基于Bagging算法和遺傳BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測

建立bp（backpropagation）神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的電力負(fù)荷預(yù)測模型。在該模型中，利用遺傳算法具有的全局尋優(yōu)特點，將bp網(wǎng)絡(luò)的初始權(quán)值優(yōu)化到一個較小的范圍，然后再用bp算法在該范圍內(nèi)繼續(xù)優(yōu)化，以便使優(yōu)化算法既能實現(xiàn)全局最優(yōu)求解，又能獲得較快的求解速度。最后，通過仿真算例，與傳統(tǒng)bp網(wǎng)絡(luò)優(yōu)化結(jié)果、及各種擬合方法獲得結(jié)果進行比對，驗證了計算方法的可行性和優(yōu)越性。

將bp神經(jīng)網(wǎng)絡(luò)用于電力負(fù)荷預(yù)測。給出了具體的數(shù)據(jù)處理方法、神經(jīng)網(wǎng)絡(luò)構(gòu)造及預(yù)測結(jié)果評價方法。在南京市夏季電力負(fù)荷統(tǒng)計數(shù)據(jù)集上面的實驗結(jié)果表明,bp神經(jīng)網(wǎng)絡(luò)能夠?qū)﹄娏ω?fù)荷進行較好地預(yù)測。

電力系統(tǒng)短期負(fù)荷預(yù)測是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經(jīng)濟運行提供保障，也是電力市場環(huán)境下編排調(diào)度計劃、供電計劃、交易計劃的基礎(chǔ)。因此，短期負(fù)荷預(yù)測方法的研究一直為人們所重視。

電力系統(tǒng)短期負(fù)荷預(yù)測是能量管理系統(tǒng)的重要組成部分，不但為電力系統(tǒng)的安全、經(jīng)濟運行提供保障，也是電力市場環(huán)境下編排調(diào)度計劃、供電計劃、交易計劃的基礎(chǔ)。因此，短期負(fù)荷預(yù)測方法的研究一直為人們所重視。

電力系統(tǒng)負(fù)荷預(yù)測的重要性、分類和主要預(yù)測方法,bp神經(jīng)網(wǎng)絡(luò)算法的基本理論和預(yù)測過程,建立基于bp神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測模型,以加州24h的電力負(fù)荷預(yù)測為例進行matlab仿真,結(jié)果顯示預(yù)測精度符合電力系統(tǒng)要求。

空調(diào)負(fù)荷是近年來增長較快的一類負(fù)荷,其特性對電網(wǎng)的電壓穩(wěn)定性影響很大。夏季影響空調(diào)負(fù)荷的因素主要是溫度和濕度的變化。為了更好的預(yù)測空調(diào)降溫負(fù)荷,研究了溫度和濕度對空調(diào)負(fù)荷的影響。利用bp人工神經(jīng)網(wǎng)絡(luò)對電網(wǎng)空調(diào)負(fù)荷進行了預(yù)測,經(jīng)過分析把日平均濕度量化成4段,和日平均濕度實際數(shù)值的模型進行計算比較,結(jié)果顯示考慮日最高溫度和日平均濕度量化為4段能更好的模擬溫度、濕度和空調(diào)負(fù)荷之間的非線性關(guān)系,能更好的對電網(wǎng)空調(diào)負(fù)荷進行預(yù)測。

討論如何利用人工神經(jīng)網(wǎng)絡(luò)進行電力系統(tǒng)短期負(fù)荷預(yù)測。研究結(jié)果表明:基于bp神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測具有精度高的特點,符合預(yù)測結(jié)果的相對誤差小于3.06%。

由于影響電力負(fù)荷的因素之間存在著非線性,所以采用神經(jīng)網(wǎng)絡(luò)方案來進行短期電力負(fù)荷預(yù)測。對應(yīng)用于實際的神經(jīng)網(wǎng)絡(luò)算法進行了具體處理,如數(shù)據(jù)的歸一化,輸入向量和輸出向量的選擇。仿真結(jié)果表明其有較好的預(yù)測精度。該模型具有網(wǎng)絡(luò)結(jié)構(gòu)較小、訓(xùn)練時間短、易于實現(xiàn)的優(yōu)點。

基于青島某辦公建筑2015年全年逐時總用電能耗及空調(diào)用電能耗數(shù)據(jù),利用kmeans聚類算法對其進行聚類,將全年能耗水平分為四大類。利用求平均值法得到每一類典型設(shè)備使用率曲線。將典型曲線的數(shù)據(jù)、日前兩周數(shù)據(jù)以及氣象數(shù)據(jù)一同作為bp神經(jīng)網(wǎng)絡(luò)的輸入,預(yù)測未來24小時的建筑總用電和空調(diào)用電,該方法比單用日前兩周數(shù)據(jù)及氣象數(shù)據(jù)進行負(fù)荷預(yù)測能獲得更低的相對誤差、均方根誤差、平均絕對百分誤差。bp負(fù)荷預(yù)測相對誤差在5%以內(nèi),而kmeans-bp負(fù)荷預(yù)測算法控制在±2.5%以內(nèi);bp預(yù)測得到的均方根誤差和平均絕對百分誤差范圍分別在4.6～9.0之間、2.3%～4.4%之間,kmeans-bp將該誤差縮小到3.1、2.0%以內(nèi),對于負(fù)荷預(yù)測精度要求上是階躍性的突破。

