1、本科毕业设计（20届）电力系统短期负荷的方法及研究所在学院专业班级电气工程及其自动化学生姓名学号指导教师职称完成日期年月I摘要摘要电力负荷的短期预测是电力系统中一项重要的内容。负荷预测的准确性对于电力系统安全经济的运行就更具有十分重要的作用。这样就对短期预测的结果提出看较高的要求。本文分析了目前短期电力负荷预测的现状，综合比较各种预测方法及各种预测模型；发现常规算法不能较好地反映气象条件等因素对负荷的影响，而人工神经网络的方法却具有高度非线性映射及具有自学习，自适等特点。而针对衢州地区电力系统的负荷数据及特点的研究，分析影响预测准确性的因素，并利用日常负荷和气象条件的关系，提出了一种基于BP网
2、络的电力负荷预测方法。本论文对不同类型的负荷曲线分成工作日，周末和节假日三种类型的神经网络预测模型。预测结果的精度相对于衢州地区现有的方法有了很大程度的提高，证明了本文提出方法的有效性。关键词电力系统；BP神经网络；短期负荷预测；IIABSTRACT【ABSTRACT】SHORTTERMLOADFORECASTINGISANIMPORTANTELEMENTINPOWERSYSTEMSTHEACCURACYOFLOADFORECASTINGPLAYSANIMPORTANTROLEINSAFEANDECONOMICOFPOWERSYSTEMSTHISPREDICTIONONTHEOUTCOMEOF
3、SHORTTERMREQUIREHIGHERTHISPAPERANALYZESTHECURRENTSTATUSOFSHORTTERMLOADFORECASTING,COMPREHENSIVECOMPARISONOFVARIOUSFORECASTINGMETHODSANDVARIOUSFORECASTINGMODELSANDFINDTHATTHEROUTINEALGORITHMCANTBEBETTERWEATHERCONDITIONSANDOTHERFACTORSREFLECTTHEIMPACTOFTHELOAD,WHILETHEARTIFICIALNEURALNETWORKMETHODDOES
4、HAVEAHIGHDEGREEOFNONLINEARMAPPINGANDSELFLEARNINGANDADAPTIVECHARACTERISTICSACCORDINGTOTHEDATAOFQUZHOUAREA,THEINFLUENCEOFFACTORSPREDICTIVEACCURACYANDUSINGDAILYTHERELATIONSHIPBETWEENLOADANDWEATHERCONDITIONS,WEPROPOSEAMETHODOFBPNETWORKLOADFORECASTINGTHISPAPERISDIVIDEDINTODIFFERENTTYPESOFLOADCURVEWORKING
5、DAYS,WEEKENDSANDHOLIDAYSTHISARETHREETYPESOFNEURALNETWORKPREDICTIONMODELSCOMPAREDTOTHEEXISTINGMETHODOFQUZHOUREGION,THISMETHODINTHEPREDICTIONACCURACYHASAHIGHERELEVATIONITPROVETOBEANEFFECTIVEMETHODINTHISPAPER【KEYWORDS】ELECTRICALSYSTEMBACKPROPAGATIONNEURALNETWORKSHORTTERMLOADFORECASTINGIII目录摘要IABSTRACTI
6、I目录III1绪论111短期负荷概述及意义112国内研究状态及趋势1121传统预测方法2122现代预测方法2123发展趋势313本文的主要工作32负荷预测的基本理论521负荷预测的原理和特点5211负荷预测的原理5212负荷预测具有的特点622负荷预测分类及特性7221负荷预测的分类7222负荷的特性723影响负荷变化的因素724负荷预测的基本步骤83BP神经网络的衢州电网负荷预测1031人工神经网络10311人工神经网络概述10312人工神经网络的特点1032BP神经网络1133BP网络的性能和不足13331性能优势13332局限性1434ELMAN网络14341ELMAN神经网络结构143
