bp神经网络在用电量预测中应用

《bp神经网络在用电量预测中应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、-BP神经网络在用电量预测中的应用浙江财经学院陈玲、郭玉碧、朱丽娟摘要：以浙江省为例，利用1995-2009年的数据，采用主成分分析法对影响用电量量的八个因子进行分析，结果选用GDP、农村家庭人均年消费性支出、农村居民家庭人均年纯收入和城镇家庭人均可支配收入四个因子为影响用电量的主要影响因素。根据确定的主要影响因素构造BP神经网络的输入样本，确定网络输入节点数，从而进行对年总用电量的预测，建立浙江省总用电量的预测模型，预测出2010年的用电量为2447亿千瓦小时。模型的检验表明，基于主成分分析的BP神经网络模型具有较高的精度和可靠性。关

2、键词：用电量预测；主成分分析；主成分荷载；BP神经网络；权值；阈值BPneuralnetworkbasedonPCAtopredictelectricityconsumptionAbstract:TakingZhejiangprovinceasanexample,applythedatafrom1995to2009,usingprincipalcomponentanalysistochoosefourmaininfluencingfactorsfromeightfactorswhichinfluencetheamountofelectr

3、icity,suchasGDP,ruralfamiliesinpercapitaconsumerspending,inpercapitanetincomeofruralhouseholdsandpercapitadisposableincomeofurbanhouseholds.AccordingtothemaininfluencefactorstodeterminethetectonicBPneuralnetworkinputsamples,thendeterminetheinputofthenetworknodenumber.Thu

4、sfortheannualtotalpowerconsumptionforecasts,establishpredictionmodelfortotalpowerconsumptionofZhejiang,predict2010for24.77millionKWHofelectricity.ModeltestsshowedthattheBPneuralnetworkbasedonprincipalcomponentanalysistopredictelectricityconsumptionmodelhashigherprecision

5、andreliability.Keywords:Electricityconsumptionforecasting;PCA;BPneuralnetwork.---1引言改革开放以来，浙江的经济发展是一路突飞猛进。如今，浙江已经成为全国四个GDP超万亿的省份之一。经济发展取得的成绩来之不易，近几年来，浙江不仅要面对台风等自然灾害的袭击，而且要应对大范围缺电危机的困扰。在缺电的情况下，很多行业都无法正常运行，这将严重影响浙江的经济发展。严重的缺电形势不但会影响经济的正常发展，还会影响我们的日常生活，并且可能引发社会公共危机。特别是在潮湿闷热

6、的夏季，人们如何度过那些没有电的酷热难耐的时光呢？要知道电力作为一种特殊的商品具有两个特性：一是电力的生产、输送都必须在瞬间完成；二是电力不能储存。发电量不足会造成上文所说的各种危机，而发电量过多又会造成大量人力物力的浪费，所以发电量最好能控制在一定的范围内。还有就是一般的发电站都需要煤、天然气等原料来发发电，那么原料准备方面也至关重要，毕竟原料的不足会导致不能正常供电，而过量则需要仓库堆积，这样就势必增加投资，所以准确的预测就显得至关重要。缺电的日益严重使得电力资源规划和用电系统的优化调度越来越重要，进行用电量预测则成为了实现电力资源

7、规划和管理的有效手段之一。用电量的成功预测将有助于决定电力生产系统的运行，燃料需求和制定机组维修计划等工作。但是必须承认，任何方法都不能准确无误地预测出用电量，只能力求符合实际情况。2国内外研究现状目前用电量预测技术有回归模型预测技术、时间序列预测技术、灰色预测技术、优选组合预测技术、专家系统预测技术、神经网络预测技术、小波分析预测技术等。例如高剑平在针对用电量预测的多元线性回归模型，提出了逐步回归分析方法[1]。该方法在全部自变量中按对因变量的作用大小，在进行显著性检验的同时，进行入选或剔除变量，不重要变量始终不进入回归方程，最后形成

8、重要变量的最优回归方程。蒋晓艳为了科学预测西藏林芝电网用电量，提高负荷预测的准确性和精确度，提出了预测用电量的最优组合模型，即充分利用各单一模型的最大信息，以误差平方和最小为准则，求出最优加权组合系数[2]