基于BP神经网络算法对于工业电负荷量的预测.docVIP

基于BP神经网络算法对于工业电负荷量的预测 　　摘 要 城市的发展离不开用电，预测工业用电负荷量对于了解经济发展状况，进行宏观经济分析具有重要意义。同时，党的十八大将生态文明建设和原有的政治、经济、文化、社会建设并列为重点建设任务，精准的预测工业用电负荷量，可以减少不必要的能源消耗，有助于社会主义生态文明建设的实现。本文旨在通过使用BP神经网络算法，以2016年7月至10月深圳市比亚迪宝龙车厂用电负荷量为例进行实证分析，深入浅出的探讨了通过神经网络预测用电负荷量的可能性。 　　关键词 用电负荷量预测 生态文明建设 BP神经网络算法 　　中图分类号：TM714；TP18 文献标识码：A 　　1问题分析 　　本文题旨在对工业用电负荷量进行预测，并对进行分析，主要解决方案如下： 　　（1）首先对数据进行预处理。筛去无效数据并利用移动平均法将其补全。 　　（3）以深圳比亚迪宝龙车厂为例，采用神经网络算法分别预测其1号与2号主变压器的用电负荷以及两个主变压器负荷之和与总表负荷的误差，以此预测总表的用电负荷。 　　（4）将神经网络推广，增加神经网络算法中的自变量建立多重神经网络以研究其他影响因素对用电负荷量的影响。 　　2模型的建立与求解 　　2.1数据的预处理――基于移动平均法 　　2.1.1数据预处理方法 　　由于数据中存在部分无数据的情况，使得数据的连续性和平滑性受到影响。为了补全数据，我们采用移动平均法对2016年10月15日11时前的无数据进行补全预处理。补全方法采用移动平均法。 　　移动平均法是根据时间序列，逐项推移，依次计算包含一定项数的序时平均数，以此进行预测的方法。 　　设原有的数据组系列为 　　= （）， = 1，…，N （1） 　　为了滤去其中的随机噪声干扰，用数据系列 　　= （） （2） 　　取代原有的数据组系列，运算法则为 　　= ， = n+1， = n+2， …Nn （3） 　　显然，补全数据以后，数据组的连续性得到提升，平滑效果较原有更好，且平滑效果随增大而提升。 　　2.1.2结果分析 　　补全数据以后，数据组的连续性得到提升，平滑效果较原有更好，从而便于运用神经网络算法预测比亚迪宝龙车厂一段时间内的用电负荷量。 　　2.2神经网络算法模型和修正矩阵模型 　　2.2.1建立神经网络算法模型 　　以比亚迪宝龙1号主变压器的用电负荷数据为例，叙述神经网络算法模型的建立。 　　（1）准备训练网络的样本。该BP 网络是一个1输入1输出的网络，根据数据预处理，训练样本为“用户2用电1号主变”表经预处理后的负荷值。 　　（2）确定网络的初始参数。确定的初始参数如下表： 　　表1 　　以上参数的选择根据多次对样本的训练尝试选择。出于对拟合精准性的追求，必须在经验公式的基础上，用不同的最大训练次数和隐含层神经元数量进行多次尝试选择。选择的依据主要有两方面，一方面是尽可能降低随机噪音对拟合效果的影响，另一方面是防止过度拟合。 　　（3）初始化网络权值和阈值。初始化网络也就是给网络的权值和阈值赋予随机数矩阵。 　　权值是隐含层的神经元在传递信息时对信息进行的加权，记为wij（t），行数是传递到下一层的神经元数，列数上一层的神经元数，如第一层和第二层之间的权值为10行1列的构成形式。 　　阈值是用来激活神经元而设置的一个临界值，记为B（）。有多少个神经元就有多少个阈值，故第二层的阈值为10行1列的构成形式。 　　（4）计算各层神经元的输出。在计算之前，必须样本进行归一化处理，因为输入和输出样本的量纲以及量级都不同。设为第层的输出数据，归一化后的输入样本数据为。有下列关系： 　　= ?？ + B （4） 　　（5）计算能量函数。能量函数是网络输出与实际输出样本之间的误差平方和。 　　（6）计算层间的权值与阈值调整量以及调整后的权值和阈值。 　　权值调整量为： 　　（5） 　　阈值调整量为： 　　（6） 　　以上的权值和阈值调整量计算过程是反向传播的，即先计算最后一层的调整量，再到倒数第二层，一直到第一层。 　　调整后的时刻的权值?c阈值： 　　（7） 　　（7）这样的1次训练过程之后，继续用新的权值与阈值训练，重复训练5000次。经过多次训练，可以相对精准地拟合出样本数据用电量的曲线并输出一段时间内的用电量。此时对输出值进行反归一化，得到预测用电量数据的总体趋势。 　　2.2.2建立修正矩阵模型 　　所谓修正矩阵，是在总体趋势的基础上预测趋势变化的波动性的矩阵。我们在本问题中是通过计算过往每一天数据中隐含的波动性变化来得出修正矩阵的。计算过程如下： 　　以一天为波动周期。分别计算不同日期同一时刻电负荷量的平均值，再将平均值除以所有样本