BP神经网络在短期电力负荷预测中的应用.pptxVIP

BP神经网络在短期电力负荷预测中的应用指导老师：作者姓名：0 BP网络理论简介BP网络是一种具有三层或三层以上神经元的神经网络，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各连接权值，这种算法称为“误差反向传播算法”，即BP算法。随着这种误差逆向的传播修正不断进行，网络对输入模式响应的正确率也不断上升。1 负荷预测步骤2 问题分析预测目标：根据深圳市2014年6月30日至7月13日的全市历史数据，预测7月14至20日的负荷情况2 问题分析影响负荷变化的因素：1.电力系统负荷内部变化2.气候因素： 温度、天气状况3.时间因素： 将一周的7天分为工作日（星期一到星期五）和休息日（星期六和星期天）两种类型。 将一周分为星期一、星期二到星期五、星期六和星期日4种类型。 将一周的7天每天都看做一种类型，共有7种类型。3 训练样本的选取三种选取方式：输入2014年6月30日至7月13日两周周一至周五各天前一天的负荷、气候数据，输出后一天负荷； 输入6月30日至7月14日两周周末前一天的负荷、气候数据，输出后一天负荷。输入2014年6月30日至7月13日每天的各时刻负荷、气候、时间数据，输出后一时刻的负荷。输入2014年6月30日至7月13日两周各天的气候、时间数据，输出后一天的负荷。4 数据预处理4.1负荷归一化处理将数据处理为区间[0,1]之间的数据: 样本输入： （2-1） 样本输出：（2-2）在输出层则用下列公式换算成实际的负荷预测值: （2-3）4.2温度处理深圳市七月的温度高温大致为32~34?C ，低温大致为26~28?C。温度变化区间不大。或??4.3天气状况的量化处理 天气数据量化处理表 例：晴转多云的天气状况量化后取0.9。晴多云阴小雨中雨大雨小雪中雪大雪晴10.90.850.750.70.650.60.550.5多云0.90.80.750.650.60.550.50.450.4阴0.850.750.70.60.550.50.450.40.35小雨0.750.650.60.50.450.40.350.30.25中雨0.70.60.550.450.40.350.30.250.2大雨0.650.550.50.40.350.30.250.20.15小雪0.60.50.450.350.30.250.20.150.1中雪0.550.450.40.30.250.20.150.10.05大雪0.50.40.350.250.20.150.10.0505 BP神经网络建模5 BP神经网络建模作用函数:(0,1)S型函数 ??输入——隐含层：?隐含层——输出层：??5 BP神经网络建模误差函数为二乘误差函数：??隐含层—输出层：?输入—隐含层误差：??5 BP神经网络建模权值、阀值更新：权值加快迭代收敛公式阀值迭代公式??5 BP神经网络建模训练次数训练目标学习速率2000010e-40.05 参数设定5 BP神经网络建模6 结果分析输入层前一时刻负荷值当天最高气温当天最低气温当天天气当天的日期类型前一时刻值(48点)周一周二~周五周六周日123456789 ~ 56输出神经元1个：后一时刻负荷值隐层神经元8个第一种训练方式：?预测误差/MW预测误差百分比7月14日周一507.37670.04207月15日周二664.95570.04487月16日周三616.75340.04257月17日周四1487.9590.10287月18日周五683.64120.07227月19日周六413.63010.04267月20日周日177.35490.018周一，7月14日：阵雨转多云0.2；最高33；最低28周二，7月15日：阵雨转多云0.2；最高33；最低28周三，7月16日：阵雨转多云0.2；最高33；最低26周四，7月17日：小到中雨转阵雨0.4；最高32；最低26周五，7月18日：大到暴雨转暴雨0.6；最高31；最低26周六，7月19日：阵雨0.3；最高31；最低276 结果分析输入层前一天负荷值（48点）当天最高气温当天最低气温当天天气1出神经元48个：这天各时刻负荷值隐层神经元25个第二种训练方式：工作日训练结果：工作日训练结果：预测误差/MW预测误差百分比7月14日周一744.47 0.0505857月15日周二781.590.0524747月16日周三559.10.0379117月17日周四515.950.0347927月18日周五924.810