未来智讯 > 神经网络论文 > 基于Elman神经网络的电力负荷预测

基于Elman神经网络的电力负荷预测

发布时间:2018-07-14 01:06:00 文章来源:未来智讯    
    研究具有适应性变特性能力的ELMAN神经网络预测模型,如单隐含层ELMAN回归神经网络模型,双隐含层ELMAN神经网络模型及三隐含层ELMAN神经网络模型,ELMAN神经网络是在多层前向BP网络中引入特殊关联层,形成有记忆能力的网络,从而反映电力负荷预测系统的非线性和动态特性,解决了静态前馈BP神经网络对动态系统进行辨识效果差的问题。
    【关键词】负荷预测;人工神经网络;Elman神经网络;MATLAB语言;编程;进行仿真;提高精度
    前言
    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。
    1 电力负荷预测概述
    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。
    电力负荷预测包括两方面的含义,即用以指安装在国家机关、企业、居民等用户处的各种用电设备,也可用以描述上述用电设备所消耗的电力电量的数值。
    1.2 负荷预测的步骤
    (1)资料的搜集和整理。
    (2)对资料进行分析处理。
    (3)建立预测模型。
    (4)预测结果评价。
    (5)负荷预测管理。
    2 基于ELMAN神经网络负荷预测结果比较
    2.1 ELMAN神经网络的基本概述
    ELMAN网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。ELMAN网络具有与多层前向网络相似的多层结构。它的主要结构是前馈连接, 包括输入层、 隐含层、 输出层, 其连接权可以进行学习修正;反馈连接由一组“结构 ” 单元构成,用来记忆前一时刻的输出值, 其连接权值是固定的。在这种网络中, 除了普通的隐含层外, 还有一个特别的隐含层,称为关联层 (或联系单元层 ) ;该层从隐含层接收反馈信号, 每一个隐含层节点都有一个与之对应的关联层节点连接。关联层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入, 相当于状态反馈。隐层的传递函数仍为某种非线性函数, 一般为 Sigmoid函数, 输出层为线性函数, 关联层也为线性函数。
    2.2 负荷预测建模的一般步骤
    神经网络是一种数据驱动的建模技术,建模的步骤可以归纳如下:
    (1)确定共轭梯度法网络的结构;
    (2)根据以往的经验分析以及理论分析,选取最能反映负荷变化的因素―天气作为神经网络的输入,负荷预测值作为输出;
    (3)选取合适的训练样本集和输出集;
    (4)把输入样本集输入到神经网络,输出集和实际输出相比较,以一定的规则修改网络的连接权值。反复计算误差和修改权值,直到误差达到一定的范围以内;
    (5)用训练好的神经网络进行负荷预测;
    (6)神经网络在使用一定的周期以后,根据实际情况在保留原有的权值基础上选取新的数据样本集对神经网络进行新的训练,使网络权值适应最近一段时间的负荷变化情况,保证预测的精度。
    2.3 网络训练计算出预测日24小时的负荷
    2.3.1 带入数据预测
    网络经过训练后才可以用于电力负荷预测的实际应用。考虑到网络的结构比较复杂,神经元个数比较多,需要适当增大训练次数和学习速率。
    2.3.2 循环训练得出预测结果
    由于利用神经网络工具箱在MATLAB中的某一次运行结果误差较大且不一定是最准确的,经过测试,在原有程序中添加for循环。
    2.4 数据结果分析
    基于对负荷预测精度的重要性运用量化共个梯度法的神经网络对电力系统短期负荷预测进行了研究。总结全文,可以得出以下几个主要结论:
    (1)通过对十堰地区2005年10月2日至10月13日的数据处理,预测了10月13日的24小时负荷,负荷预测误差值在预定的误差范围内,说明本文所建立的ELMAN神经网络模型是正确的,运用的回归神经网络进行短期负荷预测具有可行性。
    (2)加了循环程序进行运行得出的预测数据与实际值比较误差更小,所有24个点的误差的绝对百分误差都小于9%,最小绝对百分误差为0.16%,最大绝对百分误差为8.64%,预测的更加精确,取得了较满意的结果。
    3 程序参数变化与负荷预测结果比较
    改变原程序的参数对比结果,截取一天中的6个小时进行运行预测。改变训练目标的精确度,当其他参数不变,训练目标精确度为零时预测效果最好。当变为其他值如0.1,0.2时,与实际值相差很大,不能得到较为精确的预测值,故不能使用。
    4 结果的讨论
    短期负荷预测是一个应用性很强的研究课题,本文只不过是对这一课题的初步探讨,在以后的研究中,以下问题有待于进一步解决:
    (1)在今后的负荷预测中,不仅要提高整体预测精度,更重要的是研究如何减小最大预测误差值、减少大预测误差发生的次数。
    (2)对于元旦、春节、五一、国庆等特殊节假日的负荷预测,一直是负荷预测中比较困难的问题。本文的预测工作并未考虑这些特殊节假日的预测,而且文中所采用的神经网络和样本数还不足以准确地对他们进行预测。
    (3)另外关于负荷预测建模方面,除了用本文介绍的基于量化共轭梯度法的改进BP网络以外,还可以考虑用RBF网络(径向基函数网络)建模,以及结合小波变换来进行预测,以非线性小波基为神经元函数,通过伸缩因子和平移因子计算小波基函数合成小波网络,从而达到全局最优的逼近效果。
    参考文献:
    [1]赵璐.基于人工神经网络的电力系统负荷预测[J].硅谷,2008(08).
    [2]刘元松.小议电力系统负荷预测的基本原理及方法[J].黑龙江科技信息,2010(27).
    [3]齐玉莲,王立忠.电力系统负荷预测方法及特点[J].黑龙江科技信息,2008(19).
    [4]牛东晓,曹树华,赵磊,张文文.负荷预测技术及其应用[M].北京:中国电力出社,1998.
转载请注明来源。原文地址:https://www.7428.cn/page/2018/0714/21837/
 与本篇相关的热门内容: