文献综述1基于Elman神经网络的负荷预测研究..docVIP

基于Elman神经网络的负荷预测研究 摘 要 电力系统负荷预测是电力生产部门的重要工作之一，其负荷变化具有明显的周期性，文章采用Elman神经网络与BP神经网络建立模型，提出了一种基于神经网络的负荷预测方法。对某电网实际历史数据进行仿真预测，经研究发现，Elman模型具有收敛速度快、预测精度高的特点，同时表明利用Elman回归神经网络建模对某电网负荷进行预测是完全可行的，在负荷预测领域有着较好的应用前景。 引言 经济的高速发展带来了城市化与工业生产规模的不断发展，也使得城市供电系统的供需矛盾变得日益突出起来，特别是夏季，城市电力紧缺的现象越来越普遍。进行供电量的预测不仅可以为合理分配现有的电力资源，新建或者扩建、改建电厂提供可靠的依据，而且也是影响到居民正常工作和生活基本保障的一个重要问题。因此，寻找城市供电量的规律性，预测今后几年的供电量，不仅对于城市建设与城市管理有着重要的指导意义，而且也与居民的日常工作和生活息息相关。因此电力负荷预测是电力系统运行调度中一项非常重要的内容，是保证电力系统安全经济运行和实现电网科学管理的基础。 目前在电力系统负荷预测领域应用最广泛的是静态前馈BP神经网络，尤其是短期负荷预测领域应用居多。本文采用Elman神经网络的自适应性和较强的非线性映射能力对某电网的负载进行预测。仿真结果取得了令人满意的结果。可以预见Elman神经网络在电网负荷预测中有广阔的前景。 1某电网负荷特性分析 通过对某电网月度负荷数据序列的分析可知，随时间的推移，月度负荷相比于往年同一月的历史负荷具有明显的增长趋势，如图1所示为2001-2005年某电网1O、11、12月用电量；如图2所示为2001-2005年某电网分月用电量。明显该电网年负荷曲线最高峰多出现在冬季l1、12月份，全年2月份、9月份负荷最低。 图1 2001-2005年某电网1O、儿、12月用电量 图2 2001- 2005年某电网分月用电量 总体来说，该电网全网用电增长较缓。由于电网中工业用电所占比例加大，这部分电量又受国家宏观调控以及市场价格的影响，使得2005年全网用电增长平稳，但较近几年相比增长率有所下降。 2 Elman神经网络的基本原理 2．1 网络结构 Elman型回归神经元网络一般分为4层：输入层、中间层(隐含层)、承接层和输出层，如图3所示。其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含层单元前一时刻的输出值，可以认为是一个一步延时算子。 图3 Elman网络结构不意图 Elman型回归神经元网络的特点是隐藏层的输出通过结构单元的延迟、存储，自联到隐藏层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络本身处理动态信息的能力，有利于动态过程的建模。此外Elman网络的动态特性仅由内部的连接提供，无需使用状态作为输入或训练信号，这也是Elman网络相对于静态前馈网络的优越之处。 2．2 算法简介 如图3所示，设网络的外部输入 ，输出为 ，若记隐含层的输出为 ，Elman神经网络的非线性状态空间表达式为： （1） 其中，k表示时刻，y，x，u ， 分别表示1维输出节点向量， 维隐含层节点单元向量， 维输入向量和 维反馈状态向量；，,分别表示隐含层到输出层、输入层到隐含层、承接层到隐含层的连接权值矩阵；f(.)为隐含层神经元的传递函数，这里采用tansig 函数表示，g(.)为输出层传递函数，采用purelin函数。由(1)式可得： （2） 又由于2)，上式可以继续展开。说明依赖于过去不同时刻的连接权，· · · ，即是一个动态递推过程。 Elman神经网络学习算法采用的是优化的梯度下降算法，即自适应学习速率动量梯度下降反向传播算法，它既能提高网络的训练效率，又能有效抑制网络陷入局部极小点。学习的目的是用网络的实际输出值与输出样本值的差值来修改权值和阈值，使得网络输出层的误差平方和最小。设第k步系统的实际输出向量为，在时间段(O，T)内，定义误差函数为： （3） 以，为例，将E对，分别求偏导，可得权值修正公式为： （4） 其中， j=l，2，.....，m；q=1，2，.....，n； 为学习速率，mC为动量因子，默认值为0，9。这样在进行更新时不仅考虑了当前梯度方向，还考虑了前一时刻的梯度方向，降低了网络性能对参数调整的敏感性。 3 数据的选取及归一化处理