針對電力系統(tǒng)短期負(fù)荷預(yù)測的特點,以及人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和復(fù)雜的非線性擬合能力,將人工神經(jīng)網(wǎng)絡(luò)的bp、elman、rbf三種模型用于短期負(fù)荷預(yù)測,建立了短期電力負(fù)荷預(yù)測模型,綜合考慮氣象、天氣等影響負(fù)荷因素進行短期負(fù)荷預(yù)測。某電網(wǎng)實際預(yù)測結(jié)果表明,rbf比bp、elman有更好的預(yù)測精度,更快的速度。

負(fù)荷預(yù)測是實現(xiàn)電力系統(tǒng)優(yōu)化運行的基礎(chǔ),對于電力系統(tǒng)的安全性、可靠性和經(jīng)濟性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò),具有良好的函數(shù)逼近性能,已被廣泛應(yīng)用到電力負(fù)荷預(yù)測中,并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測方法,對存在的問題進行了分析,并對未來的發(fā)展進行了展望。

負(fù)荷預(yù)測是實現(xiàn)電力系統(tǒng)優(yōu)化運行的基礎(chǔ)，對于電力系統(tǒng)的安全性、可靠性和經(jīng)濟性都有著顯著的影響。rbf是一種三層前饋神經(jīng)網(wǎng)絡(luò)，具有良好的函數(shù)逼近性能，已被廣泛應(yīng)用到電力負(fù)荷預(yù)測中，并取得良好的效果。本文主要整理并介紹當(dāng)前基于rfb神經(jīng)網(wǎng)的負(fù)荷預(yù)測方法，對存在的問題進行了分析，并對未來的發(fā)展進行了展望。

提高電力負(fù)荷預(yù)測精度有利于電力部門的安全生產(chǎn),有利于合理安排電網(wǎng)運行方式和機組的檢修計劃,有利于系統(tǒng)的合理規(guī)劃和經(jīng)濟運行。為了提高短期負(fù)荷預(yù)測的精度,把自相關(guān)函數(shù)的概念應(yīng)用到反向傳播(backpropogation,bp)神經(jīng)網(wǎng)絡(luò)輸入變量選擇中,通過matlab仿真軟件建立負(fù)荷預(yù)測模型。最后對某電力系統(tǒng)1d的負(fù)荷進行預(yù)測,仿真結(jié)果驗證了該模型的可行性和有效性。

電力系統(tǒng)負(fù)荷預(yù)測是電力生產(chǎn)部門的重要工作之一,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)測方法。對某電網(wǎng)實際歷史數(shù)據(jù)進行仿真預(yù)測,經(jīng)研究發(fā)現(xiàn),elman模型具有收斂速度快、預(yù)測精度高的特點,同時表明利用elman回歸神經(jīng)網(wǎng)絡(luò)建模對某電網(wǎng)負(fù)荷進行預(yù)測是完全可行的,在負(fù)荷預(yù)測領(lǐng)域有著較好的應(yīng)用前景。

針對bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的訓(xùn)練時間較長、完全不能訓(xùn)練或容易陷入局部極小值等問題,提出基于遺傳克隆選擇算法(cloga)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的流程,克服bp算法的一些缺陷。并通過湖北省人口預(yù)測問題進行效果檢驗,得到滿意的結(jié)果。

由于產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整、居民消費能力消費結(jié)構(gòu)的變化和市場化等因素的影響,城區(qū)中長期電力負(fù)荷預(yù)測具有相當(dāng)?shù)碾y度。建立一個基于遺傳算法和bp算法相結(jié)合的神經(jīng)網(wǎng)絡(luò)預(yù)測模型,以南昌市為例做實證,并與傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)和模擬退火預(yù)測結(jié)果做對比,驗證了該模型的準(zhǔn)確性。最后對城區(qū)未來十幾年的基本用電負(fù)荷進行了預(yù)測和分析。

首次提出了一種基于hht和神經(jīng)網(wǎng)絡(luò)組合的預(yù)測模型。負(fù)荷數(shù)據(jù)首先經(jīng)過emd分解,得到一系列imf分量及余項,通過各分量的頻譜觀察,針對低頻imf分量規(guī)律性及周期性強,高頻分量相對較弱的特點,對低頻imf分量選擇合適的預(yù)測模型直接進行預(yù)測,高頻imf采用多神經(jīng)網(wǎng)絡(luò)組合預(yù)測方法。仿真結(jié)果表明,文中提出的預(yù)測模型的精度高于任一單一模型,并且高于傳統(tǒng)的線性組合預(yù)測模型。