7、42ELMAN神经网络的学习过程1535衢州地区去负荷特性及其曲线变化规律15IV351负荷特性15352负荷曲线变化规律1536本章小结174基于神经网络的预测与建模1841引言1842历史数据的预处理1843网络输入样本的研究19431网络输入节点的选取19432网络输入样本的归一化处理2044基于神经网络的短期负荷预测模型的建立21441短期负荷预测模型的建立21442神经网络隐层节点数的选择225结果分析和GUI编程2351预测结果分析2352GUI实现方式256总结27参考文献28致谢错误未定义书签。附录30附录一410419号历史负荷数据30附录二程序30附录三GUI程序31四个控
8、件程序3111绪论11短期负荷概述及意义众所周知，电力系统的作用就是为各类用户提供可靠且合乎质量要求的电能，以随时满足各类负荷的需求。而电力生产部门的重要工作之一是电力系统负荷预测，通过准确的电力系统负荷预测，来确定燃料的供应需求状况并做出相应的计划，经济合理地安排机组设备的启停，减小备用容量，合理安排检查修理计划，降低发电成本，以此来提高经济效益以及对运行中的电厂出力要求提出报告，使对发电机组出力变化事先得以估计。电力系统负荷预测理论就是因此而发展起来的，尤其在形成电力交易市场的过程中，负荷预测的研究更具有极其重要的意义1。电力系统负荷按预测时间可以分为长期，中期，短期和超短期4。短期电力负
9、荷预测主要是指预报未来几小时、一天至几天的电力负荷并做出估计，目的是给各个电厂安排日，周发电计划，是电力系统最为关键的一类负荷预测。短期负荷预测作用的大小主要取决于预测精度，精度的准确与否将直接影响调度的结果。从而会对电力系统的安全稳定运行带来一定的影响以及会导致经济性变差。而在现代工业水平的不断提高，城市化快速发展以及当前市场化运营的条件下，由于电力交易的越来越频繁和经营主体之间的区别，会出现各种不确定、未知的因素，同时电力负荷对于电价的敏感度也随着市场的完善而逐渐提高，这也给电力系统的负荷预测带来未知的难度。故准确的预测对于提高电力经营主体的运行效益有直接的作用，另一方面突出短期负荷预测的
10、重要性。并且短期负荷预测有着如下的意义1、确定燃料供应计划；2、对运行中的电厂出力要求提出报告，可以事先得以估计发电机组发电量变化；3、可以经济合理地安排机组设备的启停，减少旋转储备容量4、可以在保证正常用电的情况下合理安排机组检修计划3。12国内研究状态及趋势短期电力负荷预测的研究已有较长的历史，它是随着电力系统中运行系统的逐步发展起来的。随着数学理论和人工智能技术的相继引入，人们提出各种各样的预测方法。这些方法各有千秋，很难说哪一种方法绝对优越于其他方法。对短期负荷预测，需充分研究电网负荷变化规律，分析负荷变化的相关因子，特别是天气因素，日类型等和短期负荷变化的关系。对负荷预测的研究，主要
11、出发点大多是以更为先进的理论提高预测的准确性，为电力系统运行的经济性和安全性提供有力的保证。目前负荷预测领域的研究主要关注于预测方法上的改进和提高。短期负荷预测方法总体可以分为两类传统预测方法和现代预测方法。两类方法中的各种预测方法均有一定的适用场合，各自含有不可克服的缺陷，又各有优势，没有哪一种方法预测精度明显2高于其它方法或适用于各种负荷预测模型。在实际运算预测中，应结合所辖电网的实际负荷情况和特点，建立适合本地电网的负荷预测模型，考虑各种因素的影响，从而提高负荷预测的准备性。121传统预测方法1）回归分析法它是根据历史数据的变化规律和影响负荷变化的因素，寻找其因变量和自变量之间的相关关系
12、及其线性回归方程式，确定相关模型的一些参数，据此推断未来的相对应时刻的负荷值。其优点是计算原理和模型结构形式比较简单，预测过程收敛快，外推性能好，对于历史上出现过得随机或者特殊的事情有较好的预测；其主要的缺点是预测精度较不高，需要比较有规律性的历史数据，采用线性方法不能描述比较复杂的问题，结构形式过于简单。2）时间序列法它是目前电力系统短期负荷预测中较为成熟的算法。根据负荷的历史数据，建立描述电力系统随时间变化的数学模型，在该模型的基础上确立负荷预测的基础表达式并对未来负荷进行预测。其优点是工作量小，计算速度快，反映了负荷近期变化的连续性。不足之处是建模过程较为复杂，需要较高的理论知识，该模型
