人工神经网络与模糊理论在短期负荷预测中应用.docVIP

人工神经网络与模糊理论在短期负荷预测中应用 　　摘要:对于电力系统负荷预测的复杂性,为提高短期预测的准确性,采用以人工神经网络为基础,提出了一种利用神经网络与模糊理论相结合进行负荷预测的模型。该算法克服了传统BP算法的训练速度慢、存在局部极小点的缺点,使预测精度大有改善。实例计算表明了该算法的改进成果和可行性。 　　关键词:人工神经网络;模糊理论;短期负荷预测;BP算法 　　中图分类号:TM715 文献标识码:A 文章编号:1000-8136(2009)30-0005-02 　　 　　电网是电力系统的重要组成部分,提高负荷预测准确率,对电网安全、稳定、经济运行有着极其重要的意义。负荷预测误差小,则电网的开机、线路的潮流都在预计的范围内运行,电网的安全、稳定、经济运行就有了保障,还可以大大提高电力系统的经济效益。 　　在电力系统负荷预测的理论与实践相结合的方面,国内外许多的电力系统专家做了大量而有意义的工作。随着他们的不断探索,负荷预测从早期传统的弹性系数法、时间序列法、卡尔曼滤波分析法逐步发展到灰色模型法、专家系统法,伴随着计算机技术的发展和人工神经网络理论的不断完善,应用人工神经网络进行电力负荷预测得到了很大的发展,自从提出用人工神经网络进行电力负荷预测,充分利用了BP模型的非线性映射能力及自适应的学习能力,得到了较好的预测效果。 　　人工神经网络计算(ANN)是由具有非线性作用函数的神经元构成、进行大规模并行信息处理非线性模型结构,它可以模仿人脑的智能化处理,对大量非结构性、非精确性规律具有自适应功能,具有记忆功能、自主学习、知识推理和优化计算的特点,尤其是它的学习和自适应功能是常规算法和专家系统技术所不具备的。[2]因此,应用ANN对历史曲线进行拟合,能够达到十分满意的结果。并将该模型用于某地区电网的短期负荷,预测结果证明了它的有效性。 　　 　　1神经网络BP模型 　　 　　本文采用成熟的误差反向传播模型(ERROR BACK PROP 　　AGATION),简称BP模型。BP模型是一个多层前溃神经网络。BP模型由输入层、隐含层和输出层组成,其中隐含层可以是一层或是多层组成的。本论文采用单隐层的神经网络进行负荷预测,其模型网图见图1所示。这是一个三层的神经网络,其中输入层有i个节点、隐含层有j个节点、输出层有k个节点。BP算法的指导思想是:对网络权值(Vij,Wjk)的修正或阈值(θ,γ)的修正,使误差沿梯度方向下降。BP算法是一个工作信号正向传播和误差信号反向传播的过程。[1] 　　图1BP模型网络图 　　对于输入层每个神经元,其输入与输出相同。而对于隐含层或输出层的每个神经元,其神经元的输入为: 　　 (1) 　　式中,i:前一层神经元; 　　Oi:神经元的输出; 　　Wij:神经元i与j的连接权值; 　　θj:神经元j的阈值。一般阈值θj为常数,并取(-1,+1)之间任意值。 　　定义误差函数Ep为各节点希望输出值与实际输出值之差的平方和: 　　 (2) 　　式中,tpj:节点j的希望输出值; 　　Opj:节点j的实际输出值。节点j的实际输出值Opj由(1) 　　式的加权及阈函数决定,即: 　　 (3) 　　选取S型函数为阈函数,则有: 　　 　　BP模型的训练步骤如下: 　　(1)为所有的连接权值赋初值,并且确定阈值。 　　(2)输入一组训练样本。 　　(3)由给定的输入、阈值和连接权值,利用式(3)计算网络输出值。当输出值与期望值误差的平方和小于给定值时停止计算,否则向下顺序执行。 　　(4)根据输出计算值与实际值之间的偏差,由输出层反向逐层调整权值,甚至输入层,权值调整公式为: 　　 　　 　　式中,Wij(t)和θj(t)是训练过程中第t次循环结束后得到的,从节点i到节点j之间的连接权值和节点j的阈值; 　　ΔWij(t)和Δθj(t)是第t次循环结束后得到的相对应的调整量;a为冲量因子(0 a 1)。 　　基于梯度下降法可得出连接权值和阈值的调整量为: 　　ΔWij=ηδjOi ,Δθj=ηδj 　　当节点j为输出层的节点时:δj=Oj(1-Oj)(tpj-Oj)。 　　当节点j为隐含层的节点时: 。 　　式中,η为学习因子。 　　完成第四步后转回第三步。 　　 　　2模糊理论的应用 　　 　　从以上可以看出,BP模型算法的学习方式是梯度下降法。虽然它是神经网络(ANN)中比较成功的一个模型,但是这种算法由于迭代次数导致收敛速度太慢,而且存在局部极小点,特别是网络规模比较大时也就是神经元的数目较多时,这样的问题会比较明显,甚至会出现不收敛的情况。 　　这样就需要模糊理论与人工神经网络结合起来进行电力系统负