第07章-电力需求预测概要.ppt

1-* 记残差的方差为 ，则 记实际值x(0)(k)(k=0，1，2，…，n)的平均值为 ，则 记历史数据的方差为　　，则 1-* 　　构造两个重要数据，即后验差比值C，小误差概率P，计算公式分别为 　　通过检验的标准为精度等级越小越好，四级为不通过。精度等级表如下表所示 精度等级 一 二 三 四 P 0.95 0.8 0.7 ≤0.7 C 0.35 0.5 0.65 ≥0.65 1-* 二、人工神经网络预测技术 　　人工神经网络是在对人脑组织结构和运行机制认识理解的基础之上模拟其结构和智能行为的一种工程系统。早在20世纪40年代初期心理学W.S. McCulloch和数学家W.Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。其后E.Rosenblatt又提出了感知模型，使得人工神经网络技术得以蓬勃发展。 1-* (一)人工神经网络的工作原理 　　人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对手写“A”、“B”两个字母的识别为例进行说明。 　　规定当“A”字母输入网络时，应该输出“l”，而当“B”字母输入网络时，应该输出“0”。所以网络学习的准则应该是：如果网络作出错误的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。具体做法是： 1-* 1) 首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图像模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50％，是完全随机的。 2) 如果输出为“l”，即结果正确，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。 3) 如果输出为“0”，即结果错误，则把网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使网络下次再遇到“A”模式输入时，减小犯同样错误的可能性。 1-* 4) 如此操作调整，当给网络轮番输人若干个手写字母“A”、“B”后，经过按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。这说明网络对这两个模式的学习已经获得了成功，它已将这两个模式分布地记忆在网络的各个连接权值上。当网络再次遇到其中任何一个模式时，能够作出迅速、准确的判断和识别。 　　一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。 1-* (二)多层感知网络与BP算法 　　多层感知网络是一种具有三层或三层以上的阶层型神经网络。典型的多层感知网络是三层、前馈的阶层网络，包括输入层、隐含层(也称中间层)和输出层，相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无自连接。　　 1-* (二)多层感知网络与BP算法 　　BP算法，也称为误差逆传播学习算法。BP算法的学习规则是以一种有教师示教的方式进行学习。首先由教师对每一种输入模式设定一个期望输出值。然后对网络输入实际的学习记忆模式，并由输入层经过中间层向输出层传播，此过程称为“模式顺传播”。实际输出与期望输出的差值叫误差。按照误差平方最小这一规则，由输出层往中间层逐层修正连接权值，此过程称为“误差逆传播”。所以BP算法也称为误差逆传播算法。 1-* 　　随着“模式顺传播”和“误差逆传播”过程的交替反复进行，网络的实际输出逐渐向各自所对应的期望输出逼近，网络对输入模式响应的正确率也不断上升。通过此学习过程，确定下来各层间的连接权值之后就可以工作了。 　　由于多层感知网络及误差逆传播算法具有中间隐含层并有相应的学习规则可寻，使得它具有对非线性模式的识别能力。特别是其数学意义明确、步骤分明的学习算法，更使其具有广泛的应用前景。 1-* (三)人工神经网络在电力需求预测中的应用 　　运用人工神经网络进行电力需求预测是一种现代预测技术。这种预测方法可以模仿人脑的智能化处理，对大量非线性、非精确性结构规律具有自学习和自适应功能，这是常规算法所不具备的优点。 　　人工神经网络主要用于短期电力需求预测，也有用于中长期电力需求预测的，但用于短期预测比用于长期预测更为合适。因为短期电力需求预测是一个比较平稳的随机过程，而长期电力需求预测不是一个平稳的过程，常常受国家政策、经济政策的影响而出现大的转折。 1-* 　　目前用于电力需求预测普遍采用的是肿模型，如上所介绍的，模型有三个层次：输入层、隐含层和输出层。将影响电力需求的各种特征量，如最高温度、最低温度、平均温度、负荷类型(工作日、节假日等)等特征作为BP模型的输人量，采用误差逆传播算法，经过一定的训练。获得电力需求的预测值。研究表明，预测效果比其他方法更准确。具有实用价值。 1-* 三、小波分析预测技术 　　小波分析