13、对原始时间序列的平稳性要求较高，只适用于负荷变化比较均匀的短期负荷预测。3灰色预测法灰色系统理论在在负荷预测的应用受到了广泛的关注，灰色预测是一种对含有不确定7、未知因素的某些系统进行预测的方法。它的优点是在数学建模时，不需要计算统计特征量，要求负荷数据少，短期负荷预测精度高；不足之处是在于要求负荷变化规律具有指数变化趋势，当数据离散程度越大，预测精度越高2。122现代预测方法1）专家系统法它是一个用基于知识的程序设计方法建立起来的计算机系统，它拥有某一领域内的专家知识和经验，并能像专家那样运用这些知识和经验，通过推理对未来进行预测它的优点3是可以克服单一算法的片面性，同时能够综合考虑多个影响
14、因素，具有建模简单和快速决断等特性；不足之处是在预测过程中容易出现人为差错，也不能应用其它系统。这种预测方法的主要优点是能够较好的解决了受天气、温度等因素影响的负荷预测的问题，克服了时间序列法中不能处理历史数据序列中出现扰动的情况。可是由于这种方法过于依赖法则，假若没有一系列成熟、规范的的法则，负荷预测就无法进行。而由于法则自身存在的局限性，预测模型不能应用到所有系统，这正是专家系统存在的缺点。2）人工神经网络法由于短期负荷受到天气情况和人们在社会活动等因素的影响而变化，存在大量的随机性和非线3性关系，因此，神经网络能够出色的处理这种非线性问题。它的优点是对非线性规律的事物具有较强的自适应能力
15、，同时在自主学习、知识推理和优化计算等方面表现的相当突出，另外它还具有很强的计算能力，容错能力、复杂映射能力及智能处理能力；其不足之处是神经网络层数和神经元个数的确定依赖于主观经验，难以精确地确定网络结构，收敛速度慢等缺点。现在的研究最多的是应用BP网络进行短期负荷预测，常用的是简单的三层人工神经网络模型，其主要思路为对电力负荷影响最大的几种因素和以往的负荷历史数据作为输入量输入人工神经网络的输入层，通过隐藏层和输出层中各神经元的计算最后生成输出量，最后以输出误差为目标函数对网络中的各个权值进行修正直至输出误差达到要求为止，经训练后的人工神经网络就可以进行预测工作。只要把相应的负荷数据输入到训
16、练好的神经网络就可以得到相应的输出，即预测结果。3）组合预测法预测模型的选择是短期负荷预测精度的关键点。因此，根据各种算法的优点和不足，以及针对不同情况的预测精度的差异，将各种算法有机的结合起来，发挥各自算法的优势。这就是组合预测法所涵盖的内容以上六种负荷预测方法只是预测方法的其中的一部分。他们各有优点，都不能同时适用于每一个场合，这需要根据不同情况，结合不同地区的负荷变化规律，选取不同的预测方法7。123发展趋势在实际应用中，短期负荷预测技术仍然存在很多问题，理论和实践有待进一步的发展和提高。短期负荷预测技术在算法理论研究上虽然取得了很大的成就，但是由于种种原因在实际应用中，短期负荷预测技术
17、仍然存在很多问题，理论和实践有待进一步的发展和提高。对于一些地区性工业水平不够高，主要以生活用电为主的城市，可以利用人工神经网络进行负荷预测。因为他的优点是对大量的非结构性，非规律性具有自适应功能。其中BP神经网络具有较强的非线性拟合能力，尤其对预测天气,温度等因素处理尤为方便。13本文的主要工作本文针对BP网络应用于电力系统负荷预测中的各种问题，进行了细致深入的研究，仔细考虑了数据预测处理、神经网络模型的建立，隐层神经元数目的确定等方面，并完成了基于该模型的短期负荷预测编程。1）预测模型的分析和确定。采集衢州地区的历史负荷数据，并结合相关的气象数据，分析影响预测的各种因素，如负荷的组成，负荷
18、范围以及影响负荷变化的天气因素等，总结负荷变化的规律性，并根据负荷的这些特点确定短期负荷预测基本模型。2）BP网络的输入节点的选择。在一些文献中，仅从宏观上考虑相关节点的选取，而没有分析其它对负荷变动的影响，造成预测精度低。本篇论文通过对负荷历史数据规律性进行分析，综合各方面的因素，将负荷模型按周，日，小时进行划分，并引人“特征日”的概念并计及天气变化对负荷变动的影响，从而为科学的选择输入节点提供了具体方法。43）以衢州地区实际历史数据为基础，检验负荷预测程序的预测速度及精度。分析预测结果误差原因，提出在短期负荷预测模型中应当注意的问题。52负荷预测的基本理论21负荷预测的原理和特点电力系统的
19、负荷预测是从过去的因素出发，寻求历史负荷之间及历史负荷与主要影响因素之间的发展规律和相互联系，对未来的一些数据做出估计。211负荷预测的原理电力系统负荷预测是根据现在和过去时刻的用电负荷情况，预测未来时刻用电负荷的大小。因此它的研究对象是不确定的事件，随机事件。由此可知负荷预测工作是根据电力负荷的发展变化规律，预计或判断其未来发展趋势和状况的活动，因此科学的总结预测工作的基本理论，有利于知道负荷预测工作。1）可知性原理这是预测的基本原理。预测对象的发展规律，其未来的发展趋势和状况是可以为人民所知道的，这是人们进行预测活动的基本依据。不但可以认识预测对象的过去和现在的情况，而且可以通过过去和现在
