浅议电力负荷预测中BP算法的改进.doc

浅议电力负荷预测中BP算法的改进 王宝成 （永城职业学院 河南永城 476600） 【摘 要】电力系统负荷是由无数个用电个体的用电总和组成，通常每个个体的用电目的和模式各有不同，因而，电力系统具有复杂性、随机性、时变性、分散性、多样性等特点。电力负荷的变化不仅涉及到工农业的发展和国民经济的增长，而且还受政治、经济、环境和气候等不确定因素的影响，因此，电力负荷的预测是一项十分复杂的工作。其算法的改进对于电力负荷预测而言具有积极的意义。 【关键词】电力负荷；预测；BP 1.影响电力负荷变化的因素 影响电力负荷变化（从而也影响负荷曲线的形状）的因素很多，归纳起来有以下几类： 1.作息时间的影响 一般白天上班的时间负荷较高，晚上和凌晨负荷达到最大值，深夜负荷是每天负荷的最低点，中午休息时间也往往出现负荷降低。 2.生产工艺的影响 连续性生产（如冶金、化工等）电力负荷非常稳定。三班制机加工业除交接班时负荷较小外，其他时间的负荷也很平稳。一班制工业负荷集中在白天，夜间负荷很小，日负荷很不均匀。 3.气候影响 气候的变化对电力负荷会产生很大的影响。例如，阴雨天白天照明负荷增加，高温天气空调、电扇负荷上升。随着空调设备的逐渐普及，气温将成为电力负荷的一个比较敏感的因素。 4.季节影响 不同季节负荷有明显的差别。由于季节性用户的存在，用电设备的大修理，以及负荷在年内的增长等均对电力负荷及曲线产生较大的影响。一般季节性影响使得负荷在年内呈现规律性的变化。 5.其他因素 重大社会活动和突发事件、节假日等都会影响电力负荷。 2. BP神经网络 2.1 BP神经网络的基本原理 BP算法由数据流的前向计算（正向传播）和误差信号的反向传播两个过程构成。正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。 其正向传播如图－1所示： 图－1 三层神经网络的拓扑结构 设 BP网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，输入层与隐层之间的权值为，隐层与输出层之间的权值为。隐层的传递函数为f1 · ，输出层的传递函数为f2 · ，则隐层节点的输出为（将阈值写入求和项中）： k 1,2,……q （2.1） 输出层节点的输出为： j 1,2,……m （2.2） 至此B-P网络就完成了n维空间向量对m维空间的近似映射。 3.BP算法的改进 BP算法理论具有依据可靠、推导过程严谨、精度较高、通用性较好等优点，但标准BP算法存在以下缺点：收敛速度缓慢；容易陷入局部极小值；难以确定隐层数和隐层节点个数。在实际应用中，BP算法很难胜任，因此出现了很多改进算法。 3.1 利用动量法改进BP算法 标准BP算法实质上是一种简单的最速下降静态寻优方法，在修正W K 时，只按照第K步的负梯度方向进行修正，而没有考虑到以前积累的经验，即以前时刻的梯度方向，从而常常使学习过程发生振荡，收敛缓慢。动量法权值调整算法的具体做法是：将上一次权值调整量的一部分迭加到按本次误差计算所得的权值调整量上，作为本次的实际权值调整量，即： （3.1） 其中：为动量系数，通常0＜＜0.9；—学习率，范围在0.001～10之间。这种方法所加的动量因子实际上相当于阻尼项，它减小了学习过程中的振荡趋势，从而改善了收敛性。动量法降低了网络对于误差曲面局部细节的敏感性，有效的抑制了网络陷入局部极小。 3.2 自适应调整学习速率 标准BP算法收敛速度缓慢的一个重要原因是学习率选择不当，学习率选得太小，收敛太慢；学习率选得太大，则有可能修正过头，导致振荡甚至发散。可采用图－2所示的自适应方法调整学习率。 图－2 自适应学习 调整的基本指导思想是：在学习收敛的情况下，增大η，以缩短学习时间；当η偏大致使不能收敛时，要及时减小η，直到收敛为止。 3.3 动量-自适应学习速率调整算法 采用动量法时，BP算法可以找到更优的解；采用自适应学习速率法时，BP算法可以缩短训练时间。将以上两种方法结合起来，就得到动量-自适应学习速率调整算法。 3.4 L-M学习规则 L-M（Levenberg-Marquardt）算法比前述几种使用梯度下降法的BP算法要快得多，但对于复杂问题，这种方法需要相当大的存储空间。L-M Levenberg-Marquardt 优化方法的权值调整率选为: （3.2） 其中：e—误差向量；J—网络误差对权值导数的雅可比（Jacobian）矩阵；μ—标量，当μ很大时上式接近于梯度法，当μ很小时上式变成了Gauss-Newton法，在这种方法中，μ也是自适应调整的。 4.结语 由