畢業(yè)論文----電力系統(tǒng)負(fù)荷預(yù)測研究

1、<p><b>　　引 言</b></p><p>　　隨著國民經(jīng)濟(jì)的發(fā)展和人民生活水平的提高，電力作為一種非常重要的能源，已經(jīng)深入到社會的各個角落，人們對電能質(zhì)量的要求也越來越高，電力負(fù)荷預(yù)測作為保證電能質(zhì)量的一個基本工具，得到了越來越多的關(guān)注。</p><p>　　預(yù)測技術(shù)在電力工業(yè)中具有特別重要的地位。這是電力工業(yè)生產(chǎn)、輸送、消費(fèi)同時進(jìn)行，以及電力

2、工業(yè)先行的特點(diǎn)所決定的。需電量及電力負(fù)荷預(yù)測是電力系統(tǒng)規(guī)劃和建設(shè)的基本依據(jù)，是電力企業(yè)日常經(jīng)營管理工作的重要組成部分。負(fù)荷預(yù)測是能量管理系統(tǒng)（EMS)的一個重要模塊。它所提供的未來的負(fù)荷數(shù)據(jù)，對電力系統(tǒng)的控制、運(yùn)行和計劃都是非常重要的。電力系統(tǒng)的穩(wěn)定運(yùn)行要求發(fā)電量能隨時緊跟系統(tǒng)負(fù)荷的變化，即發(fā)電站發(fā)出的電能必須能夠平衡線路負(fù)荷，如果不事先預(yù)測負(fù)荷，或負(fù)荷預(yù)測不準(zhǔn)，將會導(dǎo)致大量的電能浪費(fèi)。準(zhǔn)確預(yù)測負(fù)荷，不但對確定日運(yùn)行方式有重要作用，可以

3、確定相應(yīng)的發(fā)電量及燃料需要量、合理安排發(fā)電機(jī)組、輸變電設(shè)備的檢修、確定電網(wǎng)在計劃期內(nèi)需要增加的發(fā)、輸、變電設(shè)備容量，而且也是電力行業(yè)CIMS工程的基礎(chǔ)和不可缺少的技術(shù)和設(shè)備。此外，電力負(fù)荷預(yù)測直接關(guān)系到電力系統(tǒng)生產(chǎn)計劃和電力系統(tǒng)運(yùn)行方式的安排，具有重要的經(jīng)濟(jì)意義。</p><p>　　隨著社會主義市場經(jīng)濟(jì)體制的不斷完善和電力工業(yè)管理體制改革的深化，國家電力公司及其各省級電力公司作為電力市場的主體其一切經(jīng)濟(jì)活動都要

4、以經(jīng)濟(jì)效益為中心，因此各級電力公司需要走向市場，立足電力市場，深入研究電力市場的供需形勢狀況及其發(fā)展，以此為基礎(chǔ)制定公司的發(fā)展戰(zhàn)略、指導(dǎo)公司的經(jīng)營活動。所以說電力負(fù)荷預(yù)測工作是電力公司經(jīng)營和制定發(fā)展戰(zhàn)略的基礎(chǔ)，是準(zhǔn)確把握市場脈搏，分析未來電力需求的走勢的必要工具。</p><p>　　中長期負(fù)荷預(yù)測是目前深受關(guān)注的研究課題，它在系統(tǒng)規(guī)劃、新發(fā)電廠和發(fā)配電系統(tǒng)的建立上有著重要的地位。由于建立一個發(fā)電廠或變電站需要很

5、長的時間及大量的費(fèi)用，因此對于一個電力公司來說，進(jìn)行有效的中長期負(fù)荷預(yù)測是十分必要的。它對電力系統(tǒng)(如機(jī)組最優(yōu)組合、經(jīng)濟(jì)調(diào)度、最優(yōu)潮流計算)優(yōu)化調(diào)度而言，是非常有用的基礎(chǔ)工具。此外，中長期負(fù)荷預(yù)測對電力系統(tǒng)的安全性也有著不可低估的作用，這中間包括對電網(wǎng)故障的分析處理，以及對負(fù)荷的管理等。</p><p><b>　　緒論</b></p><p>　　在電力系統(tǒng)中，負(fù)荷

6、指電力需求量或用電量。需求量是能量的時間變化率，即功率。負(fù)荷預(yù)測包括兩方面的含義：對未來需求量(功率)的預(yù)測和未來用電量(能量)的預(yù)測。對功率的預(yù)測用來決定發(fā)電設(shè)備的容量，以及相應(yīng)的輸電和配電的容量。對能量的預(yù)測則決定了應(yīng)當(dāng)安裝何種類型的發(fā)電容量。</p><p>　　1 電力系統(tǒng)負(fù)荷預(yù)測分類</p><p>　　如圖1-1所示，電力系統(tǒng)負(fù)荷預(yù)測按預(yù)測內(nèi)容分為系統(tǒng)負(fù)荷預(yù)測和母線負(fù)荷預(yù)測兩類

7、。系統(tǒng)負(fù)荷預(yù)測是對研究系統(tǒng)未來的負(fù)荷需求的預(yù)測；母線負(fù)荷預(yù)測是系統(tǒng)負(fù)荷預(yù)測取得某一時刻系統(tǒng)負(fù)荷值，并將其分配到每一條母線上[14][18]。</p><p><b>　　負(fù)荷預(yù)測按周期分類</b></p><p>　　圖1-1 系統(tǒng)/母線負(fù)荷預(yù)測</p><p>　　電力負(fù)荷預(yù)測按周期分類，可以分為超短期、短期、中期和長期負(fù)荷預(yù)測。超短期負(fù)荷預(yù)

8、測用于質(zhì)量控制。需5~ 10s的負(fù)荷值，用于安全監(jiān)視需1~ 5min負(fù)荷值。用于預(yù)防控制和緊急狀態(tài)處理，需10~ 60min負(fù)荷值，使用對象是調(diào)度員。在正常情況下，一般不考慮氣象條件的影響，因?yàn)樘鞖庖蛩刂凶钪饕挠绊懸蛩亍獪囟燃后w現(xiàn)在負(fù)荷的歷史數(shù)據(jù)中了。超短期負(fù)荷預(yù)測主要反映負(fù)荷在短時間內(nèi)的變化規(guī)律，即反映負(fù)荷的上升、下降或水平趨勢及變化值。 </p><p>　　短期負(fù)荷預(yù)測主要用于火電分配、水火電協(xié)

9、調(diào)、機(jī)組經(jīng)濟(jì)組合和交換功率計劃，要1日~1周的負(fù)荷值，使用對象是編制調(diào)度計劃的工程師。短期負(fù)荷預(yù)測主要考慮負(fù)荷的周期性變化規(guī)律及人氣影響因素。</p><p>　　中期負(fù)荷預(yù)測主要用于水庫調(diào)度、機(jī)組檢修、交換計劃和燃料計劃，需要1月~1年的負(fù)荷值，主要預(yù)測指標(biāo)有月平均最大負(fù)荷、月最大負(fù)荷和月用電量。使用對象是編制中長期運(yùn)行計劃的工程師。中期負(fù)荷預(yù)測考慮的因素比短期負(fù)荷預(yù)測要多些，特別是一些未來的因素及氣候條件。&

10、lt;/p><p>　　長期負(fù)荷預(yù)測用于電源和網(wǎng)絡(luò)發(fā)展，需要數(shù)年至數(shù)十年的負(fù)荷值，使用對象是規(guī)劃工程師。長期負(fù)荷預(yù)測受地區(qū)的社會經(jīng)濟(jì)、人口、氣候等因素影響，涉及許多不確定性問題。</p><p>　　負(fù)荷預(yù)測按系統(tǒng)負(fù)荷構(gòu)成分類</p><p>　　一般來說負(fù)荷預(yù)測可以分為城市民用負(fù)荷、商業(yè)負(fù)荷、農(nóng)村負(fù)荷、工業(yè)負(fù)荷以及其他負(fù)荷。不同類型的負(fù)荷有不同的變化規(guī)律。隨著家用電器

11、的普及，城市居民負(fù)荷增長率提高、季節(jié)波動增大，且系統(tǒng)峰荷受氣溫影響越來越大。商業(yè)負(fù)荷影響晚尖峰，而且隨季節(jié)而變化。工業(yè)負(fù)荷受氣象影響較小，但大企業(yè)成本下降，使夜間低谷增長緩慢。農(nóng)村負(fù)荷季節(jié)變化強(qiáng)，且與降水情況關(guān)系密切。分析負(fù)荷的結(jié)構(gòu)及其影響因素對提高負(fù)荷預(yù)測的準(zhǔn)確性至關(guān)重要，尤其是針對突發(fā)性重大事件。</p><p>　　2 負(fù)荷預(yù)測各部分的作用及關(guān)系</p><p>　　各類負(fù)荷預(yù)測的周

