系统的监控及优化。 （3）对初值要求较高 神经网络进行负荷预测的优缺点 （1）有导师学习 需要给出期望的输出，基于大量的训练样本，训练并比较输入与输出的误差，根据这个数值对网络的权值和阈值进行调节，使网络的输出更加接近于理想输出。 （2）无导师学习 输入向量不包含目标向量，是一个自我学习的过程，训练过程主要是对权值和阈值的修改，不需要反馈。相似的输入可以得到相似的输出，无导师学习法可作聚类分析，通过学习统计出输入样本存在的特性，以神经元之间连接权值的形式存在，将向量按各自特性划分为有限的模式类别。根据训练任务量的不同，可分为渐进式和批量式。渐进式训练是每收到一个输入向量便调整网络权值和阈值；批量式训练是接受所有输入向量后根据相关算法批量调整网络的权值和阈值。 神经网络的学习特性 （1）信号正向传播 信号的正向传播过程中，各层之间互相没有联系， 将输入信息传到输入层后，再传到隐含层，经过一 定的计算处理后，在输出层得到结果。 （2）误差反向传播 误差的反向传播过程，首先将输出结果与期望值比较，计算得 出误差值，并根据此值修改神经元之间的连接权值，然后再将 其值重新加到各个神经元上，使得误差减小。实际上即是求误 差函数的极小值。 BP神经网络的学习算法 BP 神经网络模型的结构 （1）信号正向传播 信号的正向传播过程中，各层之间互相没有联系， 将输入信息传到输入层后，再传到隐含层，经过一 定的计算处理后，在输出层得到结果。 （2）误差反向传播 误差的反向传播过程，首先将输出结果与期望值比较，计算得 出误差值，并根据此值修改神经元之间的连接权值，然后再将 其值重新加到各个神经元上，使得误差减小。实际上即是求误 差函数的极小值。 BP神经网络的学习算法 （1）对样本的输入数据做归一化处理，得到输入变量； （2）对权值进行初始化，使其为较小的随机数； （3）确定具有输入向量和期望输出的训练样本； （4）根据输入样本信息，经过隐含层的计算，在输出层得出结 果； （5）计算实际输出与期望值之间的误差，并与规定误差进行比 较； （6）调整隐含层和输出层各神经元的权值； （7）返回第 4 步，循环进行，直到误差满足规定的精度为止。 BP神经网络的学习算法 BP神经网络的学习算法 （1）历史数据的选取及数据预处理 （2）负荷数据的归一化处理 （3）神经网络的拓扑结构 （4）神经网络的学习参数 （5）预测误差分析 BP神经网络电力系统负