翻译-人工神经网络在短期负荷预测中的应用_精品.doc

目 录 外文文献翻译 1 1 绪论 1 2 各种影响负荷预测的因素 2 3 混合神经网络 3 3.1 线性神经网络 3 3.2 非线性神经网络 4 4 神经网络结构的确定 5 4.1 自动校正 5 4.2 遗传算法 7 5 短期负荷预测系统 7 6 仿真结果 9 7 优化处理 10 7.1 基于规则系统 10 7.2 模式识别系统 10 结论 11 外文文献原文 12 1.Introduction 12 2.Variables Afferting Short-Term Load 14 3. Hybrid Neurak Networks 15 3.1 Linear Neutal Networks 15 3.2 Non-Linear Neural Networks 16 4. Determination of Network Structure 17 4.1 Autocorrelation 18 4.2 Genetic Algorithm 19 5. Short Term Load Forecasting System 20 6. Simulation Result 21 7.Enhancement 22 7.1 Rule-Based System 23 7.2 Pattern Recognition System 23 Conclusion 24 外文文献翻译 人工神经网络在短期负荷预测中的应用 摘要： 在本文，我们将讨论如何利用人工神经网络对短期负荷进行预测。在这类系统中，有两种类型的神经网络：非线性和线性神经网络。非线性神经网络是用来捕获负荷和各种输入参数之间的高度非线性关系。基于ARMA模型的神经网络，主要用来捕捉很短的时间期限内负载的变化。我们的系统可以实现准确性高的短期负荷预测。 关键词：短期负荷预测，人工神经网络 1 绪论 短期（每小时）负荷预测对于电力系统的稳定运行是必要的。准确的负荷预测对于高效的发电调度，开停机计划，需求方的管理，短时维护安排或其他目的等是很必要的。改进短期负荷预测的准确性能为公共事业和联合发电节省很多开支。 很多种电力系统负荷预测方法在学术界已经报导了。这些方法包括：多元线性回归法，时间序列法，一般指数平滑法，卡尔曼滤波法，专家系统法和人工神经网络预测法。由于电力负荷和各种参数（天气的温度，湿度，风速等）之间的高度非线性的关系，无论在电力负荷预测建模或在预测中都有重要的作用。人工神经网络就是这种具有潜力的非线性技术的代表，但是由于电力系统的复杂性，神经网络的规模会较大，所以，当终端用户每天甚至每小时都在改变系统的运行时，训练这个网络将是一个重大的问题。 在本文中，我们把这网络看作是建立在负荷预测系统上的混合神经网络。这类网络中包含两类网络：非线性神经网络和线性神经网络。非线性神经网络常用来捕获负荷与各种输入参数（如历史负荷值、气象温度、相关湿度等）间的高度非线性关系。我们常用线性神经网络来建立ARMA模型。这种基于ARMA模型的神经网络主要用来捕获负荷在很短时间期限内的变化。 最终的负荷预测系统是两种神经网络的组合。要用大量的历史数据来训练神经网络，以减小平均绝对误差百分比 (MAPE)。一种改进的反向传播学习算法已经用来训练非线性神经网络。我们使用Widrow -霍夫算法训练线性神经网络。当网络结构越简单，那整个系统的训练也就越快。 为了说明这个基于实际情况的负荷预测系统的神经网络的性能，我们采用一个公共机构提供的实际需求数据来训练系统，利用三年（1989，1990，1991）中每小时的数据来训练这个神经网络，用1992年每小时的实际需求数据用来验证整个系统。 这文章内容安排如下：第一部分介绍本文内容；第二部分描述了影响负荷预测结果的因素；第三部分介绍了混合神经网络在系统中的应用；第四部分描述了找到最初网络结构的方法。第五部分详细介绍了负荷预测系统；第六部分给出了一些仿真结果；最后，第七部分介绍了系统的优化处理。 2 各种影响负荷预测的因素 以下是一些影响负荷预测的因素： 温度 湿度 风速 云层 日照时间 地理区域 假期 经济因素 显然，这些因素的影响程度取决于负荷的类型。例如：温度变化对民用和商业负荷的影响大于它对工业负荷的影响。相对较多民用负荷的区域的短期负荷受气候条件影响程度大于工业负荷较多的区域。但是，工业区域对于经济因素较为敏感，如假期。 如下一个例子，图2.1表示了午夜开始的一天中负荷的变化。 图2.1 一天中负荷变化的示例 3 混合神经网络 我们所研究的负荷预测系统由两类网络组成：ARMA模型的线性神经网络和前馈非线性神经网络。非线性神经网络常用来捕获负荷与各种输入参数间的高度非线性关系。我们常用线性神经网络来建立ARMA模型，这种基于ARMA模型的神经网络主要用来