12、期、用途如表1-1所示：</p><p>　　表1-1 各類電力系統(tǒng)負(fù)荷預(yù)測</p><p>　　在能量管理系統(tǒng)(FMS)中，母線負(fù)荷預(yù)測模型與系統(tǒng)負(fù)荷預(yù)測模型有所不同，預(yù)測計劃的參數(shù)采用大潮流母線負(fù)荷數(shù)據(jù)或狀態(tài)估計結(jié)果修正。系統(tǒng)負(fù)荷預(yù)測和母線預(yù)測關(guān)系圖1-2所示：</p><p>　　圖1-2 系統(tǒng)負(fù)荷預(yù)測和母線負(fù)荷預(yù)測</p><p>&

13、lt;b>　　負(fù)荷預(yù)測的特點(diǎn)</b></p><p>　　由于負(fù)荷預(yù)測是根據(jù)電力負(fù)荷的過去和現(xiàn)在推測它的未來數(shù)值，所以負(fù)荷預(yù)測工作研究對象是不確定時間、隨機(jī)時間，需要采用適當(dāng)?shù)念A(yù)測技術(shù)和模型，推出負(fù)荷的發(fā)展趨勢和可能達(dá)到的狀況。其特點(diǎn)如下：</p><p>　?。?）負(fù)荷預(yù)測的不準(zhǔn)確性</p><p>　　預(yù)測學(xué)本身是一個研究不確定問題的理論和方法

14、。電力負(fù)荷未來的發(fā)展也是不肯定的，它受多種多樣復(fù)雜因素的影響，而且各種影響因素也是發(fā)展變化的。人們對于這些發(fā)展變化有些能夠預(yù)先估計，有些卻很難事先預(yù)見到，加上一些臨時情況發(fā)生變化的影響，因此就決定了預(yù)測結(jié)果的不準(zhǔn)確性和不完全準(zhǔn)確性。</p><p>　　（2）負(fù)荷預(yù)測的條件性</p><p>　　負(fù)荷預(yù)測的預(yù)測過程是一個由歷史向未來遞推的過程，是在一定條件下做出的。條件可分為必然條件和假設(shè)

15、條件兩種。如果真正掌握了電力負(fù)荷的本質(zhì)規(guī)律，那么預(yù)測條件就是必然條件，所作出的預(yù)測往往是比較可靠的。而在很多情況下，由于負(fù)荷未來發(fā)展的隨機(jī)性，需要一些假設(shè)條件，給出的負(fù)荷預(yù)測結(jié)果就是基于這種假設(shè)的前提。這些假設(shè)條件不能毫無根據(jù)的憑空假設(shè)，而應(yīng)根據(jù)研究分析，綜合各種情況而得來。</p><p>　?。?）負(fù)荷預(yù)測的時間性</p><p>　　各種負(fù)荷預(yù)測都有一定的時間范圍，因此，要求有比較確

16、切的數(shù)量概念，往往需要確切地指明預(yù)測的時間。</p><p>　?。?）負(fù)荷預(yù)測的地區(qū)效應(yīng)</p><p>　　在不同的負(fù)荷預(yù)測的范圍內(nèi)，負(fù)荷的構(gòu)成比重不同，因此，影響負(fù)荷的因素有所不同。一般說來，大電網(wǎng)負(fù)荷變化有較強(qiáng)的統(tǒng)計規(guī)律性，預(yù)測結(jié)果較準(zhǔn)確，而地區(qū)級電網(wǎng)的預(yù)測精度則相對低一些。</p><p>　?。?）負(fù)荷預(yù)測的多方案性</p><p&g

17、t;　　負(fù)荷預(yù)測的機(jī)理是一個數(shù)學(xué)建模的過程，而不同的數(shù)學(xué)模型的使用條件是有一定的限制的。因此，需根據(jù)負(fù)荷在各種情況下的可能發(fā)展?fàn)顩r進(jìn)行預(yù)測，采用不同的負(fù)荷預(yù)測方案。</p><p>　　1.4 電力系統(tǒng)負(fù)荷預(yù)測方法及特點(diǎn)[4][13] </p><p><b>　?。?）單耗法 </b></p><p>　　按照國家安排的產(chǎn)品產(chǎn)量、產(chǎn)值計劃和用

18、電單耗確定需電量。單耗法分“產(chǎn)品單耗法”和“產(chǎn)值單耗法”兩種。采用“單耗法”預(yù)測負(fù)荷前的關(guān)鍵是確定適當(dāng)?shù)漠a(chǎn)品單耗或產(chǎn)值單耗。從中國的實(shí)際情況來看，一般規(guī)律是產(chǎn)品單耗逐年上升，產(chǎn)值單耗逐年下降。單耗法的優(yōu)點(diǎn)是：方法簡單，對短期負(fù)荷預(yù)測效果較好。缺點(diǎn)是：需做大量細(xì)致的調(diào)研工作，比較籠統(tǒng)，很難反映現(xiàn)代經(jīng)濟(jì)、政治、氣候等條件的影響。 </p><p><b>　?。?）趨勢外推法 </b></

19、p><p>　　當(dāng)電力負(fù)荷依時間變化呈現(xiàn)某種上升或下降的趨勢，并且無明顯的季節(jié)波動，又能找到一條合適的函數(shù)曲線反映這種變化趨勢時，就可以用時間t為自變量，時序數(shù)值y為因變量，建立趨勢模型y＝f(t)。當(dāng)有理由相信這種趨勢能夠延伸到未來時，賦予變量t所需要的值，可以得到相應(yīng)時刻的時間序列未來值。這就是趨勢外推法。 </p><p>　　應(yīng)用趨勢外推法有兩個假設(shè)條件：①假設(shè)負(fù)荷沒有跳躍式變化；②假

20、定負(fù)荷的發(fā)展因素也決定負(fù)荷未來的發(fā)展，其條件是不變或變化不大。選擇合適的趨勢模型是應(yīng)用趨勢外推法的重要環(huán)節(jié)，圖形識別法和差分法是選擇趨勢模型的兩種基本方法。 </p><p>　　外推法有線性趨勢預(yù)測法、對數(shù)趨勢預(yù)測法、二次曲線趨勢預(yù)測法、指數(shù)曲線趨勢預(yù)測法、生長曲線趨勢預(yù)測法。趨勢外推法的優(yōu)點(diǎn)是：只需要?dú)v史數(shù)據(jù)、所需的數(shù)據(jù)量較少。缺點(diǎn)是：如果負(fù)荷出現(xiàn)變動，會引起較大的誤差。 </p><p&

21、gt;<b>　?。?）彈性系數(shù)法 </b></p><p>　　彈性系數(shù)是電量平均增長率與國內(nèi)生產(chǎn)總值之間的比值，根據(jù)國內(nèi)生產(chǎn)總值的增長速度結(jié)合彈性系數(shù)得到規(guī)劃期末的總用電量。彈性系數(shù)法是從宏觀上確定電力發(fā)展同國民經(jīng)濟(jì)發(fā)展的相對速度，它是衡量國民經(jīng)濟(jì)發(fā)展和用電需求的重要參數(shù)。該方法的優(yōu)點(diǎn)是：方法簡單，易于計算。缺點(diǎn)是：需做大量細(xì)致的調(diào)研工作。 </p><p>&l

22、t;b>　?。?）回歸分析法 </b></p><p>　　回歸預(yù)測是根據(jù)負(fù)荷過去的歷史資料，建立可以進(jìn)行數(shù)學(xué)分析的數(shù)學(xué)模型。用數(shù)理統(tǒng)計中的回歸分析方法對變量的觀測數(shù)據(jù)統(tǒng)計分析，從而實(shí)現(xiàn)對未來的負(fù)荷進(jìn)行預(yù)測?；貧w模型有一元線性回歸、多元線性回歸、非線性回歸等回歸預(yù)測模型。其中，線性回歸用于中期負(fù)荷預(yù)測。優(yōu)點(diǎn)是：預(yù)測精度較高，適用于在中、短期預(yù)測使用。缺點(diǎn)是：①規(guī)劃水平的年工農(nóng)業(yè)總產(chǎn)值很難詳細(xì)統(tǒng)計

23、；②用回歸分析法只能測算出綜合用電負(fù)荷的發(fā)展水平，無法測算出各供電區(qū)的負(fù)荷發(fā)展水平，也就無法進(jìn)行具體的電網(wǎng)建設(shè)規(guī)劃。 </p><p><b>　?。?）時間序列法 </b></p><p>　　就是根據(jù)負(fù)荷的歷史資料，設(shè)法建立一個數(shù)學(xué)模型，用這個數(shù)學(xué)模型一方面來描述電力負(fù)荷這個隨機(jī)變量變化過程的統(tǒng)計規(guī)律性；另一方面在該數(shù)學(xué)模型的基礎(chǔ)上再確立負(fù)荷預(yù)測的數(shù)學(xué)表達(dá)式，對未