20、推测其将来。2）可能性原理因事物的发展变化是在内因和外因共同作用下进行的，内因的变化和外因作用大小不同，因此事物的发展变化会有很多可能。而内因的变化及外因作用力大小不同，因为事物的发展变化是在内因和外因的共同作用下进行的，所以会使事物发展变化有多种可能性。因此，对某一具体指标的预测，往往是按照其发展变化的多种可能性，进行多方案预测的。3）连续性原理预测对象的发展是一个连续化的过程，其未来的发展是这个过程的连续。电力系统负荷的发展变化同样存在着惯性，这种惯性正是进行负荷预测的主要依据电力系统的发展变化同样存在着连续性，就像某些负荷指标会以原来的趋势和特性保持下来，延续下去。因此了解事物的过去和现
21、在，并掌握其规律，就可以对未来的发展情况利用连续性原理进行预测。4）相似性原理在很多情况下，作为预测的一个对象，一般情况下，其现在的发展过程和发展状况可能与另一事物过去一个阶段的发展过程和发展状况类似。其现在的发展过程和状况可能与过去一定阶段的发展过程和状况相似，因此可根据已知的发展过程及状况来预测所预测对象的未来的发展过程及状况10。5）反馈性原理反馈就是使输出端得数据重新返回到输入端，进行调节得出输出结果。反馈调节实际上就是使6预测的准确性不断的提高。也就是说当预测的结果与的实际值之间存在差距大于规定的误差时，可以利用这个差距，返回到输入知道负荷要求，从而提高预测的准确性。6）系统性原理预
22、测对象它本身有内在的系统，是一个完整的系统，而它与外界事物的联系又形成了它的外在系统，这些系统综合成一个完整的复杂系统，这些都要在预测时考虑。具体而言就是预测对象的未来发展是整体系统的动态发展，并且与它的各个组成部分及其影响因素之间系统的动态发展有关。系统性原理还强调系统整体最佳，只有这样才能够为决策者提供最佳的预测方案，才是高质量的预测的保证。212负荷预测具有的特点负荷预测是通过过去的历史负荷数据对未来负荷的推测，这样不同样本的选取和不同方法的选择使负荷预测具有如下的特点51）不准确性在现如今的科学界，预测科学本身就是一个研究不确定、未知问题的理论和方法，也是一个全新的，正在探索的领域。因
23、此，其预测的结果应是一个不确定的值。电力负荷未来的发展是不肯定的，它会受到多种多样复杂因素的影响，而且这些复杂因素也是发展变化。这就决定了预测结果的不准确性或不完全准确性。2）条件性负荷预测基本上都是在一定条件上做出的。在很多情况下，需要一些假设条件，这是由于负荷未来发展的不确切性。但这些条件应根据研究分析，综合各种情况而提出，而不是毫无根据的假设。在预测之前，赋予一定的前提条件，更有利于电力部门根据特殊问题进行特殊分析。条件共分两种，必然条件和假设条件。由于负荷预具有较强的的随机性，故给出的负荷预测结果大都是以假设条件为前提。比较务实的负荷预测往往要依赖于电力负荷预测的基本规律，这种预测条件
24、就是必然条件。假若负荷的发展从过去到现在直至延伸到未来，没有出现大的扰动，或完整的记录这些意外事件，然后通过这些历史负荷数据模型化来类比现在，预测未来。但假若在预测过程中发生了无法估量的重大事件（如天气的剧烈变化等），从而破坏了负荷变化的正常规律使预测失效。这种概率比较低的破坏在实际应用中并不多见，但这种情况下的负荷是最难预测的。故假若历史数据中含有类似的事件，那预测的趋势就比较好定。因此保证负荷预测历史数据的完整性是相当重要的。3）时间性各种负荷预测都是有一定的时间精度，并且要求有精确的数量概念，例如短期负荷预测要求预测速度不大于10分钟，日负荷的预测速度不大于15分钟。4）多方案性负荷预测
25、的原理是一个数学建模的过程，对于不同数学模型它的使用条件是有一定的限制，而预测本身有具有条件性，故对不同情况下的发展状况进行负荷预测，可想而知就需要多种不同的预7测方案。从而需要根据不同的负荷条件建立相关的负荷模型5。5）地区范围内的效应在不同的负荷预测的的范围内，负荷的构成比重一定各不相同，因此影响负荷的因素也同样有所不同。简单来说，地区级电网的预测精度会相对低一些，而大电网负荷变化有较强的统计规律性，预测结果较准确。22负荷预测分类及特性221负荷预测的分类（1）电力系统负荷预测按预测的时间长短，可分为超短期、中期和长期负荷预测。超短期负荷预测指预测未来1小时，未来半小时甚至15分钟的预测
