基于人工神经网络和ARIMA的混合自适应技术.docVIP

基于人工神经网络和ARIMA的混合自适应技术 预测电力负荷 　 A.A.El Desouky and M.M.ElKateb 【摘要】设计不同具有自适应学习算法的神经网络结构，用于预测每月负荷的需求。对沙特阿拉伯的吉达市进行电力负荷进行预测，被认为是混合自适应技术的新发展。该技术利用九年的负荷、温度信息。前7年的数据用于训练了人工神经网络(ANN)，同时提前两年预测,比较真实的后两年的数据，核实ANN的表现。考核提取负载需求趋势的有几种方法，确保预测精度，作为负荷趋势的一个重要因素。用神经网络和混合ARIMA /ANN得到合适的模型，以追求不同的网络学习方案。相比较使用了时间序列方法建立的相应预测，这两种预测是最有前途的。 1 导论 对可靠经济电力系统操作来说，负荷预测是一个基本的功能。负荷预测根据时间划分,可以分类为短期、中期及长期负荷预测。短期负荷预测(STLF)，比如机组、经济调度,电力调度和实时控制，一个小时到一个星期的时间段都很重要的,。中期负荷预测(MTLF)时间从一个月至5年,用于购买足够的燃料和规划电价的变化。长期负荷预测(LTLF),包括从5至20年或更长时间，工程师和经济学家来确定发电厂类型和大小，包括固定和可变成本最小化[1]。后者普遍被认为是“总体规划”。 在电力系统的运作和生产成本中，负荷预测的准确性具有重要的影响，特别是在目前工业结构反常和激烈竞争。私有化和竞争推进了高效运作的，这需要准确负荷预测。每种方法寻求最佳的模式,通过降低预测误差以改善性能。 以前提出一些传统的需求预测模型有不同程度的进步,如时序模型[2], 回归模型[3]和专家系统方法气象信息数值不稳定（）发现天气变量和瞬时负荷需求之间的关系（）规则专家系统升级困难，计算。此外，这些模型都灵活系统负载快速的变化。最近，人工神经网络已使用历史数据通过培训复杂和非线性关系模型人工神经网络（ANN）进行负荷预测的应用已受到重视[5，6]人工神经网络（ANN）假设任何负载和天气关系天气信息 本文介绍了MTLF当局在沙特阿拉伯西部吉达不同的人工神经网络架构来实现电力系统每月高峰负荷。本研究改善对其他工程的准确性传统的时间序列模型[7]相同的特征。 图1吉达市月高峰负荷和气温（1987年7月1996年7）自回归综合移动平均时间指数指数指数负乘以相应比例调整负荷增长sigmoid函数的三层前馈神经网络用于预测吉达市的每月峰值负荷使用NeuralWare包装[11]。利用bp算法用来训练ANN。不同的输入变量可供选择，每个变量和吉达市每月的峰值负荷的相关性可测量。然后选择和测试这个重大具有较高的相关性变量，来寻找最合适的变量,以避免混淆ANN。一些隐藏的神经元通过反复试验后再选择，同时输出层有一个神经元对应预测高峰负荷。 根据神经网络结构和ANN输入端子的数目,五个网络学习方案尝试如下 (a)“直接使用ANN”。这个方案使用第一种方法调整趋势。如表1所示，ANN输入的数目有11个。这个隐含层有14个神经元。 表1：ANN的不同输入 输入变量 符号 未来月最高温度 T 上月最高温度Tw1, Tw2, Tw3, Tw4 上一月预测(Tav-30) 时间指数调整趋势分量时间指数功能组件自回归移动平均培训资料吉达每月高峰负载方程(1-φ1B1-φ2B2-φ3B3)(1-B)(1-B12)y(t)= (1-θ1B1-θ2B2)α(t) （1） 其中：φ1, φ2, φ3，θ1, θ2 是ARIMA模型的自适应和季节性移动α(t)是为白噪声随机冲击B是回移定义为yt – 1)= BY(t)。过去两年在两个方面：首先预测两年没有适的ARIMA模型的参数第二，通过使用自适应ARIMA模型，即每次更新估计参数新的观察。 图2 神经网络需残余? 其次，如案ARIMA模型1,1,1)是用于预测趋势成分。第三，如案ARIMA模型降低人工神经网络的预测。最后，为进一步提高预测，ARMA模型预测所以最后的预测人工神经网络加上ARMA模型。演示人工神经网络，它是固定的，可以由ARMA模型规程2,0,2)模拟，可方程式所代表(1-φ1B-φ2B2)(1-B)y(t)= (1-θ1B-θ2B2)α(t) 　 　 （2） 其中θ1, θ2是移动使用的统计公式对预测准确性的评价可能会有所不同。显然，比较真实的结果方法可能会。在这项工作中常用的两个方法：平均绝对百分比误差（ ）和根均方误差（）。这两种方法用来评价人工