基于RBF神经网络的短期负荷预测
本科毕业设计（论文）
基于RBF神经网络的短期负荷预测
学院自动化学院
专业电气工程及其自动化__
_（电力系统自动化方向）
年级班别 2007级（3）班
学号 3107001208
学生姓名郭祝帆
指导教师彭显刚
2011年 5 月
基于RBF 神经网络的短期负荷预测
郭祝帆
自动化学院
摘要
电力系统负荷预测的水平已成为衡量电力系统运行管理现代化的标志之一。精确的短期负荷预测，对电力系统的生产安排、经济调度和安全分析都起着十分重要的作用，也直接影响着电力企业的经济效益。因此，短期负荷预测结果成为制定电力市场交易计划的重要依据，这就对短期负荷预测提出了更高的要求。
由于常规算法不能较好地反映气象条件等外界因素对负荷的影响，而近年来人工神经网络法等智能算法具有高度的非线性映射能力，可以较好地考虑气象条件等因素对电网负荷的影响，所以本文采用了基于RBF(Radial Basis Function)神经网络的电力系统短期负荷预测方法。该模型训练速度快，收敛性好，而且可以大大地减少隐含层神经元的数目，有效地提高了预测精度。
本文在分析了目前短期电力负荷预测的现状及各种预测方法、预测模型的基础上，根据电力负荷特性的变化规律，通过对河源地区的历史负荷数据分析，考虑了日期类型、温度、天气状况等影响负荷预测的因素，结合神经网络的预测算法，建立RBF神经网络的短期负荷预测数学模型，并在此基础上，利用面向对象的编程方法实现短期负荷预测程序。
本文讨论了影响负荷的各种因素，在输入变量中考虑临近日负荷特点，以及各种气象因素，对输入负荷值进行归一化处理，对温度、天气和日期等因素进行了量化处理。利用河源地区的历史负荷数据比较未含天气因素的神经网络和具有天气因素的神经网络的预测效果，根据本文所介绍的方法编程，其结果表明预测精度是符合要求的，从而说明了该方法的可行性和实用性。
关键词：短期负荷预测，RBF神经网络，编程
Abstract
The level of load forecasting is one of the measures of modernization of Power system management. Accurate short-term load forecasting plays an important role for planning, economical scheduling and security analysis in production, which directly influences the profit of the electric utility enterprises. Therefore, short-term load forecasting reseult become importance basis of drawing up the electric power market bargain plan. So these put short-term load forecasting forward a higher request.
The normal calculate way can not reflect goodly weather condition and other outside factors to the influence for load forecasting. In recent years, the artificial neural network method etc have height nonlinear to reflect the ability of shoot, can reflect goodly the weather factor etc. So this paper presents a short-term load forecast method based on RBF(Radial Basic Function) neural network for power system. This model speeds rapidly,improves convergence property in training process and the number of neurons in the hidden layer can be significantly decreased. So the forecasting accuracy can be increased effectively.
This text analyze the present condition and various methods and mathematics model of the short-term load forecasting. According to the rule of change of load characteristic, the RBF models for the short-term load forecasting are proposed by combining the artificial neural networks and electric load characteristics on HeYuan Power Markets, after calculating the factors such as date type, temperature,weather status etc which influencing the load forecasting. Based on the models, the load forecasting software has programmed by Object Oriented method.
This thesis analyzes every kind of factor which impacts load. In its input features, the load characteristic of neat days every kind of weather factors that considered. Then we unify the input variables, quantify the temperature, weather and date etc. The forecasting accuracy of neural networks models including climate factors and no those factors is compared by the load data from HeYuan. The testing results illustrate that the forecasting accuracy is satisfactory, accordingly it shows the validity and practicability of the method.
Keywords: Neural network, RBF, Short-term load forecasting
目录
1 绪论 (1)
1．1课题研究的背景 (1)
1．2国内外负荷预测的研究现状 (2)
1．3本课题研究的意义 (5)
1．4本课题的主要工作 (6)
2 电力负荷预测概述 (7)
2.1 负荷预测的概念和原理 (7)
2.1.1 负荷预测的概念 (7)
2.1.2 负荷预测的基本原理 (7)
2.2 电力负荷预测的分类 (8)
2.3 负荷预测的步骤 (10)
2.4 电力负荷的特性分析 (11)
2.4.1 负荷的周期性 (11)
2.4.2 负荷的随机性 (12)
2.4.3 负荷的影响因素分析 (12)
2.5 影响负荷预测的因素及误差分析 (14)
2.5.1 影响负荷预测的主要因素 (14)
2.5.2 负荷预测的误差分析 (14)
2.6 本章小结 (16)
3 RBF神经网络及其结构分析 (17)
3.1 人工神经网络的基本概念 (17)
3.2 RBF神经网络 (18)
3.2.1 RBF神经网络的结构 (18)
3.2.2 RBF神经网络的具体实现 (19)
3.2.3 RBF神经网络的学习算法 (21)
3.3 RBF神经网络与BP网络的比较 (24)
3.3.1 BP网络存在的问题 (24)
3.3.2 RBF网络与BP网络之间的差别 (25)
3.4 本章小结 (25)
4 基于RBF神经网络的短期负荷预测实例分析 (26)
4.1 RBF神经网络的建立 (26)
4.2 RBF神经网络的训练 (27)
4.2.1 样本的选取 (27)
4.2.2 数据预处理 (28)
4.2.3 神经网络输入数据的归一化处理 (29)
4.3 短期负荷预测结果与分析 (30)
4.4 本章小结 (35)
结论 (36)
参考文献 (37)
致谢 (39)
1 绪论
1．1课题研究的背景
电力系统是一个大面积分布的复杂系统，电力系统调度的主要任务是控制整个电力系统的运行方式，使之能够保证供电的优良质量，保证系统的经济运行，保证系统具有较高的安全水平，并提供有力的事故处理能力等。负荷预测是电力系统管理现代化的重要内容之一，是对发电、输电和电能分配等合理安排的必要前提。
电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来特定时刻的负荷数据。它的重要意义可以归纳为以下几个方面：
