基于改进BP算法的短期电力系统负荷预测.docVIP

基于改进BP算法的短期电力系统负荷预测 摘 要：BP算法较强的自学习能力使之可对短期电力负荷进行预测，将一种改进的BP神经网络学习算法应用于短期电力负荷预测中，该算法由于加入动量项修正权值阈值提高了BP神经网络本身的精度，使得预测结果具有更高的精度，算例验证了该算法处理短期电力系统负荷预测的高效性。 关键词：神经网络；短期负荷预测；BP算法；动量项 1 概述 电力系统负荷预测实质是对电力市场需求的预测，短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等，其中智能预测中最典型的就是人工神经网络。 人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义，能通过学习已存在的历史负荷数据，来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响，所以可以把神经网络算法引用到负荷预测中来，提高电力负荷的预测精度。本文针对短期电力负荷预测的问题，采用了一种增加动量项改进BP算法的负荷预测方法，并对某城市的有功负荷进行短期负荷预测仿真。 2 传统BP算法及其改进 2.1 传统BP模型及其学习过程 传统BP算法的实质是求均方误差函数的最小值问题，常选择Sigmoid型函数作为激励函数。如图2-1所示即为典型的三层BP神经网络的结构图，从左至右依次为输入层、隐含层、输出层。一般情况下，输入层单元数与输出层相等，隐含层比输入层多，一般多取2n-1，其中n为输入层单元数。 [图2-1 三层BP神经网络结构图] 令输入模式向量为Xk （x，x，…，x）T，（k 1，2，…，m），m是学习模式对的个数，n为输入层单元数；对应输入模式的期望输出模式向量为Yk （y，y，…，y）T，q为输出层单元数；中间隐含层的净输入向量为Sk （S，S，…，S）T，输出向量为Bk （b，b，…，b）T，p为隐含层单元数；输出层净输入向量为Lk （l，l，…，l）T，实际输出向量为Ck （c，c，…，c）T；输入层至隐含层的连接权值为W wij （i 1，2，…，n，j 1，2，…，p），隐含层到输出层的连接权值为V vjt ，（j 1，2，…，p，t 1，2，…，q）；隐含层各个单元的阈值为θ θj （j 1，2，…，p），输出层各个单元的阈值为γ γt （t 1，2，…，q）。 中间隐含层各个神经元的净输入和输出： S wijs-θj j 1，2，…，p b f（s） j 1，2，…，p 输出层各个神经元的净输入和实际输出： l vjtb-γt t 1，2，…，q c f（l） j 1，2，…，q 依据给定的期望输出值，得到输出层各个神经元的校正误差： d （y-c）f′（l） t 1，2，…，q；隐含层各个神经元的校正误差： e [vjtd]f′（S） j 1，2，…，p修正隐含层和输出层神经元之间的阈值γ，其中α为学习速率，0 α 1： Δvjt αdd i 1，2，…，p，t 1，2，…，q Δvjt αdb i 1，2，…，p，t 1，2，…，q Δγt αd t 1，2，…，q 修正输入层与隐含层的连接权值和隐含层神经元的阈值θ，其中β为学习速率，0 β 1： Δwij βex i 1，2，…，n，j 1，2，…，p Δθj βe j 1，2，…，p 直到全部m个学习模式对训练完毕，然后判断该神经网络的全局误差E是否满足训练精度要求。 2.2 BP算法的改进 传统BP算法在调整连接权值时，只考虑了此次调整的误差梯度下降方向，因而经常会使训练过程发生振荡，收敛速度缓慢。本文通过增加动量项调整连接权值来改进传统BP算法，进而克服这些缺点。 为了提高神经网络的训练速度，可以在对连接权值进行调整时，以一定的比例加上前一次学习时的调整量，即动量项，带有动量项的连接权值调整公式为： Δwij（n） -β+ηΔwij（n-1） 其中ηΔwij（n-1）为动量项，n为学习次数，η为动量系数，0 η 1。加入动量项的实质，就是使其学习速率在训练过程中不再是一个恒定的值。动量项对于n时刻的权值调整起着阻尼作用。在引入动量项后，向同一方向来进行连接权值的调整，即使两次连接权值调整的方向不一样，也可以减小训练过程中的振荡趋势，提高训练速度，加快网络的收敛。 3 基于BP算法的短期电力系统负荷预测及其仿真分析 3.1 负荷预测的基本思想 利用BP神经网络预测未来时日的数据，主要思想是以过去的历史数据作为网络的训练数据，当网络训练完毕，就可通过输入新的时序数据来预测未来数据。因各种因素都会对短期负荷造成一定影响，于是便可建立如图3-1所示的电力系统负荷预测的模型。 3.2 BP神经网络的设计 将一星期内的每一天看成是相同的负荷类型，每隔两小时对电力负荷进