短期电力负荷.docVIP

毕业设计（论文）中期报告 题目： 院（系） 专 业 电气工程及其自动化 班 级 100417 姓 名 冯 浩 学 号 100417103 导 师 王 坤 2014年4月 日 3.神经网络用于预测技术 许多因素使ANN适合于负荷预测技术，诸如：ANN需要大量的历史数据，而电力系统可以提供；电力负荷预是一个非线性且具有多种关联输入的问题；ANN具有较强的泛化能力且相对来说ANN不易受噪声干扰。 神经网络预测背后的主要思想是它能从历史数据中找出隐含的趋势。由于电力负荷受多种因素影响（季节，气候，经济因素等），这些因素是通过训练数据由神经网络学习得到，相对来说，对明确分解的历史负荷模式不是太必要。神经网络用于预测控制通常有三个特征，同时对应三个步骤，即预测，优化和反馈矫正。其基本框图如图1.1. 对人工神经网络网络进行训练的原则之一就是让它从错误中学习。不断肯定它的正确认识（即正确的输出值），不断减少它的错误识别（错误的输出值）的概率。对人工神经网络的训练过程就是要不断改变人工神经网络的输入，而改变经输入的办法就是调整输入权值。可以说，神经网络训练的过程就是调整权重的过程。 多层神经网络的一个很重要的问题是：在建立稳定的求解状态之前，要多次利用输入矢量，对每种模式反复进行计算和误差反传。当误差函数存在多个局部极小点时收敛的速度很慢，而且可能收敛到局部极小点。 图1 神经网络用于预测控制 BP神经网络预测负荷的基本流程 BP神经网络预测负荷的基本流程图如图2所示。根据设计的BP神经网络预测模型，采用BP算法，具体实现过程如下。 图2 BP神经网络预测负荷基本流程图 1）读入历史数据，初始化样本矩阵。讲输入层节点描述的负荷值得三个月数据组成一个24行90列的BP神经网络训练样本矩阵。为了输入样本数据简洁易于修改，将样本数据放在文本文件中，利用MATLAB神经网络工具箱中的函数读取，然后对样本矩阵进行初始化。 2）对样本矩阵中的负荷数据进行预处理。负荷预测所需的历史负荷数据SCADA系统，因为采集数据时由于各种 干扰可能存在误差很大的错误数据，若以这些数据作为神经网络的输入，则分析会出现较大误差。为避免这种情况的出现，对历史负荷数据进行预处理，可以采用如下方法： (1) 对因通信通道中断而缺少负荷数据和因电力系统故障而负荷存在异常时，由于调度员参照正常负荷曲线进行修正或剔除该异常样本； （2）对因采样错误带来的负荷异常值，采用数据横向对比的方法消除，即将在某一时刻的负荷与其前后时刻的负荷比较，如果差值大于某一阈值，则认为是有干扰，要采用软件滤波加以修正。 为了避免出现神经网络饱和现象，将样本中实际负荷数据进行归一化处理，即按式（2）换算成【0,1】区间的值，输出时再按式（3）换算成实际负荷值。 (1） (2) 式中：为负荷的实际值；为负荷的归一化值；，分别为训练样本中负荷的最大值、最小值。归一化处理的目的是把数据限制在需要的一定范围内，一定为了后面数据处理的方便，其次是保证程序运行时收敛加快。 建立并训练BP神经网络。采用Newff函数创建一个三层BP网络，网络隐含层神经元的激励函数为s型函数。然后训练BP神经网络，其过程就是根据样本举证找出一个新的BP神经网络拟合原始负荷曲线，尽量低使预测负荷曲线和实际负荷曲线相吻合，从而达到较好的预测结果。训练前需要设定一些参数，如学习规则、误差指标、学习速率。采用L-M学习规则训练网络，就要运用trainlm函数；设定误差指标就是设定预测负荷曲线和实际负荷曲线的逼近程度；设定学习速率就是设定神经网络的速度，采用L-M优化算法可以通过多试验几次得到较好的效果来取得。 预测负荷。BP神经网络训练好的以后，就可以输入预测日前1d数据对预测日的负荷预测，按时（2）进行反归一化处理后输出打印。 BP网络的仿真设计 用三层神经网络模型，含有一个隐含层，其中输入层和输出层神经元个数由输入变量及输出变量数决定。本文对未来每小时负荷预测模型中，输出层神经元个数为24，输入层神经元个数在不同的模型中有所区别，模型中为24个输入数据。隐含层个数的确定是非常重要的，会直接影响网络的