1、短期负荷预测是电力系统优化调度的基础。准确的短期负荷预测是电网调度机构制定发供电计划、合理安排机组启停和做好电网供需平衡的关键。有助于运行人员估计电能的生产、输送、分配和消费各个环节的情况，制定出合理的运行方案，确保电网和机组的安全、稳定、经济运行。以短期负荷预测和在线实时负荷预报为依据，系统才能有计划地安排旋转备用和不同网问可能实现的功率交换，这是决定系统供电安全水平的重要因素。
2、在电力市场条件下，短期负荷预测不再是纯技术性的问题，它应当是一个技术性与经济性相结合的问题。同时也不再仅仅是能量管理系统(EMS)的一部分，它是电力市场制定各种计划的重要依据。对于发电单位，短期负荷预测是制定发电计划和报价的依据；对供电部门，短期负荷预测为供电方制定购电计划提供依据；对输电单位，短期负荷预测也是制定发电计划及安全、可靠、经济运行的基础。
3、对电力系统来说，必须对用户提供可靠而经济的电能，以满足用户的负荷需求，而另一方面，在确保系统安全的情况下尽量减少实时发电备用容量。精确的负荷预测，可以使电力企业经济地安排机组生产；利用精确的负荷预测对水电系统可以确定最优的水库放水和机组投产计划；对火电系统而言，可以确定机组按最经济地组合起停生产；对水火电结合的系统，可确定系统按最经济的状态进行水电火电分配；对联网的系统，精确的负荷预测不但决定系统按最经济的线路进行电能传输，还可决定系统按最经济的
形式向邻网输电和购电。
4、为用户提供安全、可靠、经济、优质的电能是电网运营企业的首要目标，如果电网运营商没有按规定完成网供电量、负荷预测和低谷电量比三大指标。准确的负荷预测就使得电网运营企业可以在电力市场中以较便宜的电价购电。
1．2国内外负荷预测的研究现状
随着世界电力市场的不断发展，负荷预测在各国越来越受到了人们的重视。曾有人对近二十年来在IEEE Trans.、Proc.Inst.Elctr.eng.、Electr.Power Energy Syst.和Electr Power Syst.Res.等刊物上发表的文章进行过统计，结果发现，人们对负荷预测的兴趣，从70年代初开始，呈现出逐步上升的趋势。到了80年代，由于能源紧张造成的对负荷科学管理的迫切要求以及对准确和适应性强的负荷预测模型的渴望，使得负荷预测的重视程度越来越高。90年代，随着世界各国电力市场的发展，负荷预测受到人们更广泛的关注。
在我国，随着国民经济的高速发展和人民生活水平的不断提高，电力已成为国民经济建设和人民生活中必不可少的重要能源，电网管理的日趋现代化，使得负荷预测越发引起人们的重视。
短期负荷预测技术的发展是从离线分析到在线应用逐步发展的过程，也是从过分依赖于调度员的运行经验到自动化、智能化逐步转变的过程。
二十世纪七十年代后，许多数学统计方法被引入到短期负荷预测中，使短期负荷预测摆脱了完全依赖调度员经验的历史，将短期负荷预测技术提高到一个新的水平，典型的算法有回归分析法(线性回归分析法、非线性回归分析法、多变量回归分析法)[1]、确定性时间序列分析法(时间序列平滑法、时间序列分解法)、随机时间序列分析法一Box．JenkinS法、状态空间法[2]。
二十世纪九十年代初期开始，人工智能技术(如人工神经网络[3,4,5]、专家系统法[6,7]、模糊推理[8,9]、灰色预测法[10]等)逐步被用到短期负荷预测中，人工智能技术主要用来解决非线性问题和不确定性问题。和数学统计相比，人工智能预测方法在预测过程中考虑了各种不确定因素(如温度因素、天气因素、季节因素、人工经验等)，在实际的负荷预测过程中确实能提高预测精度。组合预测方法是建立在最大信息利用的基础上，它集合多种单一模型所包含的信息，进行最优组合。因此，在大多数情况下，通过组合预测可以达到改善预测结果的目的。如文献[11]提出了使用自适应模糊神经网络进行短期负荷预
测的方法；在文献[12] [13]中，作者列举出人工神经网络ANN和模糊控制相结合的电力系统负荷短期预测方法，文献[14]提出的基于灰色理论和神经网络的电力系统负荷预测方法也具有很好的效果。
短期负荷预测技术发展至今己有几十年，随着数学统计理论和人工智能技术的相继发展，人们提出各种各样的预测方法。迄今为止，短期负荷预测方法大致可以分为两类：即传统预测方法和人工智能方法。传统预测方法的原理比较简单，理论比较成熟，因此至今仍有应用。但是这些方法采用的数学模型过于简单，其参数难以及时、准确地进行估计和调整，而且不能反映负荷的突然变化，因此它们不能适应用较精确的数学模型来描述负荷的变化规律及其它因素对负荷的影响，从而使这些方法难以获得较高预测精度。下面对几种典型的方法加以介绍并进行简单的分析与评价。
1、传统预测方法：
(1)回归分析法。回归分析法是一种曲线拟合法，即对过去的具有随机特性的负荷记录进行拟合，得到一条确定的曲线，然后将此曲线外延到适当时刻，就得到了该时刻的负荷预测值。这种方法是研究变量和变量之间依存关系的一种数学方法。由于影响负荷的因素错综复杂或相关因素数据资料无法得到，在预测模型中，很难准确、详细、全面的描述影响预测对象的各种负荷因素，回归分析法很难适应；另外有时影响因素之间的高度相关，违背了回归分析的基本假设，也会导致一系列错误，则模型就不能用于预测。
(2)时间序列法。用时间来代替影响负荷的因素，依据负荷过去的统计数据，找到其随时间变化的规律，建立时序模型，以推断未来负荷数值。其基本假设是：负荷过去的变化规律会持续到将来，即未来是过去的延续。其主要数学模型有自回归(削R)模型、滑动平均(MA)模型和自回归一滑动平均(ARMA)模型等。但时序法无论采用哪种模型都没有考虑不同时刻负荷之间的相关性和其它因素(比如天气因素)对负荷的影响，预测精度较差，因此时序法存在着预测不准确的问题。
(3)小波分析方法。小波分析是近年来数学研究成果中杰出的代表。它是一种时域-频域分析，在时域、频域同时具有良好的局部化性质。小波分析汲取了现代分析学中诸如泛函分析、调和分析、样条分析等众多数学分支的精华。小波变换能将交织在一起的不同频率组成的混合信号分解成不同频带上的块信号，对负荷序列进行小波变换，可以将负荷序列投影到不同的尺度上，而各个尺度可近似地看作各个不同的“频带”，这样各个尺度上的子序列分别代表了原序列中不同“频域”的分量，它们可以清楚的表现出
负荷序列的周期性。在此基础上，分别对各个尺度上变换得到的子序列进行预测，最后利用各个尺度上的预测结果进行信号重构，就得到了完整的预测结果。
(4)灰色预测法。灰色预测理论其显著特征就是用少量的数据做微分方程建立起预测的模型。在将一定范围内变化的历史数据列进行累加，使其变成具有指数增长规律的上升形状数列，可以对生成的这个形状数列建立起GM(GREY MODEL)模型。GM(1，n)也就是对n个变量用一阶微分方程建立的灰色模型。GM(1，1)模型是灰色理论中最广泛地用于电力负荷预测的一种有效模型，它属于动态建模，采用微分拟合方程的方法来描述事物的发展变化规律。灰色预测具有要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便、短期预测精度高、易于检验等优点，因此得到了广泛应有，并取得了令人满意的效果。但是，它和其他预测方法对比，也存在一定的局限性。一是当数据离散程度越大，即数据灰度越大，则预测精度越差；二是不太适合于电力系统的长期后推若干年的负荷预测。
2、人工智能方法：
(1)人工神经网络法。负荷预测是人工神经网络在电力系统中的主要应用部分。由于其具有高度非线性范函逼近和并行处理能力，它不依赖于人工的经验，通过学习获得系统输入和输出间的函数连接关系。神经网络不是首先确定一个函数的形式，而是通过训练历史数据得出天气变量和预测负荷之间的关系。它具有信息记忆、自主学习、知识推理和优化计算的特点，其自学习和自适应功能是常规算法和专家系统所不具备的。人工神经网络用于短期负荷预测的具体过程为：以历史负荷、天气数据(如气温)等作为输入变量，以负荷预测值为输出变量，通过大量的样本训练神经网络，确定神经元之间的连接权值及神经元的值，然后将训练完成的网络用于预测未来的负荷，并且随着新样本的加入，可以重新训练神经网络，形成新的权值和阈值以适应新的样本。现在有多种人工神经网络模型被用于短期负荷预测，主要有BP(Back Propagation)网络[15]、RBF(Radial Basis Funetion)网络[16]、Hopfield网络[17]、Kohonen自组织特征映射[15,17]等。
(2)专家系统方法。专家系统是人工智能领域的一个重要分支，它是一种基于知识推理的系统，它通过获取大量的领域内专家知识并在此基础上进行推理从而得到问题的解答。专家系统适用于专业范围明确，没有完整的、精确的理论的领域，专家系统是对人类的不可量化的经验进行转化的一种较好的方法，若能将它与其他方法有机地结合起来构成预测系统，将可得到满意的结果。
(3)模糊控制法。模糊集合和模糊推理是专门用来处理不确定性问题的理论。模糊集合将经典集合的绝对隶属关系(非A即B)模糊化(既A又B)，典型的隶属度函数有三角函数、梯形函数、正态分布函数、S形分布函数和Z形分布函数。模糊推理基于模糊规则，模糊规则以IF-THEN的形式来表达模糊集合间的关系。电力负荷预测是利用以往的数据资料找出负荷的变化规律，从而预测出电力负荷在未来时期的变化趋势及状态。实际预测时，常常需要在历史负荷及影响其变化的相关环境因素数据不确定的情况下进行预测，模糊数学为处理此类问题提供了有效手段。模糊理论是将操作人员的经验以规则的形式表达出来，并转换成可以在计算机上运行的算法。它在电力系统的许多领域中得到了应用。近年来出现了模糊回归分析法、模糊聚类识别预测法、模糊与神经网络结合应用等方法。由于模糊推理可以利用有限的规则近似任意的函数关系，将这一理论应用于负荷预测是不错的选择。最新资料显示，模糊系统和其他方法结合的负荷预测的精度要明显优于其他负荷预测方法。