26、。短期负荷预测则指几周，几天，一天之内的各个小时，甚至是更短时间内的预测。中期负荷预测为5年以上10年以下，而长期负荷预测一般指10年以上。（2）负荷按照使用范围可以分为城市民用负荷、农村负荷、商业负荷、工业负荷以及其它负荷。其它各类负荷虽有各自特点，但一般所占比列比较小对整个系统负荷影响不是很大。（3）负荷预测按特性分类根据负荷预测表示的不同特性，常常又分为全网负荷、母线负荷、最高负荷、最低负荷、平均负荷、低谷负荷平均、平峰负荷平均等类型的负荷预测。222负荷的特性通过分析过去长时间的负荷历史数据，我们可以认识到电力系统负荷变化具有其内部固有的特性。1负荷的可控性我们在一定程度上可以控制负荷
27、，这就是负荷的可控性。如果频率降低到一定程度时，在某些情况下局部地区就会实行用电量分配计划，或采用电价限制政策对负荷施加一些影响。这些手段从基本上来说证明了负荷是可控的。2负荷的周期性负荷具有按年、按周、按天的周期性变化的规律。对较长时期的负荷历史记录进行分析，一般可以看出两种变化趋势。一种是逐步增长或逐步减少固定的变化趋势；另一种则是按月、按周、按日得周期性变化趋势。3负荷的随机性负荷变化本身就具有随机性。比如气象条件（日照、雨天、雾、湿度等）的变化；用户负荷的一些突发性变化。这些因素引起负荷变化一般比较复杂，并且无规律可循。23影响负荷变化的因素系统总负荷是系统中所有节点上所有负荷的总和。
28、单个负荷变化的方式具有极大的随机性和不可预测性，但实践表明系统总负荷（所有单个负荷的总和）一般具有一定的变化规律，经过不断8的实践和研究，负荷预测的总负荷一般分为五部分，各分量与总负荷Y（T）的关系如下YTNTWTTTSTRT11其中NT典型负荷分量，WT温度情况，TT时间变化，ST特殊或突发事件，RT随机因素。1）典型负荷分量NT典型负荷分量是由于各地负荷组成方式的不同引起。主要在以下两方面中体现一、各种负荷成分所占的比重，二、负荷的种类。存在着两方面的差异的负荷决定了它们的负荷特性及对各种影响因素的反映不同从而表现出不同的响应特性，故典型负荷分量是短期负荷的基本组成部分。又因为其分量与气象
29、，时间等因素无关，所以具有线性和周期变化的特点。2）气候因素WT对于许多电网而言，通过对各种天气因素对负荷影响程度的分析，温度显然是最重要的气候影响变量。对于任一给定日，温度对正常值的偏差，都将引起负荷的显著变化，优势甚至需要对机组投入计划进行大的修正。温度一般不会影响第二天的负荷变化，虽然与当天的负荷有着直接的联系，因此在负荷预测中，温度将作为一个重要的参数。另外在一年中，不同时期的气候因素影响负荷的方式也不同，需要具体分析。3）时间因素TT时间因素对负荷的影响主要有三点人们的作息时间，法定及传统节日，日季节的变化。作息时间很容易理解，人们活动频繁的时候往往就加大了用电量，这种情况在晚上十一
30、点后会慢慢降低直到次日凌晨开始又开始增加。假日以前或过后的一些天，负荷也会发生明显的变化。一般情况下节假日的负荷比正常日的负荷低很多，原因是许多工厂及公司减少了用电量，而他们所用的电量在总的用电量所占的比重很大。4）异常或特殊事件因素ST异常或特殊事件对负荷有很大的影响，比如台风、旱灾、系统故障等等。这类事件具有很强的随机性，只能依靠调度人员的主观经验判断，或者也可以通过人工修正或专家系统改进85）随机因素RT负荷序列其实就是一个随机序列。负荷的随机分量是负荷中的不遵循规律的部分，是不能准确预测的，可以通过模型或算法来考虑这些分量。24负荷预测的基本步骤对于电力负荷进行科学预测，要有一个基本程
31、序，根据所进行的电力负荷预测的实践活动，其基本程序如下1确定预测目的，制定预测计划。明确负荷预测的内容和要求，制定预测计划。2调查资料。要尽可能全面、细致的收集所需要的资料，包括电力企业内部资料和外部资料，挑选的资料要直接可靠。93资料的分析整理。对收集的大量信息进行审核和加工整理，提高关键数据的可信度。4选取预测模型、确定模型的参数。负荷预测模型是很多的，以适用于不同结构的资料，因此，对于一个具体的数据资料，就会产生预测模型选择的问题。选择正确的模型在负荷预测具有关键性的作用，必要时，可同时对几种数学模型进行运算，然后对比，选择较好的模型。5负荷预测结果的确定。用预测模型进行的负荷预测，运算