24、來的負(fù)荷進(jìn)行預(yù)測。時間序列法主要有自回歸AR(p)、滑動平均MA(q)和自回歸與滑動平均ARMA(p,q)等。這些方法的優(yōu)點(diǎn)是：所需歷史數(shù)據(jù)少、工作量少。缺點(diǎn)是：沒有考慮負(fù)荷變化的因素，只致力于數(shù)據(jù)的擬合，對規(guī)律性的處理不足，只適用于負(fù)荷變化比較均勻的短期預(yù)測的情況。 </p><p><b>　　（6）灰色模型法 </b></p><p>　　灰色預(yù)測是一種對含有不

25、確定因素的系統(tǒng)進(jìn)行預(yù)測的方法。以灰色系統(tǒng)理論為基礎(chǔ)的灰色預(yù)測技術(shù)，可在數(shù)據(jù)不多的情況下找出某個時期內(nèi)起作用的規(guī)律，建立負(fù)荷預(yù)測的模型。分為普通灰色系統(tǒng)模型和最優(yōu)化灰色模型兩種。 </p><p>　　普通灰色預(yù)測模型是一種指數(shù)增長模型，當(dāng)電力負(fù)荷嚴(yán)格按指數(shù)規(guī)律持續(xù)增長時，此法有預(yù)測精度高、所需樣本數(shù)據(jù)少、計算簡便、可檢驗(yàn)等優(yōu)點(diǎn)；缺點(diǎn)是對于具有波動性變化的電力負(fù)荷，其預(yù)測誤差較大，不符合實(shí)際需要。而最優(yōu)化灰色模型可

26、以把有起伏的原始數(shù)據(jù)序列變換成規(guī)律性增強(qiáng)的成指數(shù)遞增變化的序列，大大提高預(yù)測精度和灰色模型法的適用范圍?；疑Ｐ头ㄟm用于短期負(fù)荷預(yù)測。灰色預(yù)測的優(yōu)點(diǎn)：要求負(fù)荷數(shù)據(jù)少、不考慮分布規(guī)律、不考慮變化趨勢、運(yùn)算方便、短期預(yù)測精度高、易于檢驗(yàn)。缺點(diǎn)：一是當(dāng)數(shù)據(jù)離散程度越大，即數(shù)據(jù)灰度越大，預(yù)測精度越差；二是不太適合于電力系統(tǒng)的長期后推若干年的預(yù)測[5][7]。</p><p><b>　?。?）德爾菲法 <

27、/b></p><p>　　德爾菲法是根據(jù)有專門知識的人的直接經(jīng)驗(yàn)，對研究的問題進(jìn)行判斷、預(yù)測的一種方法，也稱專家調(diào)查法。德爾菲法具有反饋性、匿名性和統(tǒng)計性的特點(diǎn)。德爾菲法的優(yōu)點(diǎn)是：①可以加快預(yù)測速度和節(jié)約預(yù)測費(fèi)用；②可以獲得各種不同但有價值的觀點(diǎn)和意見；③適用于長期預(yù)測，在歷史資料不足或不可預(yù)測因素較多尤為適用。缺點(diǎn)是：①對于分地區(qū)的負(fù)荷預(yù)測則可能不可靠；②專家的意見有時可能不完整或不切實(shí)際。 </

28、p><p><b>　?。?）專家系統(tǒng)法 </b></p><p>　　專家系統(tǒng)預(yù)測法是對數(shù)據(jù)庫里存放的過去幾年甚至幾十年的，每小時的負(fù)荷和天氣數(shù)據(jù)進(jìn)行分析，從而匯集有經(jīng)驗(yàn)的負(fù)荷預(yù)測人員的知識，提取有關(guān)規(guī)則，按照一定的規(guī)則進(jìn)行負(fù)荷預(yù)測。實(shí)踐證明，精確的負(fù)荷預(yù)測不僅需要高新技術(shù)的支撐，同時也需要融合人類自身的經(jīng)驗(yàn)和智慧。因此，就會需要專家系統(tǒng)這樣的技術(shù)。專家系統(tǒng)法，是對人類

29、的不可量化的經(jīng)驗(yàn)進(jìn)行轉(zhuǎn)化的一種較好的方法。但專家系統(tǒng)分析本身就是一個耗時的過程，并且某些復(fù)雜的因素(如天氣因素)，即使知道其對負(fù)荷的影響，但要準(zhǔn)確定量地確定他們對負(fù)荷地區(qū)的影響也是很難的。專家系統(tǒng)預(yù)測法適用于中、長期負(fù)荷預(yù)測。此法的優(yōu)點(diǎn)是：①能匯集多個專家的知識和經(jīng)驗(yàn)，最大限度地利用專家的能力；②占有的資料、信息多，考慮的因素也比較全面，有利于得出較為正確的結(jié)論。缺點(diǎn)是：①不具有自學(xué)習(xí)能力，受數(shù)據(jù)庫里存放的知識總量的限制；②對突發(fā)性事件

30、和不斷變化的條件適應(yīng)性差。 </p><p><b>　?。?）神經(jīng)網(wǎng)絡(luò)法 </b></p><p>　　神經(jīng)網(wǎng)絡(luò)(ANN,Artificial Neural Network)預(yù)測技術(shù)，可以模仿人腦做智能化處理，對大量非結(jié)構(gòu)性、非確定性規(guī)律具有自適應(yīng)功能。ANN應(yīng)用于短期負(fù)荷預(yù)測比應(yīng)用于中長期負(fù)荷預(yù)測更為適宜。因?yàn)?，短期?fù)荷變化可以認(rèn)為是一個平穩(wěn)隨機(jī)過程。而長期負(fù)荷預(yù)

31、測可能會因政治、經(jīng)濟(jì)等大的轉(zhuǎn)折導(dǎo)致其模型的數(shù)學(xué)基礎(chǔ)的破壞。優(yōu)點(diǎn)是：①可以模仿人腦的智能化處理；②對大量非結(jié)構(gòu)性、非精確性規(guī)律具有自適應(yīng)功能；③具有信息記憶、自主學(xué)習(xí)、知識推理和優(yōu)化計算的特點(diǎn)。缺點(diǎn)是：①初始值的確定無法利用已有的系統(tǒng)信息，易陷于局部極小的狀態(tài)；②神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程通常較慢，對突發(fā)事件的適應(yīng)性差。 </p><p>　?。?0）優(yōu)選組合預(yù)測法 </p><p>　　優(yōu)選組合有

32、兩層含義：一是從幾種預(yù)測方法得到的結(jié)果中選取適當(dāng)?shù)臋?quán)重加權(quán)均；二是指在幾種預(yù)測方法中進(jìn)行比較，選擇擬和度最佳或標(biāo)準(zhǔn)偏差最小的預(yù)測模型進(jìn)行預(yù)測。對于組合預(yù)測方法也必需注意到，組合預(yù)測是在單個預(yù)測模型不能完全正確地描述預(yù)測量的變化規(guī)律時發(fā)揮作用。一個能夠完全反映實(shí)際發(fā)展規(guī)律的模型進(jìn)行預(yù)測完全可能比用組合預(yù)測方法預(yù)測效果好。該方法的優(yōu)點(diǎn)是：優(yōu)選組合了多種單一預(yù)測模型的信息，考慮的影響信息也比較全面，因而能夠有效地改善預(yù)測效果。缺點(diǎn)是：①權(quán)重的

33、確定比較困難；②不可能將所有在未來起作用的因素全包含在模型中，在一定程度上限制了預(yù)測精度的提高。 </p><p>　　（11）小波分析預(yù)測技術(shù) </p><p>　　小波分析是一種時域-頻域分析法，它在時域和頻域上同時具有良好的局部化性質(zhì)，并且能根據(jù)信號頻率高低自動調(diào)節(jié)采樣的疏密，它容易捕捉和分析微弱信號以及信號、圖像的任意細(xì)小部分。其優(yōu)點(diǎn)是：能對不同的頻率成分采用逐漸精細(xì)的采樣步長，從

34、而可以聚集到信號的任意細(xì)節(jié)，尤其是對奇異信號很敏感，能很好的處理微弱或突變的信號，其目標(biāo)是將一個信號的信息轉(zhuǎn)化成小波系數(shù)，從而能夠方便地加以處理、儲存、傳遞、分析或被用于重建原始信號。這些優(yōu)點(diǎn)決定了小波分析可以有效地應(yīng)用于負(fù)荷預(yù)測問題的研究。 </p><p><b>　　負(fù)荷預(yù)測誤差分析</b></p><p>　　由于電力負(fù)荷的變化及其發(fā)展受多方面因素的影響，既受