专家系统方法、人工神经网络方法和模糊推理方法共同的优点是能够充分考虑影响负荷的各种因素(如天气因素、季节因素、节假日因素等)，将短期负荷预测技术提高到了一个新的水平，专家系统方法和模糊推理方法在确认事实和建立规则时需要大量的实践经验，所以人为因素多一些；在人工神经网络方法中尽管网络结构的选择还依靠一定的人工经验，但神经元之间的关系(权值和阈值)是通过学习样本得到的，所以人为因素要少一些。专家系统方法和模糊推理方法不需要学习过程，其速度较快且不需要样本；而人工神经网络方法在应用之前必须经过学习过程，其速度要慢一些且需要典型的样本集。
不同的预测方法有各自的优点和缺点，为了发挥不同方法的优点，避开其不足，人们在负荷预测过程中将不同的预测方法加以组合，形成了许多种组合方法，在一定条件下能够有效的改善模型的拟合能力和提高预测的精度。
1．3本课题研究的意义
目前考虑气象因素对负荷预测精度影响的方法还不多，常规算法不能较好地反映气象条件等外界因素对负荷的影响，而近年来人工神经网络法等智能算法具有高度的非线性映射能力，可以较好地考虑气象条件等因素对电网负荷的影响，因此在负荷预测中得到了越来越多的应用。一般采用的是基于BP算法的前向多层感知器网络，虽然BP网
络具有很强的信息处理能力，能够解决模式分类、函数映射及其他模式分析问题，但由于感知器网络权重初始化的随机性而难以根据负荷预测的实际情况确定一组较好的初始值，并且BP算法学习收敛速度较慢，又容易陷入局部极小点，从而极大地限制了神经网络方法在负荷预测中的实际应用。
近年来发展起来的径向基函数RBF方法应用于神经网络中之后，为前向网络的使用提供了一种新颖而有效的手段之一，RBF网络具有良好的推广能力，在用于对具有复杂函数关系的问题作泛函逼近时，具有较高的精确度，而且由于网络本身的结构特点，学习速度比常规的BP算法要快得多。
1．4本课题的主要工作
本论文通过开展基于RBF神经网络的地区电网短期负荷预测方法探索研究，旨在寻求优化负荷预测方法的实用途径，科学、准确地找出传统负荷预测方法中存在的问题，有针对性的采取有效措施，进一步提高负荷预测的精度和效率，从而实现对电网运行优化的指导工作。
其主要工作是根据电网的历史负荷数据，分析影响预测的各种因素，然后建立相应的神经网络预测模型，具体研究内容包括：
1、熟悉地区电网短期负荷预测计算流程，收集地区电网历史负荷数局及其他预测影响数据。
2、掌握RBF神经网络理论知识，构建基于RBF神经网络的短期负荷预测数学模型。
3、掌握相关MATLAB程序仿真应用技巧，编写RBF神经网络MATLAB仿真应用程序。
4、根据实际数据进行特定电网短期负荷预测应用设计，最终汇总出相关实用短期负荷预测实施方案。
2 电力负荷预测概述
2.1 负荷预测的概念和原理
2.1.1 负荷预测的概念
负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套能系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值。
2.1.2 负荷预测的基本原理
负荷预测工作是根据电力负荷的发展变化规律，预计或判断其未来发展趋势和状况的活动，因此必须科学地总结出预测工作的基本原理，以指导负荷预测工作。
1、可知性原理。
就是说待预测对象的发展规律，其未来的发展趋势和状况是可以为人们所知道的。客观世界是可以被认识的，人们不但可以认识它的过去和现在，而且可以通过总结它的过去和现在推测出未来。这是进行负荷预测活动的基本依据。
2、可能性原理。
事物的发展变化是在内因和外因的共同作用下进行的。内因的变化及外因作用力大小不同，会使事物发展变化有多种可能性。所以，对某一具体指标的预测，往往是按照其发展变化的多种可能性，进行多方案预测的。
3、连续性原理。
连续性原理又称惯性原理，是指预测对象的发展是一个连续统一的过程，其未来发展是这个过程的继续。它强调了预测对象总是从过去发展到现在，再从现在发展到未来。它认为事物发展变化过程中会将某些原有的特征保持下来，延续下去。电力系统的发展变化同样存在着惯性，如某些负荷指标会以原有的趋势和变化率发展下去。这种惯性正是我们进行负荷预测的主要依据。因此，了解事物的过去和现在，并掌握其变化规律，就可以对其未来的发展情况利用连续性原理进行预测。
4、相似性原理。
尽管客观世界中各种事物的发展各不相同，但是一些事物发展之间还是存在着相似
之处，人们就是利用这种相似性进行预测。在很多情况下，作为预测对象的一个事物，其现在的发展过程和发展状况可能与另一事物过去一定阶段的发展过程和发展状况相类似，人们就根据后一事物的已知发展过程和状况，来预测所预测对象的未来发展过程和状况，这就是相似性原理。
5、反馈性原理。
反馈就是利用输出返回到输入端，再调节输出结果。预测的反馈性原理实际上是为了不断提高预测的准确性而进行的反馈调节。人们在预测活动实践中发现，当预测的结果和经过一段实践所得到的实际值存在着差距时，可利用这个差距，对远期预测值进行反馈调节，以提高预测的准确性。在进行反馈调节时，首先认真分析预测值和实际值之间的差距及产生差距的原因，然后根据已经查明的原因，适当改变输入数据，进行反馈，调节远期预测结果。反馈性预测实质上就是将预测的理论值与实际相结合，在实践中检验，然后进行修改、调整，使预测质量进一步提高。
6、系统性原理。
预测对象是一个完整的系统，它本身有内在的系统，它与外界事物的联系又形成了它的外在系统。这些系统综合成一个完整的总系统，都要进行考虑。即预测对象的未来发展是整体的动态发展，而且整个系统的动态发展与它的各个组成部分和影响因素之间的相互作用和相互影响密切相关。系统性原理还强调系统整体最佳，只有系统整体最佳的预测，才是高质量的预测，才能为决策者提供最佳的预测方案。
2.2 电力负荷预测的分类
1、按时间分类。
电力负荷预测中经常按时间期限进行分类，通常分为长期、中期、短期和超短期负荷预测。长期负荷预测一般指10年以上并以年为单位的预测，中期指5年左右并以年为单位的预测。它们的意义在于帮助决定新的发电机组的安装（包括装机容量大小、型式、地点和时间）与电网的规划、增容和改建，是电力规划部门的重要工作之一。
短期负荷预测指一年之内以月为单位的负荷预测，还指以周、天、小时为单位的负荷预测，通常预测未来一个月度、未来一周、未来一天的负荷指标，也包括预测未来一天24h中的负荷。其意义在于帮助确定燃料供应计划；对运行中的电厂出力要求提出预告，使对发电机组出力变化事先得以估计；可以经济合理地安排本网内各机组的启停，
降低旋转储备容量；可以在保证正常用电的情况下合理安排机组检修计划。
超短期负荷预测指未来1h 、未来0.5h甚至未来10min的预测。用于质量控制和自动发电控制(AGC)，超短期负荷预测的使用对象是调度员。超短期负荷预测主要反映负荷在短时间内的变化规律，可对电网进行计算机在线控制。
2、按行业分类。
电力负荷按照不同行业可以分为城市民用负荷、商业负荷、农村负荷、工业负荷以及其它负荷。
城市民用负荷是城市居民的家用负荷，商业负荷和工业负荷是分别为商业和工业服务的负荷，农村负荷则是指广大农村为农业生产服务的负荷(包括农村生活用电、生产与排灌用电以及农村商业用电)，其它负荷则包括市政用电、街道照明、公用事业、政府办公、军用以及其它等。
在各类负荷中，城市居民负荷具有经常的年增长以及明显的季节性波动和日变化特点，城市居民用电负荷的季节性变化和日变化在很多情况下，直接影响系统峰值负荷的，但其影响程度取决于城市居民负荷在系统总负荷中所占的比例。在我国，随着国民经济的发展，居民生活水平的提高，敏感于气候变化的家用电器(电炉、电热器、空调装置、电风扇、电冰箱等)的日益广泛地应用，使居民负荷变化对系统峰值的影响越来越大，使之成为在负荷预测中必须考虑的重要因素。商业负荷也同样具有季节性变化和日变化的特点，这种变化也是由于商业部门越来越广泛地采用空调、电风扇等敏感于气候的电器，以及商业营业性质所致。
相对来说，工业负荷占负荷比例较大，且一般可视作是受气候影响较小的基础负荷，但也不能说一点也不受气候的影响。比如高温季节，工业负荷也含有降温和防暑耗电。一方面由于工业负荷本身负荷很大，另一方面尤其是由于三班连续生产，因此一般来说这类负荷变动较小，但是随着电力需求侧管理的加强、峰谷电量费用的差别拉大，有些工业用户的日负荷也出现了较大的变化。另外某些工业用户可能具有一些特殊要求，如要求很高的功率(冲击负荷、峰值负荷较大等)但不一定要求很大的用电量，某些工业用户可能具有明显的季节性特点，负荷预测中这些都需要采用相应的措施加以对待。
农业用电一般对地区负荷影响不大，需要注意的是农忙期间，特别是夏季生产排灌用电，其时间不长，但负荷特别集中，容易造成局部用电紧张。
其它各类负荷一般所占比例比较小，虽也都有各自的不同特点，但对整个系统负荷
的影响不是很大。总之，负荷的变化是非常复杂的，进行预测时应考虑到各方面的影响因素，其中尤其应加以重视的是负荷中天气因素的影响。
3、按特性分类。
根据负荷预测表示的不同特性，又可以分为最高负荷、最低负荷、平均负荷、负荷峰谷差、高峰负荷平均、低谷负荷平均、平峰负荷平均、全网负荷、母线负荷、负荷率等类型的负荷预测，以满足供、用电部门的管理工作的需要。
2.3 负荷预测的步骤
1、资料的搜集和整理。