32、得到的预测值，还要参照现在已经出现的各种可能性情况，以及新的趋势和发展，对预测结果进行综合分析、判断、和评价，最终对初步预测结果进行调整，确定预测结果。103BP神经网络的衢州电网负荷预测31人工神经网络311人工神经网络概述人工神经网络也可称为并行处理模型或称为连接机制模型，是由许多简单的神经元广泛连接而成。人工神经网络是在现代神经科学研究上提出的，并且基本上反映了人脑的基本特征，但它并不是人脑的具象化。它的信息处理由两个或两个以上的神经元之间的相互作用来实现、信息的存储表现为网络元件互连间分布式的物理联系，而各个神经元之间的连接权值的动态演化单程决定了网络的学习和识别10。人工神经网络理论
33、是在20世纪80年代中后期世界范围内迅速发展起来的一个前沿研究领域。它的研究和发展涉及数理科学、计算机科学、生物科学和信息科学等总舵领域，是一门高度综合的交叉科学，同时也是一种新的信息处理理论，。人工神经网络模拟人脑的工作方式，是人工智能的一个最活跃的分支，为人工智能在解决不确定性、不确知性、非线性性系统的问题上提出了新思路，这就是在电力系统应用领域研究及应用中受到了广泛的关注的原因。目前已在电力系统负荷预测、智能控制、稳态计算、继电保护和故障诊断等系统计算优化中获得了大量的研究成果。它可以综合考虑各种因素对负荷的影响，其特点是利用它的学习功能，让计算机学习影响负荷因素的历史数据之间的映射关系
34、，再利用这种映射关系来预测未来负荷。从神经网络内部信息传递方向来分，可以分为两种类型前馈型网络和反馈型网络。人工神经网络预测技术可以模仿人脑智能化处理，对大量非结构性，非确定性规律具有自适应功能。ANN应用于短期电力负荷预测有重要的意义。312人工神经网络的特点人工神经网络主要有以下几个特征1、分布存储和容错性一个信息不是存储在一个地方，而是按内容而分布在整个网络上。在神经网络中，要获得存储的知识或信息需采用“联想”的方法，假若一个未知激励输入到神经网络时，神经网络就要在已存的知识或信息中寻找与该输入最为匹配的存储知识为其解。这种存储方式较于其它的存储方式的优势在于若部分信息不完全，它也可以恢
35、复到原来正确的完整信息的状态，同时系统仍能运行。这就使网络具有联想记忆功能和容错性。2、大规模并行处理神经网络具有并行的网络结构，这就说明网络的各个神经元可以同时进行并行处理。故在网络中的信息处理是通过大量神经元中并行而又有层次性地进行处理的，这样其运算速度高。3、自适应、自学习和自适应学习和适应在随着时间过程中系统内部结构和联系方式的变化而变化，神经网络是一种变结构11系统，正好可以完成对外界事物的学习能力和对环境的适应。网络中的神经元之间的连接也是多种多样，各个神经元元之间的连接强度具有较强的可塑性。这样，网络通过学习和训练进行自组织就能达到适应不同信息处理的要求。4、神经元网络是大量神经
36、元的行为，并不是各个神经元行为的简单的求和，这就会使网络表现出一半复杂非线性动态系统的特性。如未知性、不可预测及各种类型的吸引因子和出现混沌现象等。5、神经元可以处理一些知识背景不清楚、环境信息十分复杂和理论规则不明确的问题。32BP神经网络BP网络学习是典型的有导师学习25，其学习算法的基本思路是通过神经网络学习输入/输出的映射问题转化为非线性优化问题,使用最优化中的梯度下降算法,用迭代运算修正网络中各个连接权值,实现网络输出与期望输出间的均方误差最小化。算法由误差反向传播及前向计算过程两个过程组成。在前向计算过程中,信息从输入层输入经隐藏层经逐层处理,传到输出层,每一层各个神经元的状态只能
37、影响下一层神经元的状态。假若在输出层得到的输出与期望不符,则反向传播,将误差沿原来的连接的通路返回,通过修改各层的连接权值,使得误差达到最小。权值修正量只与权值连接的两个神经元有关,这就使得BP算法易于并行实现21。网络学习过程是一种误差边向后传播边通过一些学习规则来修正神经元之间的连接权值过程4。BP网络的每一层的连接值都是可以通过学习来调节。其网络结构如图1输出层连接权值隐藏层连接权值输入层图21三层BP网络结构图上图中输入层中各个输入单元可用H1,2,N,隐层中的各个隐单元通常用I1,2,P,输出层各个输出单元通常用（J1,2,Q）。一组输入模式通常用向量来表示，也可用,H1,2,N表示
