基于神经网络技术的电力系统负荷预测

《基于神经网络技术的电力系统负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、科学·创新·振兴崮3能并支持各种大型数据库。参考文献【1]吴企渊，JSP高级开发技术手册．清华大学出版社，20027[2]王学辉等．JSP编程技术应用．北京希望电子出版社，200210[3]张增强．JSP高级编程应用实例．北京希望电子出版社，20039作者简介：王育欣，沈阳广播电视大学网络教育学院网络工程师，计算机领域工程硕士在读。基于神经网络技术的电力系统负荷预测齐伟夫①王琳⑦高强@徐建源①(①沈阳供电公司②工业大学电气工程学院③东北电力设计研究院)摘要：负荷预刹在电力系统规划和运行方面发挥着重要的作用，本文提出了一种基于人工

2、神经网络的电力系统短期负荷预测技术，阐述了人工神经网络的基本原理和反向传播算法(BackPropagation)。该方法在计算气温因素对负荷预测影响的基础上，将神经网络同一种较为新颖的顸报模型相结合，具有常规算法所不具备的优点，因而具有较高的预测精度。文中还根据实际情况建立了人工神经网络的模型，进行了实侧计算，并验证了ANN用于电力负荷预测的可行性和有效性。关键词：电力系统人工神经网络负荷颓刹逆传播1引言1．1电力系统负荷预测的，必要性电力负荷预测是电力系统调度部门的一项重要任务，在正常运行条件下，系统内的可用发电容量，应994

3、科学·创新·振兴当在任何时候都能满足系统内负荷的要求。因此，精确的预测结果，是经济、可靠和安全调度的依据，保证社会的正常生产和生活，有效的降低发电成本，提高经济效益和社会效益。1．2电力系统负荷预测的常规方法在长期的实践中，人们开发了许多种负荷预测的方法，可分为定性的经验预测技术和依赖于数量模型、定量的预测技术。经验预测方法主要是依靠专家或专家组的判断，仅给出一个方向性的结论，预测结果也不是数值型的”3。定量预测技术比较常用的主要有时问序列法、卡尔曼滤波分析法、回归分析法、指数平滑预报法、专家系统法、模糊预测法、灰色模型法、优选

4、组合预测法、人工神经网络法等”J。2神经网络简介2．1神经网络及其学习方法神经网络是一种复杂的信息处理系统，它由许多非常简单的，彼此之间高度连接的处理单元——神经元组成”’。神经元之间的连接并非只是一个单纯的信号传递通道，在每对神经元之间的连接上还作用一个加权系数。这个加权系数起着生物神经系统中神经元突触强度的作用，通常称为网络权值。在神经网络中网络权值可以根据经验或学习而改变，修改权值的规则称为学习算法或学习规则。学习功能是神经网络的最主要的特征之一，学习算法的研究在神经网络理论与实践发展过程中起着重要作用。当前，神经网络研究

5、的许多课题都致力于学习算法的改进、更新与应用。神经网络的学习方式一般分为监督式与非监督式两种。监督式学习中，样本数据加到神经网络的输入端，同时将相应的期望输出与网络输出相比较形成误差信号，以此控制网络连接权值的调整，经计算收敛后给出确定的Ⅳ值。当样本情况发生变化时，神经网络学习可修正矽值以适应新的环境。监督式学习中，神经两络的学习阶段与应用阶段是分开进行的。监督式学习规则包括Hebb规则、Ddta规则、BP算法等。对于无监督式学习，事先不给定标准样本，直接将神经网络置于环境中，学习阶段与应用阶段成为一体。2．2前馈神经网络前馈神

6、经网络是目前应用最为广泛的神经网络模型。前馈神经网络最基本的学习算法是误差逆传播算法(ErrorBackPropagation)，简称BP算法。神经网络的学习过程由正向传播与反向传播两部分构成。正向传播过程中，训练样本由输入层经隐层逐层处理，并传向输出层。若网络输出明显偏离期望输出，则转向反向传播过程，将误差信号沿原路返回，通过调整各神经元的连接权值，极小化神经网络的总体误差函数E。通常，BP算法采用批处理方式训练前馈神经网络，每学习一次，即将样本集内所有训练样本正向传播一次，计算一次总体误差函数，并通过误差信号的反向传播进行一

7、次网络权值的调整。3应用于电力负荷预测的神经网络运用神经网络技术进行电力负荷预测，是刚刚兴起的又一新的并且很有潜力的研究方法。它对非线性系统的优异的逼近能力在解决预测精度问题上占有绝对优势，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，具有信息记忆、自主学习、知识推理和优化计算的特点，特别的，其自主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”1。3．1BP网络多阶层神经两络，也称为利用误差逆传播学习算法(ErrorBackPropagation)进行训练的网络，是一种具有三层或三层以上的阶层型神

8、经网络。上、下层之间各种神经元实现完全连接，即下层的每～个单元与上一层的每个单元都实现全连接，而每层各神经元之间无连接。网络按有教师信号的方式学习，当一对学习模式提供给网络后，神经元的激活值，从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。