电力负荷预测的资料是进行预测的重要依据，应根据负荷预测的内容和要求，搜集预测时需要用到的各种资料。尽量使搜集的资料系统而全面，避免用猜想的数据去填补负荷预测数学模型中所缺少的资料。同时，对搜集来的各种资料进行分析、加工、整理，并对搜集的资料去伪存真，提高资料的可信度。对于目前缺少的必要资料，则应尽可能的去加以搜集。
2、对资料进行分析处理。
通过数据的动态折线图或散点图，观察资料中数据变动的轨迹，以便选择恰当的预测模型，特别注意历史数据的异常值和转折点，找出异常值产生的原因，并采用合理的数学方法加以处理，尽可能保持历史数据反映的实际情况而进行负荷分析，找出其变化规律。在对大量的资料进行了全面分析之后，选择其中有代表性的、真实程度和可用程度高的有关资料作为预测的基础资料。
3、建立预测模型。
负荷预测模型是统计资料轨迹的概括，它反映的是经验资料内部结构的一般特征，与该资料的具体结构并不完全吻合。应根据所确定的预测内容，对预测对象进行客观、详细的分析，根据历史数据的发展情况，并考虑本地区实际情况和资料的可利用程度，选择建立合理的数学模型。
在预测中常用的预测方法有多种，各种预测方法均有其不同的特点和适用范围。模型的选择对预测精度有很大的影响。实践证明，没有一种方法在任何预测场合下均可以保证获得满意的预测结果。因此，首先应根据预测者的经验并吸收他人的预测经验，根据对预测对象的观察，建立初级模型。然后收集预测对象本身的内因资料(与预测对象
的历史和现在的发展状况有关)和预测背景的外因资料(与影响预测对象发展过程的各种因素有关)。最后在初级模型的基础上，经对比、检验、修正和深化后，才能选择合理的预测模型。
4、预测结果评价。
对预测结果的可信度进行比较和综合分析，通过预测人的经验判断预测结果是否合理，对结果进行适当修正，得到最终的预测结果。
5、负荷预测管理。
将负荷预测形成报告提交后，并不等于全部预测工作的结束，随后仍需根据主客观条件的变化及预测应用的反馈信息进行检验，必要时进行修正和调整。
2.4 电力负荷的特性分析
2.4.1 负荷的周期性
短期负荷预测的一个突出特点是：为对系统负荷进行预测，必须对过去的负荷历史资料进行分析。因为电力系统的负荷本质上是不可控的，了解未来短期内的负荷的可能变化的一个最有效的办法，就是观察负荷的历史纪录。电力系统负荷的变化是有规律的，其规律主要体现在负荷变化的周期性，这种周期性是负荷的一种内在规律。究其原因，是人类的生产、生活具有规律性，因此负荷变化也具有规律性。负荷的变化的具体的周期性体现在它具有按天、按周及按年的周期性变化特点。负荷变化的周期性是分析负荷预测的基础，也是预测的关键。
1、负荷变化的年周期性。
负荷的年周期性与季节的关系密切，也主要体现了负荷与人民生活规律的紧密关系，不同的季节，人民的生活方式和部分生产情况改变，则相应地影响着负荷的变化。一般夏季比较炎热，较直接的体现为制冷的用电负荷明显增加，同时可以看到在夏季的负荷波动较其他季节明显；冬季负荷较低，同时负荷的变化很规律，波动较小；春秋季负荷的特性一般介于冬夏之间，负荷的变化特性不是很明显。
2、负荷变化的周周期性。
负荷变化的周周期性主要体现为从周一到周日的每个星期的周期性特征，可以解释为工作日期间主要为工业生产负荷持续运行，人们的生活方式也符合于工作期间的规
律，所以表现出负荷的工作同相似特性。休息日时间(周六周日两日)，部分工业负荷下降，人们的生活方式变化，如餐饮业、娱乐业等负荷加大，从而影响了负荷的变化，一般而言是负荷相对于工作日降低。
3、负荷变化的日周期性。
负荷变化的日周期性体现为以24小时为周期的负荷值的变化，一般不分季节每日都有早晚两个高峰，早高峰一般出现在上午10：00点左右，晚高峰出现在晚上19：00到22：00左右。一天的低谷负荷出现在午夜至早晨的后夜间，一般在这个时段人们处于休息状态，运行的负荷主要为那些不间断的负荷，这些负荷组成了负荷的基本负荷，但随着电力市场的发展，在一些发达地区，峰谷电价的实行可能会将一些私营小企业的负荷拉到夜间运行，这是将来电力市场成熟发展后负荷预测需要考虑的问题。峰值负荷的预测是负荷预测的重要内容，因为这部分负荷直接影响着系统运行容量的确定，对系统的运行起重要作用。
2.4.2 负荷的随机性
从上述分析我们看到了负荷的总体的周期性特点，但负荷还存在着一定的波动性。负荷的波动性是随机的，影响负荷的波动性的因素是多方面的，而这些因素的影响又是随机的，所以构成了负荷的波动性。一般影响负荷的随机性的因素有：政治因素影响、传统节日影响、随机工业负荷(如新厂的投产)的影响、天气的影响等。这些因素都是不确定的，是不能预料的，都会对电力系统负荷造成冲击，产生随机负荷。负荷的发展伴随着增长趋势，通常负荷随着社会整体经济的增长是呈现增长趋势的，这种趋势是由整体的政治经济因素来决定的。
2.4.3 负荷的影响因素分析
电力系统负荷是一个很复杂的非线性系统，有许多直接或间接的因素都会对电力系统的日负荷产生直接的影响。但是在实际的负荷预测中，又不能考虑太多的影响因素。一方面由于收集资料的困难，另一方面因素太多会造成建模困难，并且会带来大量的计算。因此在考虑神经网络的输入变量的问题上，应抓住其中几个最具特征的影响因素。根据对历史负荷的分析，一般可把负荷分为两类：周期性负荷和变动性负荷。周期性负荷，或者说标准负荷，反映的是负荷自身变化的基本规律，呈较强的周期性，尤其受到
时间周期的影响。针对短期负荷，时间周期因素包括：周周期、日周期等。他们对于日负荷的曲线模式有着极为重要的影响。日负荷曲线基本以周为大周期变化，以24小时为小周期变化，这些负荷的变化就构成了周期性负荷的变化状况。变动性负荷是随机因素影响负荷变化的结果，一般在总负荷中所占的比重不大，约为10％～20％左右，它是由于电网内偶然因素的影响造成的负荷震荡。这种负荷，从一个长时间周期看，具有零平均值，但是对于短周期而言，负荷的振荡会使得负荷平均值有所改变。因此对于短期负荷预测，这种振荡的负荷是必须加以考虑的。造成这种负荷振荡的因素主要为节假日和气象条件的影响。节假日(主要指法定假日五一、国庆、元旦、春节等)以及重大的社会政治事件日，都将对日常的生产、生活用电产生不同程度的影响。由于节假日负荷数据量少，受社会、经济和气候等多方面团素的影响，负荷的增长和变化关系不确定，预测时间跨度长，因此节假目负荷预测的难度较大。由于无法形成充足、有效的样本集，使得神经网络法等方法在节假日预测时，预测精度难以满足要求。气象条件包括温度、湿度、风速、日照、雾障等等，它们对负荷变化的影响一般很快，而且无确定性的规律。因此这就要求我们必须加以考虑对变化性负荷有较大影响的气象条件。
在气象条件中，起主要作用的是温度因素和天气状况。因此为了在负荷预测中考虑这两方面的影响，本文采用了每天的最高温度、最低温度作为神经网络的两个输入变量，将天气状况模糊离散化后作为神经网络的另一个输入量一气候敏感因素(借鉴电力系统调度人员的经验利用[0,1]之间的数值来定量表示气候因素对预测负荷的影响)，这样更加能够体现实际负荷的变化情况。
电价也是影响负荷的一个因素，但以前我国的电价相对来说比较固定，电价的变动仅仅限于季节性和地域性的调整，虽然对负荷产生了一定的影响，但这些影响都是长期的效应，对中长期负荷预测作用明显，所以一般在短期负荷预测中对电价因素不予考虑。随着电力市场化的不断深入，我国实施了电价体制改革，出台了“分时电价”的方案。因为高峰和低谷的电价相差较大，一些企业主动调整了作息时间，使用电高峰的紧张状况得以缓解，但同时也给预测工作带来了困难。由于现在的“分时电价"的施行并未大面积展开，本文中暂且不考虑电价因素的影响。
除了上述的影响因素外，还有如社会经济发展状况、随机因素等也会对负荷产生影响，但是由于对于日负荷曲线而言，社会经济因素是一种相对变化缓慢的影响因素，对较长时间的负荷历史记录分析可以发现，负荷是按照一种固定的变化趋势发展的，如逐
步增长或逐步减少。这些因素在中长期的负荷预测中要加以考虑，而对于短期负荷预测，由于是用近期的历史负荷数据训练网络，可以认为负荷受社会经济发展因素影响而增大的趋势基本为零，可忽略不计。
2.5 影响负荷预测的因素及误差分析
2.5.1 影响负荷预测的主要因素
短期负荷预测需要考虑的影响因素主要有以下几种：
1、经济因素。经济环境的好坏和经济发展状况对负荷的影响。如果经济发展速度快，负荷水平也提升得快；反之，负荷水平下降。
2、时间因素。双休日负荷水平低于工作日，重大节假日则更有明显的幅度下降和曲线形状变化，各个季节也有较大的变化。
3、气象因素。温度是影响短期负荷最主要的因素。随着人们更多地使用空调，气温对负荷的影响越来越大，同时天气类型、降雨量、风速等都对负荷产生一定程度的影响。
4、电价的影响。电力市场经济情况下执行峰谷分时电价，用户对电价的反应使负荷曲线形状在一定程度上受到影响。
5、随机因素。其他大量引起负荷变化的随机因素也经常存在，例如大负荷用户的用电调整以及重大的政治经济活动等。
2.5.2 负荷预测的误差分析
对预测模型进行评价非常必要的，其评价指标主要是预测误差。适用的预测方法应使预测误差处于可接受的范围内。若误差太大，就失去了预测的意义，没有参考价值，导致电力规划及生产决策的失误，造成重大的经济损失。
预测误差和预测结果的准确性关系密切。误差越大，准确性就越低；反之，误差越小，准确性就越高。可见，研究产生误差的原因，计算并分析误差的大小，是有很大意义的。不但可以认识预测结果的准确程度，从而在利用预测资料作决策时具有重要的参考价值，同时，对于改进负荷预测工作，检验和选用恰当的预测方法等方面也有很大帮助。
