人工智能课程报告-138071.doc

研究生课程考试成绩单 院 系 软件学院 专业 软件工程 学生姓名 万玉建 学号 138071 课程名称 人工智能 授课时间 2013年 9月至 2013年 12月 周学时 4 学分 3 简 要 评 语 考核论题 浅谈基于人工神经网络的日负荷预测 总评成绩 （含平时成绩） 备注 任课教师签名： 日期： 浅谈基于人工神经网络的日负荷预测 学号：138071 姓名：万玉建 摘要 本文是作者在学习《人工智能》课程以后，结合作者本人工作的需要，根据《人工智能》课程中人工神经网络知识和在网上搜索到的相关资料，提出关于电力系统日负荷预测，运用基于人工神经网络的算法的组网结构和实现步骤的一些简单的构思和设想。 1引言 本人一直从事电力系统监控软件研发和管理工作，电力系统监控软件监控的对象就是电力负荷情况，而电力负荷预测则是系统的高级应用，它是根据历史的负荷数据，预测未来的负荷情况。由于电力负荷资源不可储存性，即发电机发出多少电，实时就要用多少负荷量，因此，就要求事先需要知道未来的用电负荷。正确地预测电力负荷，既是为了保证人们生活充足的电力的需要，也是电力工业自身健康发展的需要。 日负荷预测是指对未来1日的负荷进行预测，一般每15分钟一个负荷点，1日共96个数据。实际工作中，当天上午负荷预测人员根据昨天和更前的历史负荷数据预测明天的负荷数据，然后按一定格式生成文件上传到相关负荷管理部门。之前公司负荷预测软件中提供了线性回归法、曲线拟合法、平均值外推法、最小二乘法等负荷预测算法，但是这些算法都只是根据历史负荷数据进行一些数学的运算，没有考虑天气、节假日等情况，这些因素是负荷变化的重要的因素，而这些算法无法将这些因素量化并参加计算。 本学期学习了《人工智能》课程，其中有关于人工神经网络知识，这让本人想起来早在几年前在设计负荷预测软件时，曾经看到有人使用基于人工神经网络，把天气、节假日等因素加进来的进行预测的算法，当时也想增设这样的算法，但因为对算法不是很理解和其他种种原因一直没有实现。而今，恰好在课本学了人工神经网络，就考虑设计一种基于人工神经网络的负荷预测算法。本文描述这种算法的构思和设想。 2影响负荷预测因素的分析 由于电力系统负荷是一个很复杂的非线性系统，有许多直接或间接的因素都会对电力系统的日负荷产生直接的影响。但是在实际的负荷预测中，又不能考虑太多的影响因素。这一方面是收集这些资料困难，另一方面因素太多会造成建模困难，并且会带来大量的计算。因此，在考虑神经网络输入量的问题上，应抓住其中几个最具特征的影响因素。根据对历史负荷的分析，一般可把负荷分为两类：周期性负荷和变动性负荷。周期性负荷，或者说标准负荷，反映的是负荷自身变化的基本规律，呈较强的周期性，尤其受到时间周期的影响。针对短期负荷，时间周期因素包括：周周期、日周期等。它们对于日负荷的曲线模式有着极为重要的影响。 在气象条件中，起主要作用的是温度因素和天气状况。因此为了在负荷预测中考虑这两方面的影响，本文对每天的气温的输入变量可以进行分段处理，将天气状况中最重要的气温因素进行量化处理并作为神经网络的一个输入量。这样就更加能够体现出实际负荷的变化情况。 除了上述的影响因素外，还有其它一些影响因素也会对负荷产生影响，如社会经济发展状况、随机因素等。社会经济因素，包括人口、工业发展水平、农业、人民生活水平和习惯、社会经济格局等，表现为各类用户对电能的需求特征，直接影响了负荷曲线的形状和模式。从众多的资料可以看出,工作日和休息日的负荷量是不同的,一般休息日负荷明显低于工作日,且负荷曲线形状也有明显区别。因此,为了更好的实现负荷的预测,将负荷分为两大类:工作日负荷和休息日负荷。将实际的日期时间对应的输入量作为日期的输入变量。 3 学习样本的选取 神经网络知识的获取只能从学习样本中得到，学习样本的数量和质量是影响神经网络学习效果和学习速度的重要因素，对预测精度的影响极大。在本论文中针对冬季的负荷预测，模型输入已经包含温度这一天气因素，学习样本只根据日期类型来选择即可，对应两种预测模型区分为两个样本集，即工作日样本、双休日样本。 3.1输入变量的选取 根据负荷预测中“近大远小”的原则，在负荷预测中预测日的相邻日既预测日的前一天和一周前的同一天相关性比较好，因此在负荷数据的选择上才用了才用了提前一天和提前一周的对应小时以及对应小时前后各一小时的复合数据。 由于采用的是非线性的模型，为了防止病态样本的出现，易于网络训练学习，将样本中的历史数据进行归一化处理，换算成区间0到1的数。 （1） 式中，L未处理的历史复合数据，Lmin和Lmax分别是其中的最小、最大复合数据，L为归一化后的数据。 3.2日期变量