电力系统负荷预测毕业答辩PPT.ppt 27页

'1负荷预测的分类超短期短期中期长期未来1小时内的负荷预测。未来24小时的日负荷预测和未来168小时的周负荷预测未来一年之内的用电负荷预测，指月至年的负荷预测指未来3～5年甚至更长时间段内的负荷预测负荷预测研究背景 2负荷预测的目的和意义超短期：安全监视状态下：5～10s或1～5min的预测值预防性控制和紧急状态：10min至1h的预测值短期：确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等中期：确定机组运行方式和设备大修计划等长期：电网改造和扩建工作的远景规划本次设计主要研究短期负荷预测 设计主体工作：建立BP神经网络模型，根据算法流程编写程序运用最小二乘法进行预测两种模型的预测值精度对比运用附加动量法对标准BP网络进行改进 人工神经网络设计思路从人工神经网络的优点来阐述为什么选择人工神经网络标准BP算法介绍及程序设计流程图BP神经网络的设计输入输出变量选择网络结构的确定传输函数的选取初始权值的选取学习数率的选取数据的归一化 1人工神经网络优点不需要显式的数学公式，能以任意精度逼近任意非线性过程对不完整的信息敏感性很低，具有很强的容错性具有很强的自适应能力能够同时处理定量、定性知识相对传统方法其具有更大的优势 2BP算法介绍2.1信息正向传递隐含层第i个神经元的输出：输出层第k个神经元的输出：定义误差函数为： 运用实际输出与目标矢量的误差对输出权值求导，连续不断相对斜率下降的方向上计算权值和偏差的变化来逼近目标，每次权值和误差的变化都与误差的影响成正比（1）输出层的权值变化：（2）隐含层的权值变化：2.2利用梯度下降法求权值变化及误差反向传播 3程序设计流程图 神经网络单元层节点描述输入层预测日前12天第i小时的负荷值（i=1,2，…,24）输出层预测日第i小时的负荷值（i=1,2，…,24）(1)输入输出变量选择把第13天和第14天作为预测日4BP神经网络的设计 隐层个数利用试凑法。通过构建的多个BP网络，仅隐含层神经元个数不同，比较得出隐含层为7。输入层为12，输出层为1。(2)网络结构的确定 (3)传输函数的选取隐含层的激活函数选用对数S型函数输出层的激活函数采用线性函数S型函数线性函数 (4)初始权值的选取初始值对于是否达到局部最小、是否能够收敛以及训练时间的长短关系很大(5)学习数率的选取学习数率的选取范围为0.01到0.8之间本次选取学习数率为0.05，系统稳定且收敛较快为了保证随机选取的初始权值足够小，在随机数rand前乘以0.1 (6)数据的归一化为了避免神经网络训练过程中出现饱和现象，进行归一化处理可以加速神经网络的收敛。本次设计隐含层激活函数取Sigmoid函数，故需要将负荷换算到[-1,1]之间。 最小二乘法的设计为了与BP神经网络模型进行对比，运用多项式拟合对负荷进行预测从几何意义上讲，就是寻求曲线与给定点的距离平方和为最小。现求多项式使得也就是求I的极值问题即 多项式的选择由图得出，该次负荷预测选用三次多项式的拟合度最好，即通过正规方程组求出从而得到三次多项式 拟合精度分析拟合精度以剩余标准差、相关系数、离散系数加以分析1剩余标准差：剩余标准差越小，说明预测曲线与实际曲线相关程度越高。Q为剩余平方和，拟合值与实际值之差的平方和为自由度2相关系数：为总离差平方和，拟合值与实际值平均值之差的平方和R的值越接近于1，表明曲线拟合的效果越好，相关行越强。3离散系数：离散系数越小，表明拟合程度越好。 两种模型对比最小二乘法有很多点都偏离实际负荷曲线有一定的距离没有达到很好的拟合标准BP神经网络基本与实际负荷曲线吻合以第13天的预测值为例1预测值与实际值对比 标准BP神经网络误差平稳性更高，受负荷本身浮动基本无影响具有更高的精度，与实际负荷曲线拟合上更具优势2绝对和相对误差对比绝对误差相对误差 3拟合精度结果对比预测日标准BP神经网络最小二乘法剩余标准差相关系数离散系数剩余标准差相关系数离散系数第13天0.27240.99940.01131.28040.97480.0533第14天0.26910.99910.01301.39730.95090.0673 由表格得出：BP神经网络的剩余标准差仅为最小二乘法的21.3%，相关程度更好，拟合精度更高。BP神经网络的相关系数更接近于1，曲线的拟合的效果更好，相关性更强。BP神经网络的离散系数明显小于最小二乘法，拟合程度优于最小二乘法。 4训练时间对比两种模型各取10次训练时间平均值预测方法训练时间最小二乘法0.12904标准BP神经网络0.49423神经虽然在精度上有很大优势，但训练时间较慢 1标准BP算法的缺点学习效率低，收敛速度慢网络结构选择不一容易陷入局部最小值附加动量法 附加动量法在修正其权值时不仅考虑误差在梯度上的作用，而且考虑在误差曲面上的变化趋势的影响，没有附加动量的作用下，网络可能陷入浅的局部最小值当网络权值进入误差曲面底部的平坦区时，可以防止反映以前积累的调整经验，起了阻尼作用，减小振荡趋势，提高训练速度。2附加动量法原理 其权值调节公式为：在标准算法的基础上，在每一个权值的变化上加上一项正比于前次权值变化量的值 3改进后网络结果分析预测方法循环次数标准BP神经网络65附加动量神经网络62本次设计中模型本身没有陷入局部最小值，但以更小的循环次数达到预定的精度目标，提高了训练速度 结论构建了基于BP神经网络电力负荷预测模型，针对BP网络模型建立中的网络结构的确定、学习数率的选择、初始权值及归一化处理等相关问题进行分析。运用最小二乘法建立的模型进行对比，通过绝对误差、相对误差、拟合精度和训练时间的分析对比，得出标准BP神经网络在精度上有很大优势但训练速度较慢。针对标准BP神经网络缺点提出附加动量的方法，对标准BP神经网络进行修改，以避免网络陷入局部最小化并提高训练速度。 谢谢!'