35、國民經(jīng)濟(jì)發(fā)展的影響，也受各用電部門和用電設(shè)備的用電特性和用電方式的變化的影響，同時，氣候條件也是影響電力負(fù)荷的一個不可忽視的因素。而國民經(jīng)濟(jì)的發(fā)展又受政治經(jīng)濟(jì)環(huán)境條件的影響。在影響電力負(fù)荷變化的諸因素中，許多因素是具有很大的不確定性的，如政治經(jīng)濟(jì)條件、天氣變化等，往往難以準(zhǔn)確預(yù)料，這就給電力負(fù)荷預(yù)測工作帶來了很大的困難，使電力負(fù)荷預(yù)測也具有顯著的不確定性，預(yù)測的結(jié)果與客觀實(shí)際存在著一定的差距，這個差距就是預(yù)測誤差。</p>

36、<p>　　計算和分析預(yù)測誤差的方法和指標(biāo)有很多，主要有如下幾種：</p><p><b>　　絕對誤差與相對誤差</b></p><p><b>　　2） 平均絕對誤差</b></p><p><b>　　3） 均方誤差</b></p><p><b>

37、　　4） 均方根誤差</b></p><p><b>　　5） 標(biāo)準(zhǔn)誤差</b></p><p>　　6） 關(guān)聯(lián)度誤差分析</p><p><b>　　7） 后驗(yàn)差檢驗(yàn)</b></p><p>　　第2章 灰色理論及GM(1,1)模型</p><p>　　2.1

38、灰色理論基本知識</p><p>　　2.1.1 灰色理論概述</p><p>　　灰色系統(tǒng)的概念是華中理工大學(xué)鄧聚龍教授1982年提出來的，十幾年來，灰色系統(tǒng)理論引起了國內(nèi)外的極大關(guān)注，并在理論和應(yīng)用上迅速發(fā)展。所謂灰色系統(tǒng)就是部分信息己知、部分信息未知的系統(tǒng)。它描述的是一類中介系統(tǒng)，即位于清晰(白)系統(tǒng)與完全不清晰(黑)系統(tǒng)之間的系統(tǒng)，是與模糊系統(tǒng)有聯(lián)系而又不同的系統(tǒng)。經(jīng)濟(jì)系統(tǒng)就是典型

39、的灰色系統(tǒng)。它的灰色性體現(xiàn)在系統(tǒng)層次的復(fù)雜性、經(jīng)濟(jì)因素關(guān)系的不確定性和指標(biāo)數(shù)據(jù)信息的不完整性上[2][3][12]。</p><p>　　在系統(tǒng)運(yùn)行理論的研究中，將系統(tǒng)分為白色、黑色和灰色系統(tǒng)?！鞍住敝感畔⑼耆阎?；“黑”指信息完全未知；“灰”則指信息部分已知、部分未知，或者說信息不完全，這是“灰”的基本含義?？陀^世界是物質(zhì)的世界，也是信息的世界?？墒窃诠こ碳夹g(shù)、社會、經(jīng)濟(jì)、農(nóng)業(yè)、工業(yè)、環(huán)境、電力等各種系統(tǒng)中經(jīng)常

40、會遇到信息不完全的情況，如參數(shù)(或因素)信息不完全，結(jié)構(gòu)信息不完全，關(guān)系(指內(nèi)、外關(guān)系)信息不完全，運(yùn)行行為不完全等等。</p><p>　　灰色系統(tǒng)理論是以“部分信息已知，部分信息未知”的“小樣本”,“貧信息”不確定性系統(tǒng)為研究對象，主要是通過對“部分”已知信息的生成、開發(fā)，提取有價值的信息，實(shí)現(xiàn)對系統(tǒng)運(yùn)行行為的正確認(rèn)識和有效控制?；疑到y(tǒng)模型對試驗(yàn)觀測數(shù)據(jù)及其分布沒有什么特殊的要求和限制，作為一種十分簡單、易

41、學(xué)好用的新理論，灰色系統(tǒng)理論的應(yīng)用范圍已拓展到工業(yè)、農(nóng)業(yè)、社會、經(jīng)濟(jì)、能源、交通、地理、地質(zhì)、石油、地震、水利、環(huán)境、生態(tài)、醫(yī)學(xué)、體育、教育、軍事、法學(xué)、金融等眾多科學(xué)領(lǐng)域，成功地解決了生產(chǎn)、生活和科學(xué)研究中的大量實(shí)際問題。</p><p>　　就電力負(fù)荷預(yù)測問題來看，根據(jù)過去的已知負(fù)荷值進(jìn)行建立模型，而與一些對負(fù)荷有影響的因素的關(guān)系卻不明確，由此看來，剛好符合灰色系統(tǒng)理論的條件，所以，在本次設(shè)計中采用灰色系統(tǒng)理

42、論對電力負(fù)荷進(jìn)行預(yù)測。</p><p>　　2.1.2 灰色系統(tǒng)</p><p>　　介于白色系統(tǒng)和黑色系統(tǒng)之間的，即部分信息己知，部分信息未知的系統(tǒng)稱為灰色系統(tǒng)?；疑到y(tǒng)是針對黑色系統(tǒng)和白色系統(tǒng)而言的，在信息分析系統(tǒng)中稱：信息基本不明確的系統(tǒng)為黑色系統(tǒng)；信息基本明確的系統(tǒng)為白色系統(tǒng)，而信息部分明確，部分不明確的系統(tǒng)為灰色系統(tǒng)?；疑到y(tǒng)理論就是利用了部分明確的信息，通過形成必要的有限數(shù)列和

43、微分方程，尋求各參數(shù)間的規(guī)律，從而推出不明確信息總發(fā)展趨勢的分析方法。利用灰色系統(tǒng)理論來進(jìn)行電力系統(tǒng)中參數(shù)的預(yù)測，可以有：a.預(yù)測時需要的原始數(shù)據(jù)樣本少，一般在五個以上的原始數(shù)據(jù)樣本條件下，即可準(zhǔn)確地預(yù)測并能有足夠的預(yù)測精度，而其它預(yù)測方法常常需要較多的原始數(shù)據(jù)樣本來作為預(yù)測的保證，b.預(yù)測精度高，七個以上原始數(shù)據(jù)樣本的條件下，可保證短、中、遠(yuǎn)三期的預(yù)測精度都達(dá)到一級。例如：對于電力負(fù)荷系統(tǒng)，對其影響的供電機(jī)組、電網(wǎng)容量、生產(chǎn)能力、大用

44、戶情況、某些主要產(chǎn)品耗電情況等信息是己知的，但是，影響負(fù)荷的其他因素，像天氣情況、行政與管理政策的變化、地區(qū)經(jīng)濟(jì)活動等等是難以確知的，因此，電力系統(tǒng)是灰色系統(tǒng)?；疑到y(tǒng)沒有確定的映射關(guān)系(函數(shù)關(guān)系)。</p><p>　　2.2 五步建模思想</p><p>　　研究一個系統(tǒng)，一般應(yīng)首先建立系統(tǒng)的數(shù)學(xué)模型，進(jìn)而對系統(tǒng)的整體功能、協(xié)調(diào)功能以及系統(tǒng)各因素間的關(guān)聯(lián)關(guān)系、因果關(guān)系、動態(tài)關(guān)系進(jìn)行具體

45、的量化研究，這種研究必須以定性分析為先導(dǎo)，定量與定性緊密結(jié)合。系統(tǒng)模型的建立，一般要經(jīng)歷思想開發(fā)、因素分析、量化、動態(tài)關(guān)系、優(yōu)化五個步驟，故稱五步建模。</p><p>　　第一步：開發(fā)思想，對于所研究的問題作定性研究，明確方向、目的、途徑、措施，并用簡練的文字進(jìn)行表達(dá)，這便是語言模型。</p><p>　　第二步：對語言模型中潛在的各種因素進(jìn)行因果關(guān)系分析，找出影響事物發(fā)展的因果關(guān)系。然

46、后用框圖表示這種關(guān)系。由于系統(tǒng)往往不比一個環(huán)節(jié)，同一因素既是上一環(huán)節(jié)的后果，又是下一環(huán)節(jié)的前因，將這些關(guān)系環(huán)節(jié)找出來，便得到網(wǎng)絡(luò)模型。</p><p>　　第三步：對各環(huán)節(jié)的因果關(guān)系進(jìn)行量化研究，初步得出低層次的量化關(guān)系，即為量化模型。</p><p>　　第四步：進(jìn)一步收集各環(huán)節(jié)輸入和輸出數(shù)據(jù)，利用所得數(shù)據(jù)序列，建立動態(tài)GM模型，即動態(tài)模型。</p><p>　　