38、，其中H为输入模式的值得序号，而K1,2，M为输入模式组别的序号；而一组输出模式通常用来表示，也可用，J1,2,Q表示，其中J为输出模式值得序号，而K1,2M输出模式组别的序号。输出模式又称为期望输出。另外第J个输出单元的阈值通常为；而第I个隐单元的阈值可以用表示；在输出层和隐层各个单元之间的连接权可以用表示；在输入层和隐层各单元之间的连接权可以用表示；这里采12用最常用的的S型函数，即FX；误差函数；BP网络模型的算法主要的计算公式如下误差函数错误未找到引用源。31对于第K个模式对，第J个输出层单元的加权输入之和为错误未找到引用源。32第I个隐层单元的加权输入之和为1JNBIHHHAVA33
39、对于输出单元，定义下面的一般化误差JJJJKKKJCCJCJCEEEDFAACAC34同理，对于隐层单元，定义的一般化误差为IKIBEEA35将（31）（33）及S型函数代入（35）得11JIIIJQQCKIKIBBJJIJJIBCIAEBEEFAFADWBAAB36上式就是前层各个单元（这里即是输出单元）的误差逆传播到该层隐层第I个隐单元之后的误差。以上就是误差的逆传播，接下来分析权值的修正。因输出层得连接权和隐层的链接权的变化，有利于误差函数的减小，这可以通过梯度下降规则来完成，也就是说，应使连接权的变化正比于负梯度。输出层的连接权修正JJCKKJIJJIIJIIJICJIJIAEEWDW
40、BDBWAWW37隐层的连接权修正IIBKKIHIHIHBIHAEEVEAVAV38其中分别为隐层和输出层的学习因子，且通常有01。以上两式是理论上的式子，他们表示，连接权的的变化正比于整个训练集上所有模式对所对应的负梯度之和。这种每个训练集学习一次只调整一次权值的算法通常称为累积误差逆传播算算法，也就是实际中常用的标准BP算法。最后关于阈值和惯性项的问题输出层单元的阈JJD39隐层单元的阈值13IIE310研究表明关于惯性项，为了使学习收敛速度加快，学习因子应该取得足够大得些，但是取得过大又容易引起振荡。故为了取得足够大同时又不至于引起振荡，所以在对权值进行修改时，可以再引入一个惯性项，也称
41、前次连接权的变化量，用以除去误差函数曲面上的高频分量，这样可以有效地避免地学习过程中的振荡问题。在实践中，可以给惯性项乘以一个惯性因子，它的取值一般在0610之间（当然，具体情况具体分析）。由此可知对于J1,2,Q,计算输出层各单元的一般化误差1KJJJJJDCCCC311而对于I1,2，P，计算隐层各单元相对于每个的误差为11QIIIJIJJEBBWD312综上所述，在BP算法中，各层的权值修正（包括阈值的修正）的操作是在误差反向传播的过程中逐层完成的。首先，通过输出层误差修正输出层各单元的连接权，随后，再通过隐层误差修正隐层各单元的连接权。当整个网络的权值更新一次后，网络便完成了一个学习周
42、期3。33BP网络的性能和不足BP网络是迄今为止人们认识最为清楚、应用最为广泛的一类神经网络，是神经网络家族中的重要成员之一。所以有必要对BP网络的优劣做一简单的讨论331性能优势BP网络无论在网络理论还是网络性能上都比感知机更加成熟和完善。其突出的优点就是具有柔性的网络结构和非线性映射能力较强。因此BP网络在模式分类、模式分析、模式识别与模式匹配等方面具有良好的应用价值。若设神经网络的输入单元数为M，输出单元数为N,则在M维欧氏空间中存在一个有界子集A及其到N维欧氏空间中一个有界子集FA的映射，即FA，YF（X）。对于训练样本集和AX,Y，通过学习，可以在任意给定精度上找到一个优化的近似映射
43、G，使G（）I1,2,K。也就是说，BP网络能够实现从M维欧氏空间到N维欧氏空间的任意映射。由此可见，BP网络具有非常广泛的应用领域。在模式匹配方面，BP网络能够学习大量的模式映射关系，而且无须预知输入输出之间的函数关系。将输入模式映射到期望输出模式，只要用已知的模式对训练网络，通过学习，网络就会具有这种映射能力。BP网络所具有的这种映射能力是一个高度非线性关系映射。异或问题是困惑了人们将近30年得一个典型问题，BP网络终于成功地解决了这个问题。实际上，其意义远不在其本身。可以说，这是一个划时代的事件，是一个里程碑，它标志着神经网络在理论上的初步成熟和步入应用阶段的开始。总之，BP网络之所以具
