基于Elman神经网络电力负荷预测.docVIP

基于Elman神经网络电力负荷预测 　　【摘 要】电力系统负荷预测的水平已成为衡量电力系统运行管理现代化的标志之一。精确的短期负荷预测，对电力系统的生产安排、经济调度和安全分析都起着十分重要的作用，也直接影响着电力企业的经济效益。 　　研究具有适应性变特性能力的ELMAN神经网络预测模型，如单隐含层ELMAN回归神经网络模型，双隐含层ELMAN神经网络模型及三隐含层ELMAN神经网络模型，ELMAN神经网络是在多层前向BP网络中引入特殊关联层，形成有记忆能力的网络，从而反映电力负荷预测系统的非线性和动态特性，解决了静态前馈BP神经网络对动态系统进行辨识效果差的问题。 　　【关键词】负荷预测；人工神经网络；Elman神经网络；MATLAB语言；编程；进行仿真；提高精度 　　前言 　　电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来特定时刻的负荷数据。 　　1 电力负荷预测概述 　　1.1 负荷预测的概念 　　负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套能系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值。 　　电力负荷预测包括两方面的含义，即用以指安装在国家机关、企业、居民等用户处的各种用电设备，也可用以描述上述用电设备所消耗的电力电量的数值。 　　1.2 负荷预测的步骤 　　（1）资料的搜集和整理。 　　（2）对资料进行分析处理。 　　（3）建立预测模型。 　　（4）预测结果评价。 　　（5）负荷预测管理。 　　2 基于ELMAN神经网络负荷预测结果比较 　　2.1 ELMAN神经网络的基本概述 　　ELMAN网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。ELMAN网络具有与多层前向网络相似的多层结构。它的主要结构是前馈连接， 包括输入层、 隐含层、 输出层， 其连接权可以进行学习修正；反馈连接由一组“结构 ” 单元构成，用来记忆前一时刻的输出值， 其连接权值是固定的。在这种网络中， 除了普通的隐含层外， 还有一个特别的隐含层，称为关联层 （或联系单元层 ） ；该层从隐含层接收反馈信号， 每一个隐含层节点都有一个与之对应的关联层节点连接。关联层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入， 相当于状态反馈。隐层的传递函数仍为某种非线性函数， 一般为 Sigmoid函数， 输出层为线性函数， 关联层也为线性函数。 　　2.2 负荷预测建模的一般步骤 　　神经网络是一种数据驱动的建模技术，建模的步骤可以归纳如下： 　　（1）确定共轭梯度法网络的结构； 　　（2）根据以往的经验分析以及理论分析，选取最能反映负荷变化的因素―天气作为神经网络的输入，负荷预测值作为输出； 　　（3）选取合适的训练样本集和输出集； 　　（4）把输入样本集输入到神经网络，输出集和实际输出相比较，以一定的规则修改网络的连接权值。反复计算误差和修改权值，直到误差达到一定的范围以内； 　　（5）用训练好的神经网络进行负荷预测； 　　（6）神经网络在使用一定的周期以后，根据实际情况在保留原有的权值基础上选取新的数据样本集对神经网络进行新的训练，使网络权值适应最近一段时间的负荷变化情况，保证预测的精度。 　　2.3 网络训练计算出预测日24小时的负荷 　　2.3.1 带入数据预测 　　网络经过训练后才可以用于电力负荷预测的实际应用。考虑到网络的结构比较复杂，神经元个数比较多，需要适当增大训练次数和学习速率。 　　2.3.2 循环训练得出预测结果 　　由于利用神经网络工具箱在MATLAB中的某一次运行结果误差较大且不一定是最准确的，经过测试，在原有程序中添加for循环。 　　2.4 数据结果分析 　　基于对负荷预测精度的重要性运用量化共个梯度法的神经网络对电力系统短期负荷预测进行了研究。总结全文，可以得出以下几个主要结论： 　　（1）通过对十堰地区2005年10月2日至10月13日的数据处理，预测了10月13日的24小时负荷，负荷预测误差值在预定的误差范围内，说明本文所建立的ELMAN神经网络模型是正确的，运用的回归神经网络进行短期负荷预测具有可行性。 　　（2）加了循环程序进行运行得出的预测数据与实际值比较误差更小，所有24个点的误差的绝对百分误差都小于9%，最小绝对百分误差为0.16%，最大绝对百分误差为8.64%，预测的更加精确，取得了较满意的结果。 　　3 程序参数变化与负荷预测结果比较 　　改变原程序的参数对比