47、第五步：對動態(tài)模型進(jìn)行系統(tǒng)研究和分析，通過結(jié)構(gòu)和參數(shù)的調(diào)整，進(jìn)行系統(tǒng)重組，達(dá)到優(yōu)化配置、改善系統(tǒng)動態(tài)品質(zhì)的目的，即優(yōu)化模型。</p><p>　　五步建模的全過程，是在五個不同階段建立五種模型的過程：</p><p>　　語言模型→網(wǎng)絡(luò)模型→量化模型→動態(tài)模型→優(yōu)化模型，在建模過程中，要不斷地將下一階段中所得到的結(jié)果回饋，經(jīng)過多次循環(huán)往復(fù)，使整個模型逐步趨于完善。</p>&

48、lt;p>　　2.3 灰色GM（1，1）模型[11]</p><p>　　建立GM（1，1）模型的實(shí)質(zhì)是對原始數(shù)據(jù)做1次累加生成，使生成數(shù)據(jù)呈一定規(guī)律，通過建立微分方程模型，求得擬合曲線，用來對負(fù)荷進(jìn)行預(yù)測。</p><p><b>　　設(shè)有時間序列</b></p><p>　　對該數(shù)列進(jìn)行一階累加（1-AGO）生成新數(shù)據(jù)序列</p

49、><p><b>　　。</b></p><p>　　式中，k = 1,2,…n。</p><p>　　建立GM（1，1）模型的一階微分方程為：</p><p><b>　?。?-1）</b></p><p>　　式中：a、b為待求系數(shù)。</p><p>

50、　　可以利用最小二乘法求解：</p><p><b>　　（2-2）</b></p><p>　　其中： B= ； =</p><p>　　把所求得的系數(shù)a、b代入公式，然后求解微分方程，設(shè)，可得到灰色GM（1，1）預(yù)測模型為：</p><p><b>　?。?-3）</b>&

51、lt;/p><p>　　對上式進(jìn)行一階累減（1-IAGO）還原計算可得到原始數(shù)列的灰色GM（1，1）預(yù)測模型為：</p><p>　　。 （2-4）</p><p>　　再把式（2-1）代入上式可得：</p><p><b>　　，。</b></p><p

52、>　　為判別模型的精度，通常使用后驗(yàn)差檢驗(yàn)法：</p><p>　　設(shè) 。 （2-5）</p><p>　　，， （2-6）</p><p>　　， （2-7）</p>

53、<p>　　， （2-8）</p><p>　　令，若同時滿足c<0.35,p=≥0.95,那么就認(rèn)為預(yù)測模型滿足一級精度。</p><p>　　2.4 灰色理論的應(yīng)用實(shí)例</p><p>　　表2-1 無為供電公司1994- 2004年用電量數(shù)據(jù)</p><p>&l

54、t;b>　　由表格中數(shù)據(jù)可得：</b></p><p>　　=（13.4858， 15.6006， 15.8774，15.9948，16.0595，16.6058，17.2550，17.3603，17.6569） </p><p><b>　　對1-AGO，得：</b></p><p>　　=（13.4858,29.0864,

55、44.9638,60.9586,77.0181,93.6239,110.8789,</p><p>　　128.2392, 145.8959)</p><p>　　2) 對進(jìn)行光滑檢驗(yàn)。</p><p><b>　　由 可得：</b></p><p><b>　　=</b></p>&

56、lt;p><b>　　=</b></p><p><b>　　=</b></p><p>　　當(dāng)k>3時準(zhǔn)光滑條件滿足。</p><p>　　檢驗(yàn)是否具有準(zhǔn)指數(shù)規(guī)律。</p><p><b>　　由 ，得：</b></p><p><

57、b>　　=</b></p><p><b>　　=</b></p><p><b>　　=</b></p><p>　　當(dāng)k>3時，，準(zhǔn)指數(shù)規(guī)律滿足。</p><p>　　對做緊鄰均值生成，令</p><p><b>　　，</b>

58、;</p><p><b>　　得：</b></p><p>　　=（21.2861,37.0251,52.9612,68.9884,85.321,102.2514, 119.5591, 137.0667),</p><p>　　于是： B==， ==</p><p>　　對參數(shù)列進(jìn)行最小二乘估計，得</p

59、><p><b>　　=</b></p><p><b>　　確定模型</b></p><p><b>　　及時間響應(yīng)式：</b></p><p><b>　　=</b></p><p><b>　　=</b>&l

60、t;/p><p><b>　　求的模擬值</b></p><p><b>　?。?lt;/b></p><p>　　= (13.4858, 28.9149, 44.6605, 60.7289, 77.1269, 93.8612,</p><p>　　110.9386, 128.3662, 146.1513)&

61、lt;/p><p>　　8) 還原求出的模擬值。由</p><p><b>　　得:</b></p><p><b>　?。?lt;/b></p><p>　　=（13.4858, 15.4291, 15.7456, 16.0684, 16.398, 16.7343,</p><p>

62、　　17.0774, 17.4276, 17.7851）</p><p>　　表2-2 誤差檢驗(yàn)表</p><p><b>　　平均相對誤差：</b></p><p><b>　　=0.9263</b></p><p>　　圖2-1 處理數(shù)據(jù)與原數(shù)據(jù)比較圖</p><p>　

63、　圖2-1中直線代表模擬量，帶“*”的線代表實(shí)際數(shù)據(jù)。</p><p>　　圖2-2 處理數(shù)據(jù)與原數(shù)據(jù)的殘差</p><p>　　Matlab軟件與灰色預(yù)測[1][6][10]</p><p>　　MATLAB仿真軟件自1984年由美國的MathWorks公司推出以來，越來越引人注目，1993年后又相繼推出了MATLAB 4.x 、MATLAB 5.x 、MATLA

64、B 6.x 等基于Windows系統(tǒng)的版本，可以充分利用Windows系統(tǒng)資源。MATLAB現(xiàn)已成為國際上公認(rèn)的最優(yōu)秀的數(shù)值計算和仿真分析軟件，其軟件包的主要特點(diǎn)有：</p><p><b>　　編程效率高</b></p><p>　　它是一種面向科學(xué)與工程計算的高級語言，允許用數(shù)學(xué)形式的語言編寫程序，且比Basic 、Fortran 和C語言更加接近書寫計算公式的思

65、維方式，用MATLAB編寫程序猶如在演算紙上排列出公式與求解問題，因此，MATLAB語言也可通俗的稱為演算紙式科學(xué)算法語言。由于它編寫簡單，所以編程效率高，易學(xué)易懂。</p><p><b>　　用戶使用方便</b></p><p>　　MATLAB語言是一種解釋執(zhí)行的語言，他靈活、方便，其調(diào)試程序手段豐富，調(diào)試速度快，需要學(xué)習(xí)時間少。人們用任何一種語言編寫程序和調(diào)試

66、程序一般都要經(jīng)過4個步驟：編輯、編譯、連接以及執(zhí)行和調(diào)試。各個步驟之間是順序關(guān)系，編譯的過程就是在它們之間做瀑布型的循環(huán)。MATLAB語言與其他語言相比，把編輯、編譯、連接和執(zhí)行融為一體。它能在同一畫面上進(jìn)行靈活操作，快速排除輸入程序中的書寫錯誤、語法錯誤以及語意錯誤，從而加快了用戶編寫、修改和調(diào)試程序的速度。</p><p><b>　　擴(kuò)充能力強(qiáng)</b></p><p

67、>　　高版本的MATLAB語言有豐富的庫函數(shù)，在進(jìn)行復(fù)雜的數(shù)學(xué)運(yùn)算時可以直接調(diào)用，而且MATLAB的庫函數(shù)同用戶文件在形式上一樣，所以用戶文件也可作為MATLAB的庫函數(shù)來調(diào)用。因而，用戶可以根據(jù)自己需要方便地建立和擴(kuò)充新的庫函數(shù)，以便提高M(jìn)ATLAB使用效率和擴(kuò)充它的功能。</p><p><b>　　語句簡單，內(nèi)涵豐富</b></p><p>　　MATLA

68、B語言中最基本最重要的成分是函數(shù)，其一般形式為，即一個函數(shù)由函數(shù)名、輸入變量和輸出變量組成，同一函數(shù)名F，不同數(shù)目的輸入變量及不同數(shù)目的輸出變量，代表著不同的含義，這不僅使MATLAB的庫函數(shù)功能更豐富，又大大減少了需要的磁盤空間。</p><p>　　高效方便的矩陣和數(shù)組運(yùn)算</p><p>　　MATLAB語言像Basic、Fortran和C語言一樣規(guī)定了矩陣的算術(shù)運(yùn)算符、關(guān)系運(yùn)算符、

69、邏輯運(yùn)算符、條件運(yùn)算符及賦值運(yùn)算符，而且這些運(yùn)算符大部分可以毫無改變地照搬到數(shù)組間的運(yùn)算，另外，他不需要定義數(shù)組的維數(shù)，給出矩陣函數(shù)、特殊矩陣專門的庫函數(shù)，使之在求解諸如信號處理、建模、系統(tǒng)識別、控制、優(yōu)化等領(lǐng)域的問題時，顯得大為簡捷、高效、方便，這是其他高級語言所不能比擬的[6]。</p><p>　　方便的繪圖功能[9]</p><p>　　MATLAB的繪圖是十分方便的，它有一系列繪