為了合理安排并優(yōu)先保證軍事基地中的電力調(diào)度問題,提出一種基于混沌時間序列和bp神經(jīng)網(wǎng)絡(luò)相結(jié)合的電力短期負(fù)荷預(yù)測方法。根據(jù)混沌理論及神經(jīng)網(wǎng)絡(luò)方法,先基于延遲坐標(biāo)相空間重構(gòu)技術(shù),再應(yīng)用互信息法和飽和關(guān)聯(lián)維數(shù)法,選擇延遲時間和嵌入維數(shù)m,然后用bp神經(jīng)網(wǎng)絡(luò)來實現(xiàn)預(yù)測,并通過對海軍某基地的電網(wǎng)的時間負(fù)荷序列進行實測仿真。仿真結(jié)果表明:相對誤差均在5%以內(nèi),且有33.3%的誤差在1%以內(nèi),證明該預(yù)測方法具有較高的預(yù)測精度和應(yīng)用價值。

電力負(fù)荷數(shù)據(jù)管理系統(tǒng)是電力營銷技術(shù)支持系統(tǒng)的組成部分,對電力系統(tǒng)運行有著重要的輔助作用。采用神經(jīng)網(wǎng)絡(luò)預(yù)測模型,設(shè)計輸入變量和確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的方法和算法,可以使得從歷史樣本知識數(shù)據(jù)到最終預(yù)測模型的建模過程變得簡單明了,便于實際應(yīng)用。預(yù)測方法是使用matlab建立模型,對24個負(fù)荷點預(yù)測,采用多輸入單輸出的神經(jīng)網(wǎng)絡(luò)預(yù)測每天的整點負(fù)荷值。因為電力負(fù)荷與環(huán)境因素有關(guān),在輸入、輸出向量設(shè)計中輸入變量加入天氣特征值。根據(jù)輸入、輸出向量對bp網(wǎng)絡(luò)設(shè)計。該算法結(jié)構(gòu)簡單,最后進行短期負(fù)荷預(yù)測仿真,仿真結(jié)果表明其有較好的預(yù)測精度。該模型具有網(wǎng)絡(luò)結(jié)構(gòu)較小,訓(xùn)練時間短的優(yōu)點,并考慮不同小時負(fù)荷差異,易于實現(xiàn),具有較高的預(yù)測精度,預(yù)測誤差在15%以下,一定程度上克服傳統(tǒng)算法收斂速度慢,容易陷入局部積小的缺點。

當(dāng)前中長負(fù)荷預(yù)測的大部分方法都衍生于傳統(tǒng)的線形統(tǒng)計理論,難以解決復(fù)雜的非線性問題。文中結(jié)合bp人工神經(jīng)網(wǎng)絡(luò)技術(shù),利用人工神經(jīng)網(wǎng)絡(luò)所具有的非線性映射和函數(shù)逼近功能對中長期電力負(fù)荷進行了研究,提出了一種中長期電力負(fù)荷預(yù)測的思路。并利用北京市的實際數(shù)字對未來若干年的用電量進行了預(yù)測,實驗結(jié)果表明,該算法具有較好的準(zhǔn)確性和可行性。

針對bp神經(jīng)網(wǎng)絡(luò)、rbf神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于負(fù)荷預(yù)測時所遇到的問題,提出了一種基于各種神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型。該模型為單輸出的3層神經(jīng)網(wǎng)絡(luò),即將3種神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸入,將實際負(fù)荷值作為神經(jīng)網(wǎng)絡(luò)的輸出,使訓(xùn)練后的網(wǎng)絡(luò)具有預(yù)測能力。該模型能降低單個神經(jīng)網(wǎng)絡(luò)的預(yù)測風(fēng)險,提高預(yù)測精度。仿真結(jié)果表明,所提出的組合預(yù)測模型的精度高于其中任一單一網(wǎng)絡(luò)模型,也高于傳統(tǒng)的線性組合預(yù)測模型。

電力負(fù)荷是受周期性變化以及天氣等因素影響的高度非線性系統(tǒng),而神經(jīng)網(wǎng)絡(luò)僅僅對已學(xué)習(xí)過的模式具有較好的范化能力。為提高神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測精度,提出先對原始負(fù)荷序列進行差分運算以除去其周期性影響,然后依據(jù)相似性原理建立rbf神經(jīng)網(wǎng)絡(luò)預(yù)測模型,仿真實驗表明采用該方法短期負(fù)荷預(yù)測精度有所改善。