数学建模神经网络预测模型及程序
年份 (年) 1(1988) 2(1989) 3(1990) 4(1991) 5(1992) 6(1993) 7(1994) 8(1995) 实际值 (ERI) 年份 (年) 9(1996) 10(1997) 11(1998) 12(1999) 13(2000) 14(2001) 15(2002) 16(2003) 实际值 (ERI) BP 神经网络的训练过程为: 先用1988 年到2002 年的指标历史数据作为网络的输入,用1989 年到2003 年的指标历史数据作为网络的输出,组成训练集对网络进行训练,使之误差达到满意的程度,用这样训练好的网络进行预测. 采用滚动预测方法进行预测:滚动预测方法是通过一组历史数据预测未来某一时刻的值,然后把这一预测数据再视为历史数据继续预测下去,依次循环进行,逐步预测未来一段时期的值. 用1989 年到2003 年数据作为网络的输入,2004 年的预测值作为网络的输出. 接着用1990 年到2004 年的数据作为网络的输入,2005 年的预测值作为网络的输出.依次类推,这样就得到2010 年的预测值。 目前在BP 网络的应用中,多采用三层结构. 根据人工神经网络定理可知,只要用三层的BP 网络就可实现任意函数的逼近. 所以训练结果采用三层BP模型进行模拟预测. 模型训练误差为,隐层单元数选取8个,学习速率为,动态参数,Sigmoid参数,最大迭代次数3000.运行3000次后,样本拟合误差等于。 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights={1,1} inputbias={1} % 当前网络层权值和阈值 layerWeights={2,1} layerbias={2} % 设置训练参数 = 50; = ; = ; = 10000; = 1e-3;
基于Bp神经网络的股票预测
基于B p神经网络的股 票预测 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】
基于神经网络的股票预测 【摘要】: 股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。 【abstract] ,,makingin-depththeoreticalanalysisandempiricalstudiesontheshort-termclosingpriceforecastsofsinglestock. Secondly,makingresearchonthemodelandstructureofBPneuralnetwork, learningrules,weightsofBPalgorithmandsoon,buildingastockshort-termforecastingmodelbasedontheBPneuralnetwork,,usingsystemofmultiple-inputsingle-outputandsinglehiddenlayer,,. 【关键词】BP神经网络股票预测分析 1．引言 股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。影响股价的因素可简单地分为两类，一类是公司基本面的因素，另一类是股票技术面的因
基于BP神经网络预测模型指南
基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
基于BP神经网络的电力系统负荷预测
基于人工神经网络的负荷预测 1.人工神经网络概述 人工神经网络类似于一个“多输入－多输出”的黑匣子，由一些能并行操作的简单单元组成，整个网络的功能是由单元之间的互连所决定的。 人工神经网络是通过“训练－调整－再训练－再调整”的过程，使得一个特定的输入能够通过网络得到一个特定的输出，其实质是通过调整单元之间的相互影响参数。其结构如下图1： 图1 神经网络结构图 2.题目要求及说明： 以广东某城市的2004年7月20日到7月30日的负荷值以及2004年7月 21日到7月31日的气象特征状态作为网络的训练样本，来预测7月31日的电
2.程序源代码 P=[0.2452 0.1466 0.1314 0.2243 0.5523 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215 0.2415 0.3027 0; 0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325 0.2385 0.3125 0; 0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156 0.2216 0.2701 1; 0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895 0.2352 0.2506 0.5; 0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025 0.2542 0.3125 0; 0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221 0.2601 0.3198 0; 0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7153 0.8091 0.8217 0.2579 0.3099 0; 0.2342 0.1368 0.1602 0.2131 0.5726 0.5822 0.7101 0.7098 0.7127 0.7121 0.7995 0.8126 0.2301 0.2867 0.5; 0.2113 0.1212 0.1305 0.1819 0.4952 0.5312 0.6886 0.6898 0.6999 0.7323 0.7721 0.7956 0.2234 0.2799 1; 0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756 0.2314 0.2977 0]'; T=[0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325; 0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156; 0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825
用matlab编BP神经网络预测程序
求用matlab编BP神经网络预测程序 求一用matlab编的程序 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net_1.IW{1,1} inputbias=net_1.b{1} % 当前网络层权值和阈值 layerWeights=net_1.LW{2,1} layerbias=net_1.b{2} % 设置训练参数 net_1.trainParam.show = 50; net_1.trainParam.lr = 0.05; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs = 10000; net_1.trainParam.goal = 1e-3; % 调用 TRAINGDM 算法训练 BP 网络 [net_1,tr]=train(net_1,P,T); % 对 BP 网络进行仿真 A = sim(net_1,P); % 计算仿真误差 E = T - A; MSE=mse(E) x=[。。。]';%测试 sim(net_1,x) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 不可能啊我2009 28
对初学神经网络者的小提示 第二步：掌握如下算法: 2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。 3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社，Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。 4.ART(自适应谐振理论),该算法的最通俗易懂的读物就是《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第15和16章。若看理论分析较费劲可直接编程实现一下16.2.7节的ART1算法小节中的算法. 4.BP算法,初学者若对误差反传的分析过程理解吃力可先跳过理论分析和证明的内容,直接利用最后的学习规则编个小程序并测试,建议看《机器学习》(机械工业出版社，Tom M. Mitchell著，中英文都有）的第4章和《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第11章。 BP神经网络Matlab实例（1） 分类：Matlab实例 采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。 % 例1 采用动量梯度下降算法训练 BP 网络。 % 训练样本定义如下： % 输入矢量为 % p =[-1 -2 3 1 % -1 1 5 -3] % 目标矢量为 t = [-1 -1 1 1] close all clear clc
