基于改进的bp神经网络算法的短期电力负荷预测 毕业设计

《基于改进的bp神经网络算法的短期电力负荷预测 毕业设计》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、电力工程信号处理仿真基于遗传BP神经网络算法的电力负荷预测院系：能源与动力工程学院专业：电力系统及其自动化指导老师王瑞霞老师学号：7姓名：于杏日期：2016.01.171引言在本节门课的作业中，我的综述内容是电力负荷预测算法的分析比较，所以在仿真作业中选择的是用在其中一种算法改进的基础上，来完成短期负荷预测的仿真任务，即用改进的BP神经网络算法实现电力负荷预测。2BP遗传算法的改进1）标准BP遗传算法的不足:1）学习步长η采用确定值且足够小。但是小的步长会使学习过程很慢，大的步长又容易导致学习过程震荡，从而收敛不到期望值；2）一般神经网络在无任何先验知识的条件下，其初始状态都是随机

2、设定的。网络训练的终止条件可由能量函数确定，当能量函数的变化很小时停止。传统的BP算法由于初值选取不当，网络学习往往陷入局部极小，使学习过程失败。2）算法改进方案:针对BP神经网络的两个主要缺点，网络训练速度慢，对初始权值敏感，容易陷入局部极小点提出了如下改进措施:1)针对神经网络的收敛速度慢的缺陷，可以采用了带有变步长η和变动量因子α的改进BP算法，采用改进的归一化方法，还可以将Lederberg-Marquardt数值优化技术引入到网络的训练中；2)针对BP神经网络由于初始权值选取不当容易陷入局部极小点，本文将遗传算法引入到网络初始权值的确定中，提出了遗传算法和BP神经网络相结

3、合遗传BP神经网络训练算法。3）改进的遗传BP神经网络的基本原理遗传BP神经网络的基本原理就是用遗传算法来训练网络参数，直到误差趋于一稳定值，然后用优化的权值进行BP算法实现短期负荷预测。4）算法改进前后流程图a.标准BP算法流程图：开始连接权值及阈值初始值学习步长初始化计算中间层各单元输入、输出计算输出层各单元输入、输出计算累积误差EN样本训练完？Y调整中间层至输出层之间的连接权及输出层各单元的输出阈值调整输入层至中间层之间的连接权及输出层各单元的输出阈值学习次数I=I+1N误差<ɛ结束Y图2-1标准BP算法流程图b.改进后的流程图：连接权值及阈值初始值开始学习步长η和动量因子α

4、初始化输入样本归一化N误差减小？Yη=η*βα=0η=η*φα=α计算中间层各单元输入、输出计算输出层各单元输入、输出计算累积误差E调整中间层至输出层之间的连接权及输出层各单元的输出阈值调整输入层至中间层之间的连接权及输出层各单元的输出阈值学习次数I=I+1N误差<ɛ结束Y图2-2改进后BP算法流程图3MATLAB仿真实现下面仿真所采用的样本是某地区七月份前四天某一小时的数据，将其作为参考，用改进的遗传BP神经网络算法来预测第五天这个小时的用电量，进行短期电力负荷预测。时刻/数据(KW)/日期7月1日7月2日7月3日7月4日00时1095.11138.81053.4998.701时

5、1130.51100.51015.4997.402时1201.51001.11999.1980.803时1013.21987.5979.5950.004时1799.9989.8950.5965.005时1001.2950.0964.9980.506时953.6965.9980.0997.507时964.1981.9980.51006.008时990.21007.41000.41085.009时997.4998.3998.9999.510时1106.31104.91094.51186.111时1086.81101.51100.51209.012时1007.11206.91169.81

6、172.113时1206.21170.11206.11155.214时1200.81170.11169.51146.215时1168.21151.11169.01141.516时1207.21142.11157.51155.217时1146.51155.61146.51130.518时1201.81132.81141.51120.119时1097.61117.51160.61206.820时1130.81117.51129.51186.921时1097.61176.51117.51158.922时1180.81184.51162.51055.423时1200.21162.11060

7、.5990.0程序：clearallclosealla=[1095.11130.51201.51013.21799.91001.2953.6964.1990.2997.41106.31086.8...1007.11206.21200.81168.21207.21146.51201.81097.61130.81097.61180.81200.2;1138.81100.51001.11987.5989.8950.0965.9981.91007.4998.31104.911