混沌神经网络负荷预测负荷预测.ppt

短期负荷预测 多步预报法 如需进行多步预报，可将预测值作为新信息加入原时间序列并重复使用单步预报模式即可实现多步预报，但这种方式计算量大，且存在严重误差累积效应。为此，提出了最大Lyapunov指数的多步预报模式。 最大Lyapunov指数的几何意义是量化初始闭轨道的指数发散和估计系统的总体混沌水平的量。所以，结合基本轨道上每个点的最近邻近点的平均发散速率的估计式有： 得到 j 步的计算公式： 如果最大Lyapunov指数 时，随着 j 的变大 会变的很大，这时用此公式预测就变得不准确，所以适合于 较小的情况。短期电力负荷就属于弱混沌系统。 短期负荷预测 多步预报法 （a）单步迭代预测结果 （b）多步预测结果 平均误差1.2222% 平均误差0.8279% 短期负荷预测 负荷记录的模型的建立 设采用 n个子模型 来进行负荷预报，即负荷为： 设由这n 个子模型得到的预报子序列是相互正交的。则对于一段时间内的负荷p(t) 的平均预报误差为： 为 在该时段内预报误差的平均值。 所以降低负荷预报误差的一种优化方法是：选用比较小的子模型数目n，并且使各 尽可能小。这就是说，各子模型的选取，要考虑到对其预报值的误差尽可能小。 由于山西电网负荷记录是以双周期行为为主，并且带有一定的混沌性质及其他性质，如发展趋势、节日性和季节性等。因此可以选用“双周期”、“混沌”2 个子模型来进行预报。双周期子模型既是可以精确预报的，又是功率谱上最突出的成分。因此预报误差直接来源于混沌子模型。由于双周期成分可以精确预报，保证了负荷预报的各点相对误差小于单纯的混沌预报法。 双周期加混沌预测法 短期负荷预测 双周期加混沌预测法 （a）剩余成分的预测值与实际值对比图 （b）总负荷的预测值与实际值对比图 平均误差0.7474% 短期负荷预测 双周期加混沌预测法 （a） 改进前后BP神经网络预测结果的相对误差对比 （b）改进的BP神经网络与零阶加权局域预测方法预测结果的相对误差对比 短期负荷预测 神经网络预测法 输入层 隐含层 输出层 BP神经网络是典型的前馈神经网络，它具有输入层、输出层和隐含层。理论研究表明，一个三层（一个输入层、一个隐含层、一个输出层）的前馈神经网络能实现从输入到输出间任何复杂非线性映射关系，很适合于电力系统的负荷预测。 BP算法的主要思想是把学习过程分为两个阶段：第一阶段（正向传播过程），给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出；第二阶段（反向传播过程），若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值（即误差），以便根据此差调节权值。 短期负荷预测 神经网络预测法 人工神经网络的以下几个突出的优点使它近年来引起人们的极大关注: 分布存储和容错性。一个信息不是存储在一个地方，而是按内容而分布在整个网络上，网络某一处也不是只存储一个外部信息，每个神经元存储多种信息的部分内容。这种存储方式的优点在于：若部分信息部完全如丢失或损坏，即少量神经元或连接损坏，网络仍能恢复处原来正确的完整的信息，系统仍能运行，不影响系统的整体功能，表现出很强的鲁棒性和容错性。 大规模并行处理。人工神经网络在结构上是并行的，而且网络的各个单元可以同时进行类似的处理过程。因此，网络中的信息处理是在大量单元中平行而又有层次的进行，运行速度高。 自学习、自组织和自适应。在学习和适应要求的过程中系统内部结构和联系方式有改变，神经元网络是一种变结构系统，恰好能完成对环境的适应和对外界事物的学习能力。神经元之间的连接多种多样，各元之间连接强度具有一定的可塑性。这样，网络可以通过学习和训练进行自组织以适应不同信息处理的要求。 神经元网络是大量神经元的集体行为，并不是各单元行为的简单相加，而表现出一般复杂非线性动态行为的特性。如不可预测行、不可逆性、有各种类型的吸引子（信息正是“储存”在定点吸引子上）和出现混沌现象等。因此它能够充分逼近任意复杂的非线性系统。 短期负荷预测 神经网络预测法 缺点 易陷入局部最小 收敛速度慢 网络结构不确定 混沌 附加动量项 学习速率自适应调整 表示负梯度。 由于前人大量的数值实验已表明，神经网络第一层输入的个数一般等于混沌时间序列重构相空间的饱和嵌入维数时，预测效果最佳。因此如果重构后确定该负荷序列具有混沌特性，那么将每个相点作为神经网络输入的一个样本数据，把相点的前m-1个分量作为神经网络的输入，第m个分量作为神经网络的期望输出，这样就确定了BP网络的输入层和输出层。 短期负荷预测 咸阳电网2004年6月1日到2004年8月31日小时负荷 咸阳电网2004年