神经网络预测精度
神经网络预测外汇的误差、精度情况 一、涨落方向预测效果 1.1涨落方向的计算公式： for( i=0;i
bp神经网络及matlab实现讲解学习
b p神经网络及m a t l a b实现
图1. 人工神经元模型 图中x1~xn是从其他神经元传来的输入信号，wij表示表示从神经元j到神经元i的连接权值，θ表示一个阈值 ( threshold )，或称为偏置( bias )。则神经元i的输出与输入的关系表示为： 图中 yi表示神经元i的输出，函数f称为激活函数 ( Activation Function )或转移函数 ( Transfer Function ) ，net称为净激活(net activation)。若将阈值看成是神经元i的一个输入x0的权重wi0，则上面的式子可以简化为： 若用X表示输入向量，用W表示权重向量，即： X = [ x0 , x1 , x2 , ....... , xn ]
则神经元的输出可以表示为向量相乘的形式： 若神经元的净激活net为正，称该神经元处于激活状态或兴奋状态(fire)，若净激活net为负，则称神经元处于抑制状态。 图1中的这种“阈值加权和”的神经元模型称为M-P模型 ( McCulloch-Pitts Model )，也称为神经网络的一个处理单元( PE, Processing Element )。 2. 常用激活函数 激活函数的选择是构建神经网络过程中的重要环节，下面简要介绍常用的激活函数。 (1) 线性函数 ( Liner Function ) (2) 斜面函数 ( Ramp Function ) (3) 阈值函数 ( Threshold Function ) 以上3个激活函数都属于线性函数，下面介绍两个常用的非线性激活函数。 (4) S形函数 ( Sigmoid Function ) 该函数的导函数：
毕业设计：基于BP神经网络的短期电力负荷预测(终稿)
毕业设计：基于BP神经网络的短期电力负荷预测（终稿）西安工业大学北方信息工程学院 题目:基于BP神经网络的短期电力负荷预测 系别电子信息工程系 专业电气工程及其自动化 班级 B070307 姓名宋亮 学号 B07030716 导师张荷芳焦灵侠 2011年6月 毕业设计(论文)任务书 系别电子信息系专业电气工程自动化班 b070307 姓名宋亮学号 b07030716 1.毕业设计(论文)题目: 基于bp神经网络的短期电力负荷预测题目背景和意义:电力系统是由电力网、电力用户组成，其作用就是对各类用户尽可能经济2. 地提供可靠而合乎标准要求的电能，以随时满足负荷要求。但是由于电力的生产与使用具有 其特殊性，即电能是不能储存的。这就要求系统发出电力随时紧跟系统负荷的变化动态平衡， 否则，就会影响供用电的质量。电力系统负荷预测因此发展起来，成为工程科学中重要的研 究领域，是电力系统自动化中一项重要内容。在电力系统安排生产计划和实际运行的过程中，
负荷预测起着十分重要的作用，主要表现在以下几个方面: (1)经济调度的主要依据。对电力 系统来说，必须对用户提供可靠而经济的电能，以随时满足各类用户的要求，亦即满足用户 的负荷需求，而在另一方面，又要考虑生产成本，由于电能不能大量储存，因此必须在确保 系统安全的情况下尽量减少实时发电备用容量。(2)生产计划的要求。电力系统中，由于其可 靠性的要求，各种发、供电设备都有确定的检修周期。(3)电力系统安全分析的基础。电力事 故所造成经济损失和社会影响是巨大的，必须尽量避免。 3.设计(论文)的主要内容(理工科含技术指标): 负荷预测并达到一定误差范围之内。 4.设计的基本要求及进度安排(含起始时间、设计地点):电子系实验室1-5周;开题，针对原理及应用、主要技术难点的收集资料，熟悉课题方案。 6-10周; 完成方案论证，确定设计方案。 10-15周;利用Matlab对系统做进一步的仿真分析 16-18周;完成所有的设计工作，整理资料，完成毕业论文，准备答辩。 5.毕业设计(论文)的工作量要求 400机时 *? 实验(时数)或实习(天数): 100天 *? 图纸(幅面和张数):A4×2 ? 其他要求: 论文:15000字以上;外文翻译:5000字以上 指导教师签名: 年月日 学生签名: 年月日 系主任审批: 年月日
SVM神经网络的回归预测分析---上证指数开盘指数预测
SVM神经网络的回归预测分析---上证指数开盘指数预测 该案例作者申明： 1：本人长期驻扎在此板块里，对该案例提问，做到有问必答。 2：此案例有配套的教学视频，配套的完整可运行Matlab程序。 3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。 4：此案例为原创案例，转载请注明出处（Matlab中文论坛，《Matlab神经网络30个案例分析》）。 5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。 6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。 7：此书其他常见问题、预定方式等，请点击这里。 Contents ●清空环境变量 ●数据的提取和预处理 ●选择回归预测分析最佳的SVM参数c&g ●利用回归预测分析最佳的参数进行SVM网络训练 ●SVM网络回归预测 ●结果分析 ●子函数 SVMcgForRegress.m 清空环境变量 function chapter14 tic; close all; clear; clc; format compact; 数据的提取和预处理 % 载入测试数据上证指数(1990.12.19-2009.08.19) % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load chapter14_sh.mat; % 提取数据 [m,n] = size(sh); ts = sh(2:m,1); tsx = sh(1:m-1,:); % 画出原始上证指数的每日开盘数 figure;
基于BP神经网络的短期电力负荷预测
西安工业大学北方信息工程学院 本科毕业设计（论文）题目：基于BP神经网络的短期电力负荷预测 系别电子信息工程系 专业电气工程及其自动化 班级B070307 姓名宋亮 学号B07030716 导师张荷芳焦灵侠 2011年6月
毕业设计（论文）任务书 系别 电子信息系 专业 电气工程自动化 班 b070307 姓名 宋亮 学号 b07030716 1.毕业设计（论文）题目： 基于bp 神经网络的短期电力负荷预测 2.题目背景和意义：电力系统是由电力网、电力用户组成，其作用就是对各类用户尽可能经济地提供可靠而合乎标准要求的电能，以随时满足负荷要求。但是由于电力的生产与使用具有其特殊性，即电能是不能储存的。这就要求系统发出电力随时紧跟系统负荷的变化动态平衡，否则，就会影响供用电的质量。电力系统负荷预测因此发展起来，成为工程科学中重要的研究领域，是电力系统自动化中一项重要内容。在电力系统安排生产计划和实际运行的过程中， 负荷预测起着十分重要的作用，主要表现在以下几个方面： (1)经济调度的主要依据。对电力系统来说，必须对用户提供可靠而经济的电能，以随时满足各类用户的要求，亦即满足用户的负荷需求，而在另一方面，又要考虑生产成本，由于电能不能大量储存，因此必须在确保 系统安全的情况下尽量减少实时发电备用容量。(2)生产计划的要求。电力系统中，由于其可 靠性的要求，各种发、供电设备都有确定的检修周期。(3)电力系统安全分析的基础。电力事 故所造成经济损失和社会影响是巨大的，必须尽量避免。 3.设计(论文)的主要内容（理工科含技术指标）： 负荷预测并达到一定误差范围之内。 4.设计的基本要求及进度安排（含起始时间、设计地点）：电子系实验室 1-5周；开题，针对原理及应用、主要技术难点的收集资料，熟悉课题方案。 6-10周； 完成方案论证，确定设计方案。 10-15周；利用Matlab 对系统做进一步的仿真分析 16-18周；完成所有的设计工作，整理资料，完成毕业论文，准备答辩。 5.毕业设计（论文）的工作量要求 400机时 ① 实验（时数）*或实习（天数）： 100天 ② 图纸（幅面和张数）*：A4×2 ③ 其他要求： 论文：15000字以上；外文翻译：5000字以上 指导教师签名： 年 月 日 学生签名： 年 月 日 系主任审批： 年 月 日 说明：1本表一式二份，一份由学生装订入册，一份教师自留。 2 带*项可根据学科特点选填。
回归预测分析神经网络
%%S V M神经网络的回归预测分析---上证指数开盘指数预测 %% 清空环境变量 function chapter14 tic; close all; clear; clc; format compact; %% 数据的提取和预处理 % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load ; % 提取数据 [m,n] = size(sh); ts = sh(2:m,1); tsx = sh(1:m-1,:); % 画出原始上证指数的每日开盘数 figure; plot(ts,'LineWidth',2); title(,'FontSize',12); xlabel(,'FontSize',12); ylabel('开盘数','FontSize',12); grid on; % 数据预处理,将原始数据进行归一化 ts = ts'; tsx = tsx'; % mapminmax为matlab自带的映射函数 % 对ts进行归一化 [TS,TSps] = mapminmax(ts,1,2); % 画出原始上证指数的每日开盘数归一化后的图像 figure; plot(TS,'LineWidth',2); title('原始上证指数的每日开盘数归一化后的图像','FontSize',12); xlabel(,'FontSize',12); ylabel('归一化后的开盘数','FontSize',12); grid on; % 对TS进行转置,以符合libsvm工具箱的数据格式要求 TS = TS'; % mapminmax为matlab自带的映射函数 % 对tsx进行归一化 [TSX,TSXps] = mapminmax(tsx,1,2); % 对TSX进行转置,以符合libsvm工具箱的数据格式要求
