遗传神经网络在电力系统短期负荷预测中的应用.pdf

《遗传神经网络在电力系统短期负荷预测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、·104·科技论坛遗传神经网络在电力系统短期负荷预测中的应用杨伊璇于洋(广东省电力工业职业技术学校，广东广州510520)摘要：电力系统短期负荷预测能够对电力企业的经济效益产生直接影响。本文主要从电力系统负荷变化特点以及神经网络负荷预测模型入手，重点对遗传算法在神经网络学习中的应用及遗传算法的实现过程进行了分析和阐述，以供同行参考。关键词：遗传神经网络；电力系统；负荷预测1概述最近几年，遗传算法、神经网络等人工智能算法在电力系统得到了普及应用，各类优化的神经网络也被广泛用到了各类预测中。作为电力

2、系统规划的关键部分，电力负荷预测也是其合理运行的前提和基础，其主要工作就是对以后电力负荷的空间和时间分布进行精准预测，为电力系统规划和运行提供重要的参考依据。2电力系统负荷变化的特点及神经网络负荷预测模型2．1电力系统负荷变化的特点及预测方法在实际操作过程中，很多因素都会对电力系统负荷变化产生影响，具体来说，可以表现为下面两个方面：一是变化规律具有周期性，导致电力系统负荷曲线具有一定的相似性，同时因节假日及天气等因素影响，负荷变化还会产生相应的差异性；二是受未知不确定因素影响而产生的随机波动。然

3、而在实际应用过程中，神经网络也存在着容易陷入局部极小点和收敛速度较慢等方面的缺陷。所以，在本文中，将有效运用遗传算法来对神经网络进行优化，并科学建立电力系统短期负荷预测模型．同时结合电力负荷实际情况来重点分析和研究电力系统负荷预测方法。2．2人工神经网络模型所谓的BP神经网络指的是依据误差逆船舶算法进行训练的一种多层前馈网络，在该种神经网络模型中，其全部神经元都是依据功能分为输入层、隐含层和输出层三部分。其中，BP算法的训练过程又可以分为正向和反向传播两个过程。第一，正向传播过程。从输入层开始，

4、信息经过隐含层及输出层将实际计算结果输出，在这一过程中，各个神经元状态只能够对下一层产生直接影响。假设BP网络输入层的节点个数为n．，隐含层的节点个数为n：，输出层的节点个数为n，，那么w。为输入层和隐含层之间的权值，w．。隐含层与输出层之间的权值，b。则为隐含层的阈值’b，代表输出层的阈值。而fl(·)表示的是隐含层的传递函数，f2(·)表示的是输出层的传递函数。那么隐含层节点输出z。以及输出层节点输出Y．公式如下：z；=，(霎，rn‘+6t)k=l，2，3⋯⋯F13(1)Yj=f2(艺wje

5、tt+I)J2l，z，3⋯⋯rlaf，1第二，反相传播过程。一旦期望值与网络实际输出值存在一定的差异，也就是误差超过了允许范围内，那么就需要对连接权值进行逐层逆向修正。假设在BP网络中，输入样本个数为P，那么可以运用平方型误差函数来计算，公式如下：1—已—L2E=二'>、'>、(tp—yf)(3)27芦’。公式中：第P个样本的实际输出值用Y：来表示，期望输出值用一来表示。3遗传算法在神经网络学习中的应用作为一个由若干非线性元件大规模互联组成的相关动力系统，人工神经网络行为主要受到以下两方面因素影

6、响：第一，拓扑结构，包含网络互连方式以及节点个数等方面内容；第二节点之间的连接权值。通常情况下，三层前向网络的输入输出层节点的数目主要是由目标函数结构来直接确定的，且其连接方式也是固定的，因此，此处所说的结构就代表着隐层节点的数目。对于BP算法而言，其结构也是固定的，但是期学习只是针对的连接权值而已，这样一来，选取隐层节点时就会缺乏必要的理论指导，大大降低了前向网络学习的能力。所谓的遗传算法指的是基于自然遗传和自然选择的一种全局优化算法，这一操作主要针对的是由多个可行结构成的群体，因此其能够实现

7、对参数空间区域间的搜索，并将搜索结果朝着全局最优化方向努力，以免陷入局部极小点。同时，可以有效利用遗传算法对全局的收敛性，弥补神经网络固定结构学习法中存在的缺陷。众所周知，遗传神经网络的核心就是将遗传算法和神经网络有机结合起来，并在对神经网络个体的学习过程中，科学运用遗传算法找到恰当的网络结构，并最终得出神经网络的初始权值。然后依据初始权值以及选择好的网络结构，采用BP算法进行相应的训练和预测，大大降低了神经网络结构选择的错误率，提高了遗传算法的计算效率，对网络收敛速度和收敛性能也是一种较大的改

8、善。4遗传算法的实现过程4．1运用编码形式表示问题的解，并将个体随机生成，从而形成初始群体。4．2译码，对目标函数进行计算，并得出个体的适应度值，对其适用条件进行判断。4．3依据个体适应度值情况，运用遗传算法得出下一代群体。4．4重复执行，直至得出适宜条件为止。最后，对问题最优解进行搜索。众所周知，因运用共轭梯度算法改进了网络，大大提升了网络预报的精准度，减少了训练步数，较大幅度缩短了训练时间，为电力系统负荷预测提供了较大的帮助。5结论本文通过对遗传算法和BP神经网络的引入，对当前电力负荷需要进