浅析电力电量预测的神经网络方法

来源:期刊VIP网所属分类:电力发布时间:2012-07-12浏览:

  摘要:神经网络在系统辨识、模式识别、智能控制等领域有着广泛而吸引人的前景,特别在智能控制中,人们对神经网络的自学习功能尤其感到兴趣,并且把神经网络这一重要特点看作是解决自动控制中按制器适应能力这个难题的关键钥匙之一。本文旨是就浅析电力电量预测的神经网络方法展开探讨。

  关键词:基本概况;电力电量预测;神经网络;BP神经网络模型

  一.神经网络和电力电量预测的基本概况

  1.神经网络。神经网络的基础在于神经元,神经元是以生物神经系统的神经细胞为基础的生物模型。在人们对生物神经系统进行研究,以探讨人工智能的机制时,把神经元数学化,从而产生神经元数学模型。大量的形式相同的神经元连结在一起就组成了神经网络,神经网络是一个高度非线性动力学系统。神经网络主要有以下四个特征:

  (1)非线性。非线性关系是自然的普片特性,大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制两种不同的状态,这种行为在数学上表现为一种非线性关系。

  (2)非局限性。一个神经网络通常由多个神经元广泛连接而成的,一个系统的整体行为不仅取决于单个神经元的特征,而且可能主要由单元之间的相互作用、相互连接所决定的,通过单元之间的大量连接模拟大脑的非局限性。

  (3)非常定性。人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化,而且在处理信息的同时,非线性动力系统本身也在不断变化。

  (4)非凸性。一个系统的演化方向,在一定条件下将取决于某个特定的状态函数。非凸性是指这种函数有多个极值,故系统具有多个较稳定的平衡态。

  2.电力电量预测。电力电量预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。电力电量预测的含义有:(1)指按照在国家机关、企业、居民等用户处的各种用电设备。(2)指描述上述用电设备所消耗的数值。电力电量预测包括了对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷曲线的预测。电力电量预测的工作主要是为了电力系统规划和运行提供可靠的决策依据。

  二.神经网络模型中的BP神经网络模型

  BP(Back Propagation)网络是一种按误差逆传播算法训练的多层前馈网络,是目前,应用最为广泛的神经网络模型之一。BP网络能学习和存贮大量的输入/输出模式映射关系,而不需要事情揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过方向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层、输出层。

  BP神经网络模型的分类:

  1.节点输出模型。节点输出模型又可以分为:

  (1)隐节点输出模型:οj=f(∑Wij×Xi-qj) (1)

  (2)输出节点输出模型:Yk=f(∑Tjk×οj-qk)(2)

  (3)f-非线形作用函数;q -神经单元阈值

  2.作用函数模型。作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数,一般取为(0,1)内连续取值Sigmoid函数:f(x)=1/(1+e)(3)

  3.误差计算模型。误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数:Ep=1/2×∑(tpi-○pi) (4)

  Tpi- i节点的期望输出值;○pi- i节点计算输出值。

  4.自学习模型。神经网络的学习过程,即连接下层节点和上层节点之间的权重矩阵Wij的设定和误差修正过程。自学习模型为:△Wij(n+1)= h×Ф i×○j + a×△Wij(n) (5)

  在这个式子中H为学习因子,Ф i为输出节点i的计算误差,○j为输出节点j的计算输出,a为动力因子。

  三.电力电量预测的神经网络方法

  1.电力电量预测的神经网络方法中数据的标准化。上面我们说了下层输入对上层节点刺激脉冲强度的函数又称刺激函数,一般取为(0,1),因此,要想把数据标准化,就要把相同的因子的取值分为最大值、中间值、最小值,其中因子的最大值要定为1,因子的中间值应用公式X标准=X-X min/X max-X min,进行因子中间值的计算,最后因子的最小值要定为为0,当把这些数据进行标准化后,要列一表格,在表格中要清楚的写好需要被电力电量预测的项目的时间和标准化值,这样才能保证神经网络方法在电力电量预测中得出的结论是准确的。

  2.电力电量预测的神经网络方法中的网络训练。由于电力电量预测的内容不是非简单的线性关系,而且关系非常的复杂,因此在进行电力电力预测时,需要对其进行输入、输出的分类,例如:在全年的电力电量预测时,需将前六个月中所用的电量作为六个电力电量预测的输入,然后把第七个月所用的电量作为电力电量预测的输出,以此类推。

  3.电力电量预测的神经网络方法中的预测结果以及结果的分析。当上面第2点有效的完成后,就可以以网络训练的结果为根据,对BP神经网络模型再进行600次的训练,当标准值的误差达到1e-5的时候,就可以对电力电量预测出来的结果进行分析,并将这个分析出来的结果描述为表格,这个表格的内容为时间、实际用电量、神经网络预测值,以及相对误差,有了这个表格就可以很清楚、明了的知道有神经网络的方法所预测出来的电力电量,而且还可以清楚的知道由神经网络方法所预测出来的电力电量和实际产生的电力电量的之间的相对误差值是非常的低,由此,可以知道神经网络方法是非常精准的,它对电力电量的预测值的精准度已经成熟的达到了99%左右。

  4.电力电量预测中的神经网络方法中出现误差的原因。(1)实际数据统计出现误差。对于实际电力电量数据的统计也有可能出现误差,这也就会导致电力电力预测中神经网络方法中出现误差。(2)神经网络方法中样本不断的增多。随着我国科学技术的不断进步,我国神经网络方法中网络训练的方法也在不断的进步,网络训练的样本也就越来越多。然而,随着这个神经网络方法中网络训练的样本越来越多,电力电量的预测也就会存在一些误差,虽然会存在误差,但是也导致了神经网络方法的技术越来越高,那么,预测的精准度度也就会越来越高。

  四.总结

  综上所述,由于,神经网络方法的技术越来越高,对电力电量的预测结果也越来越精准,因此,有效的将神经网络的方法应用在电力电量的预测中,可以有效的为电力电量的预测带来更精准的电力电量预测值。

  参考文献:

  [1]张喆,吴知非,禹建丽.电力电量预测的神经网络方法[J].统计与决策,2008,(4).

  [2]万星,周建中.改进灰色神经网络模型在电量预测中的应用[J].水力发电,2007,33,(6).

  [3]张喆,吴知非.电力电量预测的神经网络方法[J].电脑知识与技术(学术交流),2007,4,(20).

  [4]俞达,綦方中.基于灰色神经网络的公路物流需求量预测模型[J].软科学,2009,(11).

  [5]钱龙霞,刘明国,黄占峰,高雄,王红瑞.基于自相关性分析的等维灰数递补动态预测模型及其应用[J].北京师范大学学报(自然科学版),2008,(6).

期刊VIP网,您身边的高端学术顾问

文章名称: 浅析电力电量预测的神经网络方法

文章地址: http://www.qikanvip.com/dianli/3024.html