BP神经网络matlab源程序代码
close all clear echo on clc % NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 % 定义训练样本 % P为输入矢量 P=[0.7317 0.6790 0.5710 0.5673 0.5948;0.6790 0.5710 0.5673 0.5948 0.6292; ... 0.5710 0.5673 0.5948 0.6292 0.6488;0.5673 0.5948 0.6292 0.6488 0.6130; ... 0.5948 0.6292 0.6488 0.6130 0.5654; 0.6292 0.6488 0.6130 0.5654 0.5567; ... 0.6488 0.6130 0.5654 0.5567 0.5673;0.6130 0.5654 0.5567 0.5673 0.5976; ... 0.5654 0.5567 0.5673 0.5976 0.6269;0.5567 0.5673 0.5976 0.6269 0.6274; ... 0.5673 0.5976 0.6269 0.6274 0.6301;0.5976 0.6269 0.6274 0.6301 0.5803; ... 0.6269 0.6274 0.6301 0.5803 0.6668;0.6274 0.6301 0.5803 0.6668 0.6896; ... 0.6301 0.5803 0.6668 0.6896 0.7497]; % T为目标矢量 T=[0.6292 0.6488 0.6130 0.5654 0.5567 0.5673 0.5976 ... 0.6269 0.6274 0.6301 0.5803 0.6668 0.6896 0.7497 0.8094]; % Ptest为测试输入矢量 Ptest=[0.5803 0.6668 0.6896 0.7497 0.8094;0.6668 0.6896 0.7497 0.8094 0.8722; ... 0.6896 0.7497 0.8094 0.8722 0.9096]; % Ttest为测试目标矢量 Ttest=[0.8722 0.9096 1.0000]; % 创建一个新的前向神经网络 net=newff(minmax(P'),[12,1],{'logsig','purelin'},'traingdm'); % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 5000; net.trainParam.goal = 0.001; % 调用TRAINGDM算法训练 BP 网络 [net,tr]=train(net,P',T); % 对BP网络进行仿真 A=sim(net,P'); figure; plot((1993:2007),T,'-*',(1993:2007),A,'-o'); title('网络的实际输出和仿真输出结果，*为真实值，o为预测值'); xlabel('年份'); ylabel('客运量'); % 对BP网络进行测试 A1=sim(net,Ptest');
BP神经网络的预测理论的及程序 学习
12、智能算法 12.1 人工神经网络 1、人工神经网络的原理假如我们只知道一些输入和相应的输出，但是不清楚这些输入和输出之间的具体关系是什么，我们可以把输入和输出之间的未知过程看成是一个“网络”,通过不断的网络输入和相应的输出进行“训练”（学习），网络根据输入和对应输出不断调整连接网络的权值，直到满足我们的目标要求，这样就训练好了一个神经网络，当我们给定一个输入， 网络就会计算出一个相应的输出。 2、网络结构神经网络一般有一个输入层，多个隐层，和一个输出层。隐层并非越多越好。如下图所示： 神经网络工具箱几乎 MATLAB 12.2 Matlab 神经网络工具箱 BP 网络和涵盖了所有的神经网络的基本常用模型，如感知器、nntool nftool,nctool,nprtool,nntraintool 和等。它由RBFNN 函数逼近和数据拟合、信息处理和预测、神经网组成。主要应用于
在实际应用中，针对具体的问题，首先络控制和故障诊断等领域。．需要分析利用神经网络来解决问题的性质，然后依据问题的特点，提取训练和测试数据样本，确定网络模型，最后通过对网络进行训练、仿真等检验网络的性能是否满足要求。具体过程如下： (1)确定信息表达的方式，主要包括数据样本已知；数据样本之间相互关系不明确；输入/输出模式为连续的或离散的；数据样本的预处理；将数据样本分成训练样本和测试样本。 (2)网络模型的确定。确定选择何种神经网络以及网络层数。 (3)网络参数的选择，如输入输出神经元个数的确定，隐层神经元的个数等。 (4)训练模式的确定，包括选择合理的训练算法、确定合适的训练步数、指定适当的训练目标误差等 (5)网络测试，选择合理的样本对网络进行测试。 简单来讲就是三个步骤：建立网络(newXX)—训练网络(trainXX)—仿真网络(sim) 12.3 BP 神经网络的 Matlab 相关函数 BP 算法的基本思想：学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望输出（教师信号）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号作为修正各单元权
基于Bp神经网络的股票预测
基于神经网络的股票预测 【摘要】: 股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。 【abstract] Stock analysis and forecasting is a complex field of study. The paper will make research on stock prediction model based on the analysis of historical data, using BP neural network and technical analysis theory. At the same time, making in-depth theoretical analysis and empirical studies on the short-term closing price forecasts of single stock. Secondly, making research on the model and structure of BP neural network, learning rules, weights of BP algorithm and so on, building a stock short-term forecasting model based on the BP neural network, related with the model of neural network and the ability of generalization. Moreover, using system of multiple-input single-output and single hidden layer, to forecast the sixth day price by BP neural network forecasting model structured. The network of training is chosen BP algorithm of traingdx, while making optimization on the node numbers of the hidden layer by several attempts. Thereby resolve effectively the problem of it. 【关键词】BP神经网络股票预测分析 1．引言 股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。影响股价的因素可简单地分为两类，一类是公司基本面的因素，另一类是股票技术面的因素，虽然股票的价值是公司未来现金流的折现，由公司的基本面所决定，但是由于公司基本面的数据更新时间慢，且很多时候并不能客观反映公司的实际状况，采用适当数学模型就能在一定
人工神经网络在电力负荷预测上的分析与探讨
