基于遺传bp网络的电力负荷预测.docxVIP

摘要:根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络(BP)的短期负荷预测.介绍了BP神经网络进行短期负荷预测原理以及遗传算法原理。具体叙述了遗传算法对BP神经网络进行优化的实现步骤。从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行。关　键　词: BP神经网络;遗传算法;短期负荷;预测引言：电力系统的短期负荷预测是指以周、天、小时为单位的负荷预测,它是现代电力系统运行研究中的重要课题之一.电力系统短期负荷预测的结果是研究电力系统规划问题、电力系统经济运行及其调度自动化的重要依据.随着电力市场化改革的不断深入,短期负荷预测在电力系统中更显得日益重要.实践证明,在电力系统发展日趋复杂的今天,各种传统的负荷预测技术已经越来越难以满足电力部门越来越高的负荷预测精度要求,所以应用智能算法进行电力系统的短期负荷预测,提高负荷预测的精度和稳定性,具有十分重要的意义.本文使用遗传算法改进BP神经网络建立短期电力负荷预测模型,并将结合湘潭地区电力负荷的实际情况,对预测方法进行探讨和研究1.BP神经网络BP网络学习是典型的有导师学习，其学习算法的基本思想是最小二乘学习算法，或称LMS (Least Mean Squares) 算法。它实质上是一个无约束的优化计算过程，采用剃度搜索技术，沿着误差的负梯度方向不断修正网络中的权值与闽值，直到误差达到最小数值。网络学习过程是一种误差边向后传播边通过一些学习规则来修正神经元之间的连接权值的过程。BP网络的每一层的连接权值都可以通过学习来调节。 BP 神经网络通常有一个或多个隐含层, 设输入为P，输入神经元有r个，隐含层内有s1个神经元，激活函数为F1，输出层内有s2个神经元，对应的激活函数为F2，输出为A，目标矢量为T。BP 算法的基本步骤:(1) 初始化权值w 和阈值b ,即把所有权值和阈值都设置成较小的随机数.(2) 提供训练样本集,包括输入向量P 和要求的预期输出T .(3) 计算隐含层和输出层的输出. 隐含层中第i个神经元的输出为： ，i=1,2,…,s2 （1） 隐含层中第i个神经元的输出为： ，k=1,2,…s2 （2） (4) 调整权值和阈值利用梯度下降法求权值变化及误差的反向传播输出层的权值变化： 对从第i输入到第k个输出的权值有： （3）其中： 同理可得： （4）隐含层权值变化： 对从第j输入到第i个输出的权值，有： （5）其中： 同理可得： (5) 计算网络误差均方和E （6）(6) 循环步骤2 到步骤5 ,直至误差均方和满足精度ε为止,即E ε2.遗传算法的基本原理算法GA 把问题的解表示成“染色体”,在算法中也即是以二进制编码的串. 并且,在执行遗传算法之前,给出一群“染色体”,也即是假设解. 然后,把这些假设解置于问题的“环境”中,并按适者生存的原则,从中选择出较适应环境的“染色体”进行复制,再通过交叉,变异过程产生更适应环境的新一代“染色体”群. 这样,一代一代地进化,最后就会收敛到最适应环境的一个“染色体”.遗传算法的实施过程包括编码、产生初始群体、计算适应度、复制、交换、突变、反复迭代、终止等操作.我们用Gen 代表遗传(迭代) 的代次,遗传算法从Gen = 0 开始. 根据所研究问题的表达方式确定字符串长度L ,接着随机产生M个初始群体. 刚开始时,终止条件不会被满足,于是依次计算群体中各个个体的适应度. 根据计算结果,依次进行复制、交换、突变等遗传操作.2.1遗传算法的实现步骤(1) 将问题的解表示为编码串(生物学术语称为染色体) ,每一码串代表问题的一个可行解。(2) 随机产生一组串长为m 的初始群体,该群体就是问题的一个可行解的集合.(3) 分别将编码串译码成寻优参数, 计算对应的目标函数并变换为适应值.(4) 根据码串个体适应值的高低, 执行应用复制、交换和变异算子产生下一代群体。(5) 返回步骤3 ,直到满足停止准则为止. 这样, 反复执行步骤3 到步骤5 , 使码串群体一代代不断进化, 最后搜索到最适应问题的个体, 求得问题的最优解, 其流程如图2 所示图1 遗传算法流程图2.2　遗传算法的四种基本操作(1) 编码及解码. 首先,根据希望的精度确定编码串的长度(如要求到小数点第n位) ,则在自变量的区域P[a ,b] 内,二进制码串的最小长度为m 位,满足如下关系: 相应地,其编码公式为对应的解码公式为(2) 复制操作. 首先计算当前群体中各码串Ai的适应值E(Ai),计算出群体总的适应值F,每一码串被选中的概率为