学习elman神经网络的电力负荷预测模型研究

《学习elman神经网络的电力负荷预测模型研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、2013年第1期工业仪表与自动化装置·85·基于Elman神经网络的电力负荷预测模型研究石黄霞，何颖，董晓红(新疆工程学院电气与信息工程系，乌鲁木齐830091)摘要：为提高电力负荷预测精度，文章采用Elman神经网络建立模型，提出了一种基于Elman神经网络的电力负荷预测方法，采用自适应学习速率动量梯度下降反向传播算法进行网络训练，对乌鲁木齐电网的实际历史数据进行了仿真，仿真结果表明，Elman神经网络对电力负荷进行预测具有收敛速度快，预测精度高的优点。关键词：Elman神经网络；预测模型；电力负荷；仿真中图分类号：TM

2、715文献标志码：A文章编号：1000—0682(2013)01—0085—03ResearchofpowerloadforecastingbasedonElmanneuralnetworkSHIHuangxia，HEring，DONGXiaohong(DepartmentofElectricandInformation，XinjiangPolytechnicalCollege，Wulumuqi830091，China)Abstract：Inordertoimprovetheprecisionofforecastingof

3、powerload，inthispaper，aElmanar-tificalneuralnetwork(ANN)approachforloadforecastingisproposedandthemodelbasedonElmanneuralnetwork．Inthetrainingalgorithmofthenetwork，aback-propagationalgorithmwithadaptivelearningspeedandmomentumgradient-fallingisused，theforecastingm

4、odeltestedbyactualdatafromUrmqielectricnetwork，simulationresultsindicatethattheforecastingforpowerloadbasedonElmanneuralnetworkfeaturesquickconvergencespeedandhighforecastingprecision．Keywords：Elmanneuralnetwork；forecastingmodel；powerload；simulation数学表达式加以描述，具有计算量

5、小、速度快的优0引言点，但同时也存在很多的缺陷和局限性，比如不具备电力系统由电力网、电力用户共同组成。其任自学习、自适应能力，预测系统的鲁棒性没有保障务是给广大用户不问断地提供经济、可靠、符合质量等。特别是随着我国经济的发展，电力系统的结构标准的电能，满足各类负荷的需求，为社会发展提供日趋复杂，电力负荷变化的非线性、时变性和不确定动力。由于电力的生产与使用具有特殊性，即电能性的特点更加明显，很难建立一个合适的数学模型难以大量的储存，而且各类用户对电力的需求是时来清晰的表达负荷和影响负荷的变量之间的关系。刻变化的，这就要求系

6、统发电出力应随时紧跟系统而基于神经网络的非数学模型预测法，为解决数学负荷的变化动态平衡，即系统要最大限度的发挥出模型的不足提供了新的思路。设备能力，使整个系统保持稳定且高效运行，以满足目前在电力系统负荷预测领域应用较多的是用户的需求。否则，就会影响用电的质量，甚至危及BP神经网络，尤其是短期负荷领域应用的较为广整个系统的安全与稳定。因此，有必要对电力系统泛⋯，该方法实际上是利用静态前馈网络对动态网负荷进行准确地预测，以为电力生产顺利进行提供络进行辨识，将动态时间建模问题变为静态建模问前提和基础。题，这样会带来很多问题，而能

7、够准确反映系统动态负荷预测的核心问题是预测的技术问题，或者特性的网络应该是动态神经网络，即回归神经网说是预测的数学模型。传统的数学模型是用现成的络J。Elman回归神经网络即属于典型的动态神经网络，它在BP神经网络结构的基础上，通过存储内收稿日期：2012—08—15部状态使其具备映射动态特征的功能，从而使系统作者简介：石黄霞(1978)，女，2007年毕业于辽宁工程技术大学电气工程专业，获工程硕士学位，讲师，目前主要从事自动控制技术能够更好的适应电力负荷的非线性时变特征。及其应用，煤矿综合自动化系统方面的研究。该文尝试使

8、用Elman神经网络建立电力负荷预·86·工业仪表与自动化装置2013年第1期测模型，利用乌鲁木齐市2008年l0月份电力负荷反馈状态向量。W为中间层到输出层连接权值；W数据进行训练与仿真，仿真结果具有较好的收敛性为输入层到中间层连接权值；W为承接层到中间层和鲁棒性，取得了较满意的预测效果。的连接权值。