人工神经网络在电力负荷预测上的分析与探讨 作者：赵宇红胡玲刘旭宁 来源：《科技创新导报》2011年第02期 摘要:电力负荷的预测是电力系统规划的基础,对配变系统和新发电厂的建立具有重要意义。传统的预测方法是通过数学模型来分析电力负荷与其影响因素之间的关系,但由于实际工作中的不可预见因素较多,因此很难建立一个适用于任何情况的表达式。本文通过对人工神经网络在短期电力负荷预测中应用的分析,对其优缺点进行了探讨。 关键词:电力负荷预测人工神经网络应用人工神经网络的分析与探讨 中图分类号:TM76 文献标识码:A 文章编号:1674-098x(2011)01(b)-0090-01 对电力系统负荷的预测对于实现安全发供电、电力系统的自动化运行以及制定工作计划都有着非常重要的意义。传统的预测方法是将线形或分段线形表达作为负荷的预报函数,通过对其进行概率及数理统计的方式对其进行计算,并最终得出预测值。这种方法存在着建模所需的数据量大、适应性不强以及精度不高的问题,因此正逐渐被人工神经网络预测所取代。 1 日负荷模型的构成 电力系统负荷变化的周期性较强,因天气的变化而出现的负荷波动是导致电力系统负荷变化的主要因素,也就是说,N时刻负荷的变化量可以反映出天气的变化情况。因此,用向量的方式来表示负荷型,从而使全部的自变量相对于神经网络来说都属于输入量的中间分量,进而在自变量中隐含负荷与天气变化之间的函数关系。因此,日负荷模型的构成主要包括日基础负荷型和负荷影响因子模型。 1.1 日基础负荷模型 日基础负荷具有明显的周日性和周期性特征,代表了负荷的连续性,是负荷变化的基本规律。 ML［n,t］=∑(1-w)w(i-1)·L［n-(i·7),t］ 其中ML［n,t］代表的是日基础负荷; L［n,t］代表的是第n天t时刻的实际负荷; W代表的是加权系数,取指小于1大于0;
matlab30个案例分析案例14-SVM神经网络的回归预测分析
%% SVM神经网络的回归预测分析---上证指数开盘指数预测 % %% 清空环境变量 function chapter14 tic; close all; clear; clc; format compact; %% 数据的提取和预处理 % 载入测试数据上证指数(1990.12.19-2009.08.19) % 数据是一个4579*6的double型的矩阵,每一行表示每一天的上证指数 % 6列分别表示当天上证指数的开盘指数,指数最高值,指数最低值,收盘指数,当日交易量,当日交易额. load chapter14_sh.mat; % 提取数据 [m,n] = size(sh); ts = sh(2:m,1); tsx = sh(1:m-1,:); % 画出原始上证指数的每日开盘数 figure; plot(ts,'LineWidth',2); title('上证指数的每日开盘数(1990.12.20-2009.08.19)','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12); ylabel('开盘数','FontSize',12); grid on; % 数据预处理,将原始数据进行归一化 ts = ts'; tsx = tsx'; % mapminmax为matlab自带的映射函数 % 对ts进行归一化 [TS,TSps] = mapminmax(ts,1,2); % 画出原始上证指数的每日开盘数归一化后的图像 figure; plot(TS,'LineWidth',2); title('原始上证指数的每日开盘数归一化后的图像','FontSize',12); xlabel('交易日天数(1990.12.19-2009.08.19)','FontSize',12);
BP神经网络MATLAB代码
BP神经网络matlab代码 p=[284528334488;283344884554;448845542928;455429283497;29283497 2261;... 349722616921;226169211391;692113913580;139135804451;35804451 2636;... 445126363471;263634713854;347138543556;385435562659;35562659 4335;... 265943352882;433528824084;433528821999;288219992889;19992889 2175;... 288921752510;217525103409;251034093729;340937293489;37293489 3172;... 348931724568;317245684015;]'; %====期望输出======= t=[4554292834972261692113913580445126363471385435562659... 4335288240841999288921752510340937293489317245684015... 3666]; ptest=[284528334488;283344884554;448845542928;455429283497;29283497 2261;... 349722616921;226169211391;692113913580;139135804451;35804451 2636;... 445126363471;263634713854;347138543556;385435562659;35562659 4335;... 265943352882;433528824084;433528821999;288219992889;19992889 2175;... 288921752510;217525103409;251034093729;340937293489;37293489 3172;... 348931724568;317245684015;456840153666]'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%将数据归一化 NodeNum1=20;%隐层第一层节点数 NodeNum2=40;%隐层第二层节点数 TypeNum=1;%输出维数 TF1='tansig'; TF2='tansig'; TF3='tansig'; net=newff(minmax(pn),[NodeNum1,NodeNum2,TypeNum],{TF1TF2 TF3},'traingdx');
基于BP神经网络的短期负荷预测
基于BP神经网络的短期负荷预测 基于BP神经网络的短期负荷猜测 摘要：基于人工神经网络原理，设计了一个三层的BP网络来实现电力系统的短期负荷猜测。经过仿真验证，利用BP神经网络进行电力系统短期负荷猜测是可行和有效的，其预告结果正确性很高。 要害词：短期负荷猜测；BP神经网络；电力系统 0前言 电力系统负荷猜测是电力生产部门的重要工作之一，通过正确的负荷猜测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。很多学者对此进行了研究，提出了很多种猜测方法，并且及时地将数学上的最新进展应用到猜测中去，使猜测的水平得到迅速提高，负荷猜测研究取得了很大的进展。 1负荷的分类及其短期猜测的方法 1.1负荷的分类 负荷猜测按猜测时间可以分为长期、中期和短期负荷猜测。其中，在短期负荷猜测中，周负荷猜测（未来7天）、日负荷猜测（未来24小时负荷猜测）及提前小时猜测对于电力系统的实时运行调度至关重要。因为对未来时刻进行预调度要以负荷猜测的结果为依据，负荷猜测的结果的正确性将直接影响调度的结果，从而对电力系统的安全稳定运行和经济性带来重要影响。 1.2负荷短期猜测的方法 电力系统负荷短期预告问题的解决办法和方式可以分为统计技术、专家系统法和神经网络等3种。统计技术中所用的短期负荷模型一般可归为时间系列模型和回归模型。时间系列模型的缺点在于不能充分利用对负荷性能有很大影响的气候信息等因素，但需要事先知道负荷与气象变量之间的函数关系，这是比较困难的。并且为了获得比较精确的预告结果，需要大量的计算，这一方法不能处理气候变量和与负荷之间的非平衡暂态关系。专家系统法利用了专家的经验知识和推理规则，使节假日或有重大活动日子的符合预告精度得到了提高。但是，把专家知识和经验等正确地转化为一系列规则是非常不轻易的。 众所周知负荷曲线是与很多因素相关的一个非线性关系函数。对于抽取盒逼近这种非线性函数，神经网络是一种合适的方法。神经网络的优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假定的能力。它不依靠专家经验，只利用观察到的数据，可以从练习过程中通过学习来抽取和逼近隐含的输入/输出非线性关系。近年来的研究表明，相对于前两种方法，利用神经网络技术进行电力系统短期负荷预告可获得更高的精度。本文主要采纳BP神经网络来对电力系统短期负荷进行猜测。 2BP神将网络 2.1BP学习算法的思想 BP算法的基本思想是，学习过程由暗号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出（教师暗号）不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差暗号，此误差暗号即作为修正各单元权值的依据。这种暗号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习练习过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行预先预定的学习次数为止。 2.2BP神经网络的组成及作用