70、圖函數(shù)，另外，在調(diào)用繪圖函數(shù)時調(diào)整自變量可繪出不變顏色的點(diǎn)、線、復(fù)線或多重線。</p><p>　　目前最高版本是Matlab7.0.1，在Matlab環(huán)境下可以進(jìn)行數(shù)值計算、符號計算，實(shí)現(xiàn)視圖建模仿真、文字處理、與硬件實(shí)時交互等功能。按其功能種類來劃分，Matlab大致具有五大功能：</p><p><b>　　1、數(shù)值計算功能</b></p><

71、;p>　　矩陣的創(chuàng)建和保存；數(shù)值矩陣的四則運(yùn)算；乘方運(yùn)算和各種分解；數(shù)組運(yùn)算；矩陣運(yùn)算；多項式和有理分式運(yùn)算；數(shù)據(jù)統(tǒng)計分析；數(shù)值差分和數(shù)值導(dǎo)數(shù)；數(shù)值積分和求解微分方程的數(shù)值解；微分方程的優(yōu)化等。</p><p><b>　　2、符號計算功能</b></p><p>　　符號計算有兩大特點(diǎn)：符號解析解和任意精度的數(shù)值解Matlab的符號計算借助符號工具箱(Symb

72、olic Toolbox)來實(shí)現(xiàn)。但只有在Matlab較高的版本后才有這種功能。</p><p>　　3、圖形和可視化功能</p><p>　　Matlab具有強(qiáng)大的圖形化功能和可視化功能，其功能函數(shù)種類全面而詳盡。“高級”功能圖形指令有：二維、三維曲線或三維曲面；圖形的標(biāo)志：坐標(biāo)軸的控制；圖形的疊加；三維視角和光照模式；色彩精確控制；“第四維”的表現(xiàn)力；動態(tài)軌跡和影片動畫?！暗图墶惫δ軋D

73、形指令，則可精確地控制圖形的任意對象(包括點(diǎn)、線、面等圖形對象)，使得操縱圖形更加得心應(yīng)手，使圖形表現(xiàn)更加仔細(xì)入微。</p><p><b>　　4、記事本功能</b></p><p>　　在Notebook(安裝Matlab結(jié)束時選擇安裝的軟件)環(huán)境中，用戶不僅擁有Word的全部文字處理功能，而且擁有Matlab的所有數(shù)值計算，符號處理和計算結(jié)果的可視能力，即Not

74、ebook=Word+Matlab。Notebook是以Word的字處理功能為前臺，Matlab的計算功能為后臺(即是隱藏的)，對于要執(zhí)行的操作，在后臺計算好后，把結(jié)果(包括數(shù)值結(jié)果、圖形等)返回到前臺的窗口中來。</p><p>　　5、可視化建模和仿真功能</p><p>　　SIMULINK為用戶提供了很方便的圖形化功能模塊，以便鏈接成一個模擬系統(tǒng)，簡化設(shè)計的流程，減輕設(shè)計負(fù)擔(dān)。同時

75、SIMULINK能夠用自身的語言或C，F(xiàn)ORTRAN語言，根據(jù)函數(shù)的標(biāo)準(zhǔn)格式，寫成用戶自定義的功能模塊。同時也能調(diào)用.dll文件類型的應(yīng)用程序，實(shí)現(xiàn)與其他軟件共享資源的目的。</p><p>　　Matlab基本程序有：</p><p>　　1) 一維數(shù)組的創(chuàng)建</p><p>　　逐個元素輸入法，這是最簡單，但也是最通用的構(gòu)造方法。</p><

76、p>　　2) 一維數(shù)組的子數(shù)組尋訪和賦值</p><p>　　rand(‘state’,0); ％把均勻分布偽隨機(jī)發(fā)生器量為0狀態(tài)</p><p>　　x=rand(1,5); ％產(chǎn)生(1*5)的均勻隨機(jī)數(shù)組</p><p>　　x(3); ％尋訪數(shù)組x的第三個元素</p><p>　　x([1 2 5]);

77、％尋訪數(shù)組x的第一、二、五個元家組成的于數(shù)組</p><p>　　x(1:3); ％尋訪前三個元素組成的子數(shù)組</p><p>　　x(3:end); ％尋訪除前2個元素外的全部其他元素。end是最后一個元素的下標(biāo)</p><p>　　x(3:-1:1); ％由前三個元素倒排構(gòu)成的子數(shù)組</p><p>　

78、　x(find(x>0.5)); ％由大于0.5的元素構(gòu)成的子數(shù)組</p><p>　　x([1 2 3 4 4 3 2 1]); </p><p>　?。υ乜梢灾貜?fù)尋訪，使所得數(shù)組長度允許大于原數(shù)組</p><p>　　3) 執(zhí)行數(shù)組運(yùn)算的常用函數(shù)</p><p>　　表2-3 三角函數(shù)和雙曲函數(shù)指令表</p>

79、<p>　　表2-4 指數(shù)函數(shù)指令表</p><p>　　表2-5 復(fù)數(shù)函數(shù)指令表</p><p>　　表2-6 圓整函數(shù)和求余函數(shù)和指令表</p><p>　　表2-7 坐標(biāo)變換函數(shù)指令表</p><p>　　4) 標(biāo)準(zhǔn)數(shù)組生成函數(shù)</p><p>　　表2-8 標(biāo)準(zhǔn)數(shù)組生成函數(shù)指令表</p>

80、<p><b>　　5) 數(shù)組操作函數(shù)</b></p><p>　　表2-9 數(shù)組操作函數(shù)指令表</p><p><b>　　第3章 神經(jīng)網(wǎng)絡(luò)</b></p><p>　　人腦是一部不尋常的智能機(jī)，他能以驚人的高速度解釋感覺器官傳來的含糊不清的信息。他能覺察到喧鬧房間內(nèi)的竊竊私語，能夠識別出光線暗淡的胡同中的

81、一張面孔，更能通過不斷地學(xué)習(xí)而產(chǎn)生偉大的創(chuàng)造力。古今中外，許許多多科學(xué)家為了揭開大腦機(jī)能的奧秘，從不同的角度進(jìn)行著長期的不懈努力和探索，逐漸形成了一個多學(xué)科交叉的前沿技術(shù)領(lǐng)域——神經(jīng)網(wǎng)絡(luò)（Neural Network）。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺（模式、語音識別、非結(jié)構(gòu)化處理方面）的缺陷，使之在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預(yù)測等

82、領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)與其他傳統(tǒng)方法相結(jié)合，將推動人工智能和信息處理技術(shù)不斷發(fā)展。近年來，人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認(rèn)知的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進(jìn)化機(jī)制等結(jié)合，形成計算智能，成為人工智能的一個重要方向，在實(shí)際應(yīng)用中得到發(fā)展。</p><p>　　使用神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)是能夠自適應(yīng)樣本數(shù)據(jù)，當(dāng)數(shù)據(jù)中有噪聲、形變和非線性時，他也能夠正常地工作，很容易繼承現(xiàn)有的領(lǐng)域知識，使用靈活，能夠處理來自

83、多個資源和決策系統(tǒng)的數(shù)據(jù)；提供簡單工具進(jìn)行自動特征選取，產(chǎn)生有用的數(shù)據(jù)表示，可作為專家系統(tǒng)的前端（預(yù)處理器）。此外，神經(jīng)網(wǎng)絡(luò)還能提供十分快的優(yōu)化過程，尤其以硬件直接實(shí)現(xiàn)網(wǎng)絡(luò)時，而且可以加速聯(lián)機(jī)應(yīng)用程序的運(yùn)行速度[15][16][19]。當(dāng)然，過分夸大神經(jīng)網(wǎng)絡(luò)的應(yīng)用能力也是不恰當(dāng)?shù)?，畢竟它不是無所不能的。這就需要在實(shí)際工作中具體分析問題，合理選擇。</p><p>　　3.1 人工神經(jīng)元模型</p>

84、<p>　　生物神經(jīng)元經(jīng)抽象化后，可得到一種人工神經(jīng)元模型。它有三個基本要素：</p><p><b>　　連接權(quán)</b></p><p>　　連接權(quán)對應(yīng)于生物神經(jīng)元的突觸，各個人工神經(jīng)元之間的連接強(qiáng)度由連接權(quán)的權(quán)值表示，權(quán)值為正表示激活，為負(fù)表示抑制。</p><p><b>　　求和單元</b></p&

