BP人工神经网络负荷预测模型的L—M训练算法.pdfVIP

维普资讯 第29卷第3期 四川 电力技 术 v01．29．No．3 2OO6年6月 Sidam EhcttlcPowerTechndo~, Apr．·20O6 BP人工神经网络负荷预测模型的L—M训练算法 杨毅强。刘天琪 (四川大学电气信息学院，四川成都 6l0065) 摘 要：根据电力系统短期负荷预洲的需要。用c++开发了单隐舍层BP人工神经网络程序。程序用Levenberg— M哪ualdt训练算法实现神经网络训练。大大提高了训练速度。采用24个单输出人工神经网络模型分别预测每天的整 点负荷。谊预测模型可动态生成，提高了预测模型的自适应性。实际算例结果表明，采用试算法及其租序进行短期负 荷预测，可得到令人满意的训练速度及预测精度。 关键词：人工神经网络；嘲lbe瑁一MlIIqurdt算法；C++；短期负荷预测；调度自动化 Abstract：Accordingtothedemand short—termloadforecastofp syaem，ao|le—hidden—k叮erartificialneundnetworkpro- grainisdevdop~dwithC++．nletrai~a=gprocessisaccomplhhedbytev~ -Ml哪u[rdt thm，andthetraining8peedis muchfaster．Thehourlyloadoftheforecasting,byisforecastedby24artificialneuralnetl~lrkmodelsr~pectivdy．TheadaptabtUty 0fthemodalisenhB／IC~bythedyllgR~Ctrainingbeforef,~ ting．Theactualcalcuhfionre~tsindicatethatthetraining叩eedand theforecastingaomr~yaresatisfactory． Keywords：artificialneuralnetwo~；Levenberg—Ma唧 algorithm；C++；short—term loadforecast；dispatchaut~nafion 中图分类号：1M714 文献标识码：A 文章编号：1003—6954{20O6)O3—0029—03 负荷预测是电力生产部门重要工作之一。准确 们分别表示网络的输入和期望输出。 矩阵的一行 的短期负荷预测既可以增加电力系统运行的安全性， 表示一个输入样本，每一行的第_个『元素表示它作为 又能改善系统运行的经济性。常用的短期负荷预测 输入层第_『个神经元的输入。期望输出矩阵 ，以及 方法有时问序列法、专家系统法、人工神经网络、小波 在前向计算中产生的矩阵均采用了类似的存储结构。 变换、支持向量机等。 为叙述和编程实现方便，把神经元的阈值当作权值处 前馈神经网络作为短期负荷预测的主要方法之 理，存放在权阈值矩阵的第一列，权阈值矩阵表示为 一 ， 因其有较高的预测精度，得到了广泛的应用。然 髓 。假设网络第 和第M一1层神经元数分别为 a 而传统的BP训练算法收敛速度非常慢，训练一个网 和b，则 髓肘是一个 口×(b+1)的矩阵。 当-≠『0 络需要很长时间，甚至有可能不收敛。所以，传统 BP 时表示 层第i个神经元与M一1层第_『个神经元 训练算法难以适应实际应用的需要。为此人们提出 间连接的权值， f0表示 i个神经元的阈值。训练样 了多种改进算法。这些算法分为两类，一是采用优化 本有 q个，网络输出数为 n。 算法，如采用遗传算法优化神经网络；另一种是采用 1．1 前向计算的矩阵形式 更有效的训练算法[4]