电力系统负荷预测毕业答辩PPT.ppt

1 负荷预测的分类 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 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 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 2 BP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： 3 程序设计流程图 最小二乘法的设计 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 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 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。 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 3 改进后网络结果分析 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。 * * 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 本次设计主要研究 短期负荷预测 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 相对传统方法其具有更大的优势 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 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 4 BP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。 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