85、gt;<p>　　求和單元用于求取各輸入信號的加權(quán)和（線性組合）。</p><p><b>　　3）激活函數(shù)</b></p><p>　　激活函數(shù)起非線性映射作用，并將人工神經(jīng)元輸出幅度限制在一定范圍內(nèi)，一般限制在（0，1）或（-1，1）之間。激活函數(shù)也稱傳輸函數(shù)。</p><p>　　此外，還有一個閾值（或偏值）</p&g

86、t;<p>　　以上作用可分別用數(shù)學(xué)式表達(dá)出來，即</p><p>　　， （3-1）</p><p>　　， （3-2） </p><p>　　， （3-3）</p><p>　　式中，為輸

87、入信號，它相當(dāng)于生物神經(jīng)元的樹突，為人工神經(jīng)元的輸入信息；為神經(jīng)元k的權(quán)值；為線性組合結(jié)果；為閾值：為激活函數(shù)；為神經(jīng)元k的輸出，它相當(dāng)于生物神經(jīng)元的軸突，為人工神經(jīng)元的輸出信息。</p><p><b>　　BP神經(jīng)網(wǎng)絡(luò)</b></p><p>　　1986年，D.E.Rumelhart和J.L.McClelland提出了一種利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，簡稱

88、BP（Back propagation）網(wǎng)絡(luò)，是一種有隱含層的多層前饋網(wǎng)絡(luò)，系統(tǒng)地解決了多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題。</p><p>　　如果網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為M、輸出節(jié)點(diǎn)數(shù)為L，則此神經(jīng)網(wǎng)絡(luò)可看成是從M維歐氏空間到L維歐氏空間的映射。這種映射是高度非線性的，其主要用于：</p><p>　　模式識別與分類：用于語言、文字、圖像的識別，醫(yī)學(xué)特征的分類和診斷等。</p>

89、<p>　　函數(shù)逼近：用于非線性控制系統(tǒng)的建模、機(jī)器人的軌跡控制及其他工業(yè)控制等。</p><p>　　數(shù)據(jù)壓縮：用于編碼壓縮和恢復(fù)，圖像數(shù)據(jù)的壓縮和存儲以及圖像特征的抽取等。</p><p>　　BP學(xué)習(xí)算法的基本原理是梯度最速下降法，他的中心思想是調(diào)整權(quán)值使網(wǎng)絡(luò)總誤差最小。也就是采用梯度搜索技術(shù)，以期使用網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小。網(wǎng)絡(luò)學(xué)習(xí)過程是一種誤差

90、邊向后傳播邊修正權(quán)系數(shù)的過程。</p><p>　　多層網(wǎng)絡(luò)運(yùn)用BP學(xué)習(xí)算法時，實(shí)際上包括了正向和反向傳播兩個階段。在正向傳播的過程中，輸入信息從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望輸出，則轉(zhuǎn)入反向傳播，將誤差信號沿原來的連接通道返回，通過修改各層神經(jīng)元的權(quán)值，使誤差信號最小[10][13][17]。</p><p>　

91、　將上一層節(jié)點(diǎn)的輸出傳送到下一層時，通過調(diào)整連接權(quán)系數(shù)來達(dá)到增強(qiáng)或削弱這些輸出的作用。除了輸入層的節(jié)點(diǎn)外，隱含層和輸出層節(jié)點(diǎn)的凈輸入是前一層節(jié)點(diǎn)輸出的加權(quán)和。每個節(jié)點(diǎn)的激活程度由他的輸入信號、激活函數(shù)和節(jié)點(diǎn)的偏值（或閾值）來決定。但對于輸入層，輸入模式送到輸入層節(jié)點(diǎn)上，這一層節(jié)點(diǎn)的輸出即等于其輸入。注意，這種網(wǎng)絡(luò)沒有反饋存在，實(shí)際運(yùn)行仍是單向的，所以不能將其看成是一非線性動力學(xué)系統(tǒng)，而只是一種非線性映射關(guān)系。具有隱含層BP網(wǎng)絡(luò)的結(jié)構(gòu)，如

92、圖3-1所示，圖中設(shè)有M個輸入點(diǎn)，L個輸出節(jié)點(diǎn)，網(wǎng)絡(luò)的隱含層共有q個神經(jīng)元。</p><p>　　輸入層 隱含層 輸出層</p><p>　　圖3-1 BP模型結(jié)構(gòu)</p><p>　　BP網(wǎng)絡(luò)結(jié)構(gòu)與多層感知機(jī)結(jié)構(gòu)圖相比，二者是類似的，但差異也是顯著的。首先，多層感知機(jī)結(jié)構(gòu)中只有一層權(quán)值可調(diào)，其他各層權(quán)值是固定的、不可學(xué)習(xí)的；BP網(wǎng)絡(luò)的

93、每一層連接權(quán)值都可通過學(xué)習(xí)來調(diào)節(jié)。其次，感知機(jī)結(jié)構(gòu)中的處理單元為二進(jìn)制的0或1；而BP網(wǎng)絡(luò)的基本處理單元（輸入層除外）為非線性的輸入輸出關(guān)系，一般選用S型函數(shù)。</p><p>　　1）BP網(wǎng)絡(luò)的前饋計算</p><p>　　在訓(xùn)練網(wǎng)絡(luò)的學(xué)習(xí)階段，設(shè)有N個訓(xùn)練樣本，先假定用其中的某一個樣本p的輸入/輸出模式對｛｝和｛｝對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，隱含層的第i個神經(jīng)元在樣本p作用下的輸入為</p&

94、gt;<p>　?。╥=1,2,…,q） （3-4）</p><p>　　式中，和分別為輸入節(jié)點(diǎn)j在樣本p作用時的輸入和輸出，對輸入節(jié)點(diǎn)而言兩者相當(dāng)；為輸入層神經(jīng)元j與隱含層神經(jīng)元i之間的連接權(quán)值；為隱含層神經(jīng)元i的閾值；M為輸入層的節(jié)點(diǎn)數(shù)，即輸入的個數(shù)</p><p>　　隱含層第i個神經(jīng)元的輸出為</p><p>　?。╥=1

95、,2,…,q） （3-5）</p><p><b>　　式中，為激活函數(shù)。</b></p><p>　　隱含層激活函數(shù)的微分函數(shù)為</p><p>　?。╥=1,2,…,q） （3-6）</p><p>　　隱含層第i個神經(jīng)元的輸出將通過權(quán)系數(shù)向前傳播到輸出層第k個神經(jīng)元并作為

96、它的輸入之一，而輸出層第k個神經(jīng)元的總輸入為</p><p>　?。╧=1,2,…,L） （3-7）</p><p>　　式中，為隱含層神經(jīng)元i與輸出層神經(jīng)元k之間的連接權(quán)值；為輸出層神經(jīng)元k的閾值；q為隱含層的節(jié)點(diǎn)數(shù)。</p><p>　　輸出層的第k 個神經(jīng)元的實(shí)際輸出為：</p><p>　　（k=1,2,…

97、,L） （3-8）</p><p>　　輸出層激活函數(shù)的微分函數(shù)為 </p><p>　　（k=1,2,…,L）</p><p>　　若其輸出與給定模式對的期望輸出不一致，則將其誤差信號從輸出端反向傳播回來，并在傳播過程中對加權(quán)系數(shù)不斷修正，直到在輸出層神經(jīng)元上得到所需要的期望輸出值為止。對樣本p完成網(wǎng)絡(luò)權(quán)系數(shù)的調(diào)整后，再送入

98、另一樣本模式對進(jìn)行類似學(xué)習(xí)，直到完成N個樣本的訓(xùn)練學(xué)習(xí)為止。 </p><p>　　BP網(wǎng)絡(luò)學(xué)習(xí)算法的計算步驟：</p><p>　　初始化：置所有的加權(quán)系數(shù)為最小的隨機(jī)數(shù)；</p><p>　　提供訓(xùn)練集：給出順序賦值的輸入向量和期望的輸出向量；</p><p>　　計算實(shí)際輸出：計算出隱含層、輸出層各神經(jīng)元的輸出；</p>

99、<p>　　計算期望值與實(shí)際輸出的誤差；</p><p>　　調(diào)整輸出層的加權(quán)系數(shù)；</p><p>　　調(diào)整隱含層的加權(quán)系數(shù)；</p><p>　　返回到（3）步，直到誤差滿足要求為止。</p><p>　　使用BP算法時應(yīng)注意的幾個問題</p><p>　　學(xué)習(xí)速率的選擇非常重要。在學(xué)習(xí)初始階段，選得大些

100、可使學(xué)習(xí)速度加快，但當(dāng)臨近最佳點(diǎn)時，必須相當(dāng)??；否則，加權(quán)系數(shù)將產(chǎn)生反復(fù)振蕩而不能收斂。采用變學(xué)習(xí)速率方案，令學(xué)習(xí)速率隨學(xué)習(xí)的進(jìn)展而逐步減小，可收到較好的效果。引入慣性系數(shù)的辦法，也可使收斂速度加快，的取值可選在0.9左右。</p><p>　　采用S型激活函數(shù)式，由于輸出層各神經(jīng)元的理想輸出值只能接近于1或0，而不能達(dá)到1或0。因此在設(shè)置各訓(xùn)練樣本的期望輸出分量時，不能設(shè)置為1或0，以設(shè)置為0.9或0.1較為適

