基于Elman神经网络在电力负荷预测中的研究.docxVIP

基于Elman神经网络在电力负荷预测中的研究 　　摘要：针对某地区一个月的电力系统负荷数据进行了研究，建立elman[1]神经网络网络模型，运用matlab工具箱，对elman神经网络在神经元个数设置，节点层数及训练数据个数的选择进行了研究，同时与bp神经网络[2]做了预测数据比较分析。验证了elman神经网络模型在电力负荷预测[3]中的准确性与可行性，相比较于bp神经网络的elman神经网络具有训练速度快准确度高的优点。 　　关键词：elman神经网络;电力系统负荷;bp神经网络;预测 　　abstract：thispaperstudiesthepowersystemloaddataofaregionforonemonth，establishestheelmanneuralnetworkmodel，andusesthematlabtoolboxtoselectthenumberofneurons，thenumberofnodelayersandthenumberoftrainingdatafortheelmanneuralnetwork.theresearchwascarriedout，paredwiththebpneuralnetwork，theelmanneuralnetworkhastheadvantagesofhightrainingspeedandhighaccuracy. 　　keywords：elmanneuralnetwork;powersystemload，bpneuralnetwork;prediction 　　利用神經网络进行电力负荷预测时，通常是将从电力系统收集到的精确的统计数据和资料，用于作为电力负荷的原始依据，考虑当前的用电量和历史负荷数据，同时还应充分注意到电力系统某些重要的系统运行特性，包括在当地的自然气候条件、人文社会活动，经济增长速度影响的条件下，所研究出一整套的系统的负荷预测的数学方法[6]。 　　elman神经网络是本质上是一种递归神经网络，相较于前馈神经网络而言，具有一个承接层作为记忆单元，与上一时刻的数据有着反馈连接的关系。因此elman神经网络具有时变特性的能力，能直接反映动态过程系统的时序特性，用来分析和研究电力负荷这种带有明显时间序列特征的数据的统计规律和本质特征时非常有效[4]。本文通过利用elman神经网络，将某地区月电力负荷数据作为研究依据，来验证elman神经网络在电力负荷预测中的可行性和准确性。 　　1神经网络介绍 　　bp神经网络（backpropagation），最先由rumelhart和mccelland等人于1986年提出，是一种将误差采用反向传播算法进行训练的多层前馈神经网络，是目前应用于各个领域最为广泛的的神经网络模型之一。bp神经网络是在脑科学神经的基础上，仿照生物的神经系统结构和功能建立起来的人工神经网络模型，将输出的信息与实际的误差反向传播来进行学习，依照生物的神经系统分为三层网络结构，分别是输入层、输出层和隐含层。采用最速梯度下降法学习规则，通过误差的反向传播来调整更新各个层之间所连接的权值和阈值，以达到减小训练误差的目的。 　　elman神经网络是j.l.elman于1990年首先针对语音处理[5]问题而提出来的，是一种典型的局部回归网络（globalfeedforwardlocalrecurrent）。elman网络是一个具有能够有效处理时序信息的递归神经网络。一方面和前馈神经网络一样，采用误差反向传播算法;另一方面相较于前馈神经网络而言多了一个具有记忆单元的承接层。所以elman神经网络通常分四层：输入层，隐含层（中间层），承接层和输出层。传递函数大多都是线性函数，少部分为非线性函数[7]。由于它增加了一个承接层当作一种延时算子，具有记忆的功能，通过承接层将上一个时刻的隐含层状态的数据与当前时刻的网络输入数据一起作为隐含层的输入，相当于历史状态反馈，并将前一时刻的数据记忆下来作为下一时刻的输出时的输入，使得当前状态下的输出不仅只是与当前的输入有关还和前一时刻的输入也有关系，从而能让系统可以直接反应动态过程系统的特性。elman网络数学模型如式（1）所示： 　　yt=gw3xt+y′（t）） 　　xt=fw1ut-1+w2xc（t）） 　　xc（t）=xt-1（1） 　　2elman神经网络预测模型 　　elman神经网络预测流程如图1所示，首先初始化载入某地区一个月的历史负荷数据，将载入的数据进行划分，构造合适样本集和和测试集和，同时为了方便网络的训练，进行数据的归一化，统一规划到区间[0，1]。构建elman神经网络，然后用构造