动量自适应学习速率梯度下降法神经网络电力负荷预测.pdf

《动量自适应学习速率梯度下降法神经网络电力负荷预测.pdf》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、《电气开关》(2014．No．5)49文章编号：1004—289X(2014)05—0049—03动量自适应学习速率梯度下降法神经网络电力负荷预测关小芳(三峡大学电气与新能源学院湖北宜昌443000)摘要：电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定，是电力负荷预测的重要组成部分。利用人工神经网络可以任意逼近非线性系统的特性，将其用于短期负荷预测。在标准的BP网络中加入了动量项和自适应学习速率，预测结果表明比标准BP算法具有更好的性能。在相同的情况下，连续预测六天的负荷和一年的负荷，结果都证明了研究方法具有一定的实用性。关键词：神经网络；负荷预测；BP算

2、法；动量项；自适应学习速率中图分类号：TM71文献标识码：BBPNeuralNetworkPowerLoadForecastingBasedonMomentumandAdaptiveLearningRateGUANxiao-fang(CollegeofElectricalEngineeringandNewEnergy，ChinaThreeGorgesUniversity，Yichang443000，China)Abstract：Theaccuracyoftheforecastofpowersystemload，whichisanimportantpartoftheforecas

3、tofpowersystemload，willdirectlyaffecttheeconomicofthepowersystemsanditssecurityandstability．Theuseofartificialneuralnet—workcouldgetthesimilarfeaturelikenonlinearsystemanduseitontheshorttermforecast．ResearchesaddmomentumandadaptivelearningrateintotheimprovedBPnetworkandcombinatethesametypeof

4、vagueandmappingresultswhenbuildinginputnetworksshowsthatithasbetterperformancethanstandardBPalgorithms．Inthesamecircumstances，theresultofforecastingasixdayloadandoneyearloadshowsthatthemethodofthisstudyhasacertainpracticality．Keywords：artificialneuralnetwork；powerloadf0recasting；algorithmofB

5、P；momentum；adaptivelearningrate1引言2电力负荷预测的原理电力系统负荷预测是根据电力负荷、经济、社会、科学的预测是正确决策的依据和保证。电力系统气象等历史数据，研究电力负荷历史数据的变化规律负荷预测是指从己知的经济、社会发展和电力需求情对未来负荷的影响，来寻求电力负荷与各种相关因素况出发，通过对历史数据的分析和研究，探索事物之间之间的内在联系，而对未来的电力负荷进行科学的预的内在联系和变化规律，对未来电力需求作出预先的测。负荷预测对电力系统许多部门都起着重要的作估计和推测。做好电力系统预测工作是降低运行成本用。负荷预测精度越高，越有利于提高发电设备

6、的利和提高电力设备的运行效率的前提¨J。用率和经济调度的有效性。人工神经网络具有很强的3BP神经网络的负荷预测自学习和复杂的非线性函数拟合能力，很适合用于短期电力负荷预测，是在国际上得到认可的使用预测方3．1BP神经网络模型法之一。由于传统的ANN方法存在着学习速率慢和BP神经网络中最关键的部分就是输入输出的映局部极小点问题，为了克服该缺点，需要改进ANN射关系，它是把包含信息特征的样本的输人到／输出的算法。问题，转化为数学上的非线性优化问题，并在解答的过程中应用最普遍的迭代法和梯度下降法来使网络具有50《电气开关》(2014．No．5)学习记忆的能力。BP神经网络可以实现一个

7、从输入时刻的负梯度；D(k一1)是一1时刻的扶梯度；叼为到输出的高度的非线性性的映射。从结构上看，BP网学习速率，卵>0；为动量因子，仪∈(0，1)。络是典型的多层网络，即在输人和输出层之间加上隐(2)自适应调节学习率含层构成多层前馈网络。一个典型的BP网络如图学习率叼也成为补偿，在标准BP算法中定为常1所示。数，然而在实际应用中，很难确定一个从始至终都合适的最佳学习率。从误差曲线可以看出，在平坦区域内误差反传叼太小会使训练次数增加，因而希望增大叩值；而在误差变化剧烈的区域，'7太大会因调整