文獻(xiàn)綜述1 基于elman神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)研究

1、基于基于Elman神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)研究神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)研究摘要電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力生產(chǎn)部門(mén)的重要工作之一，其負(fù)荷變化具有明顯的周期性，文章采用Elman神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)建立模型，提出了一種基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)方法。對(duì)某電網(wǎng)實(shí)際歷史數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)，經(jīng)研究發(fā)現(xiàn)，Elman模型具有收斂速度快、預(yù)測(cè)精度高的特點(diǎn)，同時(shí)表明利用Elman回歸神經(jīng)網(wǎng)絡(luò)建模對(duì)某電網(wǎng)負(fù)荷進(jìn)行預(yù)測(cè)是完全可行的，在負(fù)荷預(yù)測(cè)領(lǐng)域有著較好的應(yīng)用前景。引言引言經(jīng)濟(jì)

2、的高速發(fā)展帶來(lái)了城市化與工業(yè)生產(chǎn)規(guī)模的不斷發(fā)展，也使得城市供電系統(tǒng)的供需矛盾變得日益突出起來(lái)，特別是夏季，城市電力緊缺的現(xiàn)象越來(lái)越普遍。進(jìn)行供電量的預(yù)測(cè)不僅可以為合理分配現(xiàn)有的電力資源，新建或者擴(kuò)建、改建電廠提供可靠的依據(jù)，而且也是影響到居民正常工作和生活基本保障的一個(gè)重要問(wèn)題。因此，尋找城市供電量的規(guī)律性，預(yù)測(cè)今后幾年的供電量，不僅對(duì)于城市建設(shè)與城市管理有著重要的指導(dǎo)意義，而且也與居民的日常工作和生活息息相關(guān)。因此電力負(fù)荷預(yù)測(cè)是電力系

3、統(tǒng)運(yùn)行調(diào)度中一項(xiàng)非常重要的內(nèi)容，是保證電力系統(tǒng)安全經(jīng)濟(jì)運(yùn)行和實(shí)現(xiàn)電網(wǎng)科學(xué)管理的基礎(chǔ)。目前在電力系統(tǒng)負(fù)荷預(yù)測(cè)領(lǐng)域應(yīng)用最廣泛的是靜態(tài)前饋BP神經(jīng)網(wǎng)絡(luò)，尤其是短期負(fù)荷預(yù)測(cè)領(lǐng)域應(yīng)用居多。本文采用Elman神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性和較強(qiáng)的非線性映射能力對(duì)某電網(wǎng)的負(fù)載進(jìn)行預(yù)測(cè)。仿真結(jié)果取得了令人滿意的結(jié)果?？梢灶A(yù)見(jiàn)Elman神經(jīng)網(wǎng)絡(luò)在電網(wǎng)負(fù)荷預(yù)測(cè)中有廣闊的前景。1某電網(wǎng)負(fù)荷特性分析某電網(wǎng)負(fù)荷特性分析通過(guò)對(duì)某電網(wǎng)月度負(fù)荷數(shù)據(jù)序列的分析可知，隨時(shí)間的推移，月

4、度負(fù)荷相比于往年同一月的歷史負(fù)荷具有明顯的增長(zhǎng)趨勢(shì)，如圖1所示為20012005年某電網(wǎng)1O、11、12月用電量；如圖2所示為20012005年某電網(wǎng)分月用電量。明顯該電網(wǎng)年負(fù)荷曲線最高峰多出現(xiàn)在冬季l1、12月份，全年2月份、9月份負(fù)荷最低。22算法簡(jiǎn)介算法簡(jiǎn)介如圖3所示，設(shè)網(wǎng)絡(luò)的外部輸入(1)ukR???，輸出為()mykR??，若記隱含層的輸出為()xkR??，Elman神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式為：3()(())ykgxk?

5、?12()(()(1))cxkfxkuk?????（1）()(1)cxkxk??其中，k表示時(shí)刻，y，x，u，cx分別表示1維輸出節(jié)點(diǎn)向量，維隱含層節(jié)點(diǎn)單元向量，維輸入向量和維反饋狀態(tài)向量；3?，2?1?分別表示隱含層到輸出層、輸入層到隱含層、承接層到隱含層的連接權(quán)值矩陣；f(.)為隱含層神經(jīng)元的傳遞函數(shù)，這里采用tansig函數(shù)表示，g(.)為輸出層傳遞函數(shù)，采用purelin函數(shù)。由(1)式可得：()(1)cxkxk??1211[(

6、(1)(2))]kckfxkuk????????（2）又由于(1)(2)cxkxk???2)，上式可以繼續(xù)展開(kāi)。說(shuō)明()cxk依賴于過(guò)去不同時(shí)刻的連接權(quán)11k??，22k??，即()cxk是一個(gè)動(dòng)態(tài)遞推過(guò)程。Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法采用的是優(yōu)化的梯度下降算法，即自適應(yīng)學(xué)習(xí)速率動(dòng)量梯度下降反向傳播算法，它既能提高網(wǎng)絡(luò)的訓(xùn)練效率，又能有效抑制網(wǎng)絡(luò)陷入局部極小點(diǎn)。學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實(shí)際輸出值與輸出樣本值的差值來(lái)修改權(quán)值和閾值，使得網(wǎng)絡(luò)輸出

7、層的誤差平方和最小。設(shè)第k步系統(tǒng)的實(shí)際輸出向量為()dyk，在時(shí)間段(O，T)內(nèi)，定義誤差函數(shù)為：211[()()]2TdkEykyk????（3）以3?，2?為例，將E對(duì)3?，2?分別求偏導(dǎo)，可得權(quán)值修正公式為：3311(1)(1)(()())(.)()()jdjjkmcykykgxkmck??????????22(1)(1)(()())(.)(1)()jqdjqjqkmcykykfukmck???????????（4）其中，j=l，