44、有很强的信息处理能力，就是源于隐层单元的学习的实现。332局限性14不过，BP网络还不是一个完善的神经网络，目前还存在这以下问题。1、学习算法收敛慢。即使是一个十分简单的问题，学习次数需要达到几百次甚至上千上万次才有可能收敛。2、存在局部极小的问题，也可以说成收敛不到全局最小点。从数学观点看来，误差反向传播采用的是一种梯度下降算法即是一个非线性优化过程，故不可避免地会遇到优化过程中最常见的局部极小问题。所以在解决优化问题时，就会产生学习结果不能达到最好的要求。3、隐藏层的层数和隐藏层神经元的个数的选取都是根据经验来决定的。因此，网络往往具有较大的冗余性，这也导致了网络的学习时间增长。4、学习因
45、子的值和惯性系数的选取也是根据主观经验确定的，如果选取的值过大或者过小都会导致网络的振荡甚至网络因麻痹而不能收敛。5、BP神经网络的学习和记忆具有不稳定性。一个训练完成的BP神经网络，当给它提供新的输入量时，就会破坏已有的用于记忆的连接权值矩阵。这也导致已经记忆的学习模式的信息完全消失。这种现象是当今的BP算法所固有的，是无法避免的。而人类的大脑是具有记忆的稳定性的，新加入的信息的记忆不会影响已记忆的信息。是故可以将原有的学习模式与新加入的学习模式相混合重新训练网络。另外，BP算法对于刻画每个输入模式的特征数目也要求必须相同，否则，必须重新训练网络21。对于以上这些问题，有的已经找到解决方法，
46、有的目前尚无法解决。尽管如此，BP网络还是在相当广泛的领域得到应用，并取得成功。已经取得一定成果的研究中，首先是学习速度的问题，其次是局部极小的问题。这两个问题也是BP网络研究的热点。34ELMAN网络ELMAN神经网络是ELMAN在1990年提出的，它是在前馈式网络的隐藏层中多了一个承接层作为延时的算子已达到记忆的目的，从而使系统具有适应时变性能，可以直接反映动态过程系统的动态特性。341ELMAN神经网络结构ELMAN神经网络一般分为4层，即输入层、隐藏层、承接层、输出层。其网络结构图见图22假若没有承接层，这种连接方式与前馈式网络相似。输入层神经元主要起信号传输作用，输出层则是线性加权为
47、主。隐藏层神经元的传递函数采用的是线性或者非线性函数，承接层用来记忆隐藏层的前一时刻的输出值并返回到输入层。ELMAN神经网络的主要特点是将隐藏层的输出通过承接层的存储和延迟又返回到隐藏层的输入。这种连接方式使其对历史状态的数据具有相当敏感，内部的反馈网络的加入增加了网络本身处理动态信息的能力，从而达到动态建模的目的。另外，ELMAN神经网络能够以任意精度逼近非线性映射，如果给出的系统的输入输出数据对，就可以对系统进行建模26。输出层YK15B13WKX隐藏层1NXXB22W1WCXK输入层1UK342ELMAN神经网络的学习过程以上图的神经网络结构为例，ELMAN网络的非线性状态空间表达式3
48、KYGWXK（313）121CXKFWXKWUK（314）1CXKXK315式中，Y为M维输出结点向量；X为N维隐藏层结点单元向量；U为R维输入向量；CX为N维反馈状态向量；3W为隐藏层到输出层连接权值；2W为输入层到隐藏层的连接权值；W为承接层到隐藏层的连接权值。G为输出神经元的传递函数，是隐藏层输出的线性组合，F为隐藏层神经元的传递函数，通常采用S函数。ELMAN神经网络也采用BP算法进行权值修正，学习指标函数采用误差平方和函数。21NKKEWYWKYW（316）35衢州地区去负荷特性及其曲线变化规律351负荷特性经过分析，得出衢州地区负荷曲线具有以下主要特性1、日周期规律。这是衢州地区负
49、荷最明显的周期规律，同时也是各地普遍的规律。2、周周期规律。从日电量可以看出周一至周五的负荷曲线一般大于周六、周日。3、日负荷曲线有较为明显的两个峰谷和峰峰值负荷。4、典型负荷比较大，主要是因为衢州地区用电主要是工业和农业并重5、节假日负荷低，而且主要是白天降低明显，而后半夜傅与平时相比基本上不变化。352负荷曲线变化规律电力系统负荷有一定的规律性，将来某一时刻的负荷，一般与过去的负荷、现在的运行状况及过去、现在、未来的气象因素以及日期类型等密切相关；并且电力系统又是一个随机性很强的系统，16有很多因素都会对电力系统负荷产生负荷之间影响。在现实中的电力系统负荷预测中，如果有太多的可以观测到的和收集到影响因素，则会增强数学建模的困难性；随之而来会带来运算的复杂性，运算时间过长及数值不稳定等现象。故数学模型在分析影响负荷预测因素时，应着重针对几个适于计算，终于有特征的影响因素，继而用神经网络预测方法进行分析，而剩下的其它因素，可以通过经验或者专家系统的方法予以考虑。同时，负荷预测具有较强的地域性，不同地区的负荷特性有着较大的区别。下面是对衢州地区负荷状况进行讨论并提出适
