电力负荷短期预测的神经网络方法研究长沙电力学院(湖南长沙410077)易丹摘要：设计了一个三层神经网络模型来实现电力系统的短期负荷预测。采用了改进的BP学习算法，以提高训练的收敛速度。预测仿真结果表明，所设计的神经网络是可以进行短期负荷预测的。关键词：人工神经网络；BP算法；电力系统短期负荷预测短期电力负荷预测在实现现代电力系统的安全和经济运行中起着重要作用，是能量管理系统的重要组成部分。它主要用于预测未来各时段的电力负荷。对电力应用如机组最优组合、经济调度、最优潮流而言，短期电力负荷预测是非常有用的基础工具。传统的短期电力负荷预测方法分为时间序列法、回归分析法和模式识别法，并取得了不同程度的成功。但也存在一些问题，如负荷和影响负荷的变量之间的关系难以用精确的数学模型加以描述，从而增加了预测模型的复杂化；另一个重要的问题是模型参数难以及时、准确地估计和调整，不能反映负荷的实际变化情况。人工神经网络(ANN)提出了一个解决上述困难的有效方法。它不依赖于输入变量和预测值之间的明确表达式。输入变量和负荷预测值之间的关系通过训练过程形成，避免了构成模型过程中的困难。本文针对应用中遇到的两个主要问题，即学习算法和网络模型，进行了比较深入的探讨。1对BP算法的改进神经网络对任意非线性关系的匹配是通过调整神经元之间的连接权值及神经元的阈值来实现的，这就是所谓的神经网络的学习机制。在我们所运用的多层前馈神经网络(MLNN)之中，最为流行、最为有效的学习算法就是反向传播算法，即BP算法。它通过将神经网络的实际输出与期望输出之间的误差反向传播，用基于最速梯度下降方法来调整权值和阈值误差达到最小。但BP算法具有学习速度慢、存在局部极小点等固有缺陷。因此本文对常规的BP算法作如下改进：1.1附加动量项为了加速收敛和防止振荡，可加入一个动量项，其加权调节公式为：o:spt="75"o:preferrelative="t" path="m@4@5l@4@11@9@11@9@5xe" filled="f" stroked="f">式中，η为学习效率系数；t为学习次数；W为权向量；δj为节点j的输出误差值；yj(t)为节点j前一层第i个节点的输出；ΔWIJ(t)是训练过程中第t次学习结束后从某一层的节点i到其上一层的节点j之间的权值修正值，称为附加的动量项；a称为动量因子。1.2变斜率反向传播算法所采用的传递函数是带斜率的s型函数，即style=''width:150.75pt;height:32.25pt''>其中斜率s是一个很重要的量，必然存在一个最优的斜率使得网络具有良好的收敛性。不同节点的最优斜率组成了一个最优斜率集。由于网络的复杂性，预先确定这个最优斜率值是不可能的。所以需要采取某种适当的方法来获取这个最优斜率集。基于上述思想，采用变斜率BP算法：height:105pt''>[1][2]下一页
来源：中国电力资料网