101、宜。</p><p>　　S型非線性激活函數(shù)隨著的增大梯度下降，即減小并趨于0，不利于權(quán)值的調(diào)整，因此希望工作在較小的區(qū)域，故應(yīng)考慮網(wǎng)絡(luò)的輸入。若實(shí)際問題給于網(wǎng)絡(luò)的輸入量較大，需做歸一化處理，網(wǎng)絡(luò)的輸出也要進(jìn)行相應(yīng)的處理。對于具體問題，需經(jīng)調(diào)試而定，且需經(jīng)驗(yàn)知識的積累。</p><p>　　學(xué)習(xí)開始時如何設(shè)置加權(quán)系數(shù)和的初值非常重要，如將所有初值設(shè)置為相等值，所有隱含層加權(quán)系數(shù)的調(diào)整量相同

102、，從而使這些加權(quán)系數(shù)總相等，因此各加權(quán)系數(shù)的初值以設(shè)置為隨機(jī)數(shù)為宜。</p><p>　　BP網(wǎng)絡(luò)的另一個問題是學(xué)習(xí)過程中的系統(tǒng)可能陷入某個局部最小值，或某些靜態(tài)點(diǎn)，或在這些點(diǎn)之間振蕩。在這種情況下，不管進(jìn)行多少次迭代，系統(tǒng)都存在很大誤差。因此，在學(xué)習(xí)過程中，應(yīng)盡量避免落入某些局部最小值點(diǎn)上，引入慣性項有可能使網(wǎng)絡(luò)避免落入某一局部最小值。</p><p>　　BP網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)<

103、/p><p>　　BP網(wǎng)絡(luò)總括起來，具有以下主要優(yōu)點(diǎn)：</p><p>　　只要有足夠多的隱含層和隱節(jié)點(diǎn)，BP網(wǎng)絡(luò)可以逼近任意的非線性映射關(guān)系；</p><p>　　BP網(wǎng)絡(luò)的學(xué)習(xí)算法屬于全局逼近的方法，因而它具有較好的泛化能力。</p><p><b>　　它的主要缺點(diǎn)是：</b></p><p>

104、<b>　　收斂速度慢；</b></p><p><b>　　局部極值；</b></p><p>　　難以確定隱含層和隱節(jié)點(diǎn)的個數(shù)。</p><p>　　從原理上講，只要有足夠多的隱含層和隱節(jié)點(diǎn)，即可實(shí)現(xiàn)復(fù)雜的映射關(guān)系，但是如何根據(jù)特定的問題來具體確定網(wǎng)絡(luò)的結(jié)構(gòu)尚無很好的方法，仍需要憑借經(jīng)驗(yàn)和試湊。</p>

105、<p>　　BP網(wǎng)絡(luò)能夠?qū)崿F(xiàn)輸入輸出的非線性映射關(guān)系，但它并不依賴模型。其輸入與輸出之間的關(guān)聯(lián)信息發(fā)布在存儲于連接權(quán)中。由于連接權(quán)的個數(shù)很多，個別神經(jīng)元的損壞輸入輸出關(guān)系有較小的影響，因此BP網(wǎng)絡(luò)顯示了較好的容錯性。</p><p>　　BP網(wǎng)絡(luò)由于其很好的逼近非線性映射的能力，因而它可應(yīng)用于信息處理、圖像識別、模型辨識、系統(tǒng)控制等多個方面。對于控制方面的應(yīng)用，其很好的逼近特性和泛化能力是一個優(yōu)點(diǎn)。而收

106、斂速度慢卻是一個很大的缺點(diǎn)，這一點(diǎn)難以滿足具有適應(yīng)功能的實(shí)時控制的要求，它影響了該網(wǎng)絡(luò)在許多方面的實(shí)際應(yīng)用。為此，許多人對BP網(wǎng)絡(luò)的學(xué)習(xí)算法進(jìn)行了廣泛的研究，提出了許多改進(jìn)的算法，下面介紹典型的幾種：</p><p><b>　　引入慣性項</b></p><p><b>　　引入動量項</b></p><p><b

107、>　　變步長法</b></p><p><b>　　變尺度法</b></p><p>　　5）BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建</p><p>　　指令格式：net = newff</p><p>　　net = newff(PR,[S1 S2 …SN],{TF1 TF2…TFN},BTF,BLF,PF)</p

108、><p>　　參數(shù)意義：PR 輸入向量的取值范圍。</p><p>　　Si 第i 層的神經(jīng)元個數(shù)，總共N層。</p><p>　　Tfi 第i 層的傳遞函數(shù)，缺省值為“tansig”。</p><p>　　BTF BP網(wǎng)絡(luò)訓(xùn)練函數(shù)，缺省值為“trainlm” 。</p><p>　　BL

109、F BP網(wǎng)絡(luò)權(quán)值和閾值的學(xué)習(xí)函數(shù)，缺省值為“l(fā)earngdm” 。</p><p>　　PF 性能函數(shù)，缺省值為“mse” 。</p><p>　　執(zhí)行結(jié)果：創(chuàng)建一個N層的BP神經(jīng)網(wǎng)絡(luò)。</p><p>　　Tfi的值可以是任何的可微函數(shù)，比如logsig、purelind等。BTF的值還可以選擇trainbfg、traingd、trainrp等。

110、而它的缺省值之所以選擇trainlm，是因?yàn)樵撍惴ň哂蟹浅？斓挠?xùn)練速度，但是它會占用很大的內(nèi)存。</p><p>　　6）BP神經(jīng)網(wǎng)絡(luò)的仿真與訓(xùn)練</p><p>　　BP神經(jīng)網(wǎng)絡(luò)的仿真仍然使用函數(shù)sim( )，而且對于高維的多個輸入，可以使用該函數(shù)方便地得到網(wǎng)絡(luò)的仿真結(jié)果。</p><p>　　當(dāng)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值初始化以后，就可以對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在訓(xùn)練的過程中

111、，網(wǎng)絡(luò)的權(quán)值和閾值反復(fù)地調(diào)整，以減少網(wǎng)絡(luò)性能函數(shù)net.performFcn的值，直到達(dá)到預(yù)先的要求。</p><p>　　BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練同樣可以使用函數(shù)train( )和adapt( )。函數(shù)train( )是通過調(diào)用參數(shù)net.trainFcn設(shè)定的訓(xùn)練函數(shù)來實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的，而且訓(xùn)練的方式由參數(shù)net.trainParam的值來確定。而函數(shù)adapt( )是通過調(diào)用參數(shù)net.adaptFcn設(shè)定的訓(xùn)練函

112、數(shù)來實(shí)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的，訓(xùn)練的方式由參數(shù)net.adaptParam的值確定。</p><p>　　在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法中，都是通過計算性能函數(shù)的梯度，再沿負(fù)梯度方向調(diào)整權(quán)值和閾值，從而使性能函數(shù)達(dá)到最小。</p><p>　　梯度下降算法有兩種模式，遞增模式和批處模式。在遞增模式中，當(dāng)每個樣本輸入應(yīng)用于網(wǎng)絡(luò)之后，就對網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行調(diào)整。而在批處理模式中，只有當(dāng)所有的樣本輸入都應(yīng)用于

113、網(wǎng)絡(luò)之后，網(wǎng)絡(luò)的權(quán)值和閾值才會得到調(diào)整。</p><p>　　3.3 人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用</p><p>　　隨著理論的發(fā)展，面對眾多的電力系統(tǒng)難題，電力科技工作者開始把目光轉(zhuǎn)向ANN理論，并已獲得了一些初步成果。研究的主要領(lǐng)域有：</p><p>　　1．靜態(tài)和動態(tài)安全分析</p><p>　　隨著電力系統(tǒng)規(guī)模的不斷擴(kuò)大，實(shí)時的

114、靜態(tài)和動態(tài)安全分析的重要性和困難也隨之增加，雖已提出許多措施來解決這一難題，但效果不是很理想。用模式識別原理來解決這一問題雖取得了不少成果，但其樣本集的合理選取以及如何保證足夠的訓(xùn)練精度還沒有廣泛適用的有效方法。因?yàn)闃颖炯枰ㄏ到y(tǒng)中有代表性的可能的運(yùn)行情況，而隨著系統(tǒng)規(guī)模的擴(kuò)大，樣本集的規(guī)模呈指數(shù)增長，存在著組合爆炸問題。雖然ANN的原理與模式識別法類似，但由于ANN的BP模型可以模擬任意復(fù)雜的非線性關(guān)系，從而可以較好地解決訓(xùn)練精度