人工神经网络应用于电力系统短期负荷预测的探讨
电力系统中的超短期电力负荷预测
电力系统中的超短期电力负荷预测电力系统是现代社会不可或缺的基础设施之一，能源的供需平衡是保障电力系统稳定运行的关键。
在电力系统中，电力负荷预测是一项必不可少的任务，它对于电力系统的规划、运营和调度具有重要意义。
本文将探讨电力系统中的超短期电力负荷预测技术及其应用。
首先，我们来了解一下超短期电力负荷预测的概念和意义。
超短期电力负荷预测是指对未来几小时内电力负荷的变化趋势进行预估的技术。
与长期和中期负荷预测相比，超短期负荷预测的时间范围更为短暂，但对于电力系统的运行却具有重要的影响。
准确的负荷预测可以帮助电力系统实现负荷的合理分配和优化调度，从而提高电力系统的可靠性和经济性。
目前，超短期电力负荷预测主要依靠统计模型和机器学习算法来实现。
统计模型根据历史负荷数据和相关因素的变化规律，通过建立数学模型来预测未来的负荷情况。
常见的统计模型有回归分析、时间序列等。
机器学习算法则通过对大量历史数据的学习和训练，寻找变量之间的非线性关系，并对未来的负荷进行预测。
常见的机器学习算法有人工神经网络、支持向量机等。
在超短期电力负荷预测中，数据的准确性和完整性是影响预测结果的关键因素。
因此，对于电力系统的数据采集和处理具有重要作用。
以往的数据采集方式主要依靠传统的电表和传感器，但随着智能电力网的发展，新一代的智能电表和传感器的应用加速了电力系统数据的采集速度和精确度，并提供了更多有效的数据特征。
此外，还可以利用电力系统和气象数据、节假日和天气因素等进行特征工程，提升预测模型的准确性。
超短期负荷预测模型的建立需要充足的历史数据来进行训练和验证。
同时，模型的选择和参数的确定也是预测准确性的关键。
在选择模型时，需要考虑数据的特点、预测的时间范围和需求的准确性。
在确定参数时，可以通过交叉验证等方法来选择最优的参数，确保模型的预测能力。
超短期电力负荷预测的应用非常广泛。
首先，它在电力系统的规划和建设中起到了重要的作用。
根据负荷预测结果，可以合理安排电力系统的装机容量和传输能力，以应对未来的电力需求。
神经网络算法在新能源预测中的应用
神经网络算法在新能源预测中的应用随着社会经济的快速发展，新能源的利用已成为全球能源转型的重要方向。
而在新能源的开发利用中，如何准确预测其产量和发展趋势就显得至关重要。
神经网络算法作为一种人工智能技术，在新能源预测方面具有广泛的应用前景。
本文将从多个角度探讨神经网络算法在新能源预测中的应用。
1. 神经网络算法的基本原理神经网络算法是一种模仿人脑神经网络结构和功能的数学模型，包含输入层、隐藏层和输出层。
通过不断调整神经元之间的连接权值，使神经网络学习并预测复杂的非线性关系。
这种算法在模式识别、预测和优化等领域有着广泛的应用。
2. 新能源的发展现状新能源是指太阳能、风能、水能等清洁可再生能源，其发展受到政府政策的支持和社会的广泛关注。
然而，由于新能源具有不稳定性和间歇性，其发展与预测便成为亟需解决的问题。
3. 神经网络算法在新能源预测中的应用优势神经网络算法能够处理大量的非线性数据，并且能够学习历史数据中的模式，从而提高预测的准确性。
与传统的统计方法相比，神经网络算法更适用于新能源预测。
4. 数据准备的重要性在神经网络算法的应用过程中，数据准备是至关重要的一步。
准确的数据对神经网络的训练和预测结果有着直接的影响。
因此，在新能源预测中，数据的质量和准确性不能忽视。
5. 神经网络模型的构建构建一个合适的神经网络模型是新能源预测的关键。
需要考虑输入层的数据特征、隐藏层的神经元数量和输出层的结果等因素，通过不断调整参数来优化模型的性能。
6. 神经网络算法的训练和优化神经网络算法的训练过程是一个不断调整权值的过程，需要不断优化损失函数并提高算法的收敛速度。
适当的学习率和正则化参数对神经网络的训练效果至关重要。
7. 新能源预测案例分析通过实际案例来验证神经网络算法在新能源预测中的应用效果。
可以选择太阳能发电量、风力发电量等指标进行预测，并与实际数据进行对比分析，验证神经网络算法的准确性和可靠性。
8. 神经网络算法的改进与优化随着神经网络算法的不断发展，不断有新的改进和优化方法被提出。
基于神经网络的电力设备状态预测与评估
基于神经网络的电力设备状态预测与评估1. 引言电力设备的正常运行对于保障电力系统的可靠性和稳定性至关重要。
然而，电力设备在长时间运行过程中会受到各种外界环境因素和内部故障的影响，存在着潜在的风险。
因此，准确地预测和评估电力设备的状态变化，对于提早发现潜在故障并采取相应的维修和保养措施至关重要。
2. 电力设备状态预测的挑战电力设备状态预测的挑战主要来自两个方面：数据的多样性和复杂性。
首先，电力设备所涉及的数据类型种类繁多，包括温度、电流、电压、湿度等各种传感器数据。
其次，电力设备的工作原理多样，模式复杂，其状态变化具有一定的随机性和非线性特征。
因此，传统的数据预处理和分析方法难以处理这样复杂的数据。
3. 神经网络在电力设备状态预测中的应用神经网络作为一种强大的机器学习技术，具备处理复杂数据和模式识别的能力。
近年来，随着神经网络算法的发展和计算能力的提升，神经网络在电力设备状态预测和评估中得到了广泛的应用。
3.1 数据预处理针对电力设备的数据多样性和复杂性，神经网络可以对原始数据进行有效的预处理。
通过数据归一化、特征抽取、降维等处理手段，能够减少数据的维度和噪声，并提取出数据中的关键特征，为后续的模型建立提供优化的输入。
3.2 神经网络模型建立神经网络模型的建立是电力设备状态预测的核心步骤。
以监督学习为基础的神经网络模型，例如多层感知机(MLP)、循环神经网络(RNN)、卷积神经网络(CNN)等，都可以根据不同的任务需求进行调整和优化。
模型的训练需要大量的标注数据和合理的损失函数，通过不断迭代和优化算法，使得模型能够更好地拟合数据，预测电力设备的状态变化。
3.3 模型评估和优化神经网络模型建立完成后，需要对其进行评估和优化。
评估指标主要包括准确率、召回率、F1值等，可以通过交叉验证等方法进行评估。
如果模型表现不佳，可以通过调整网络结构、改进损失函数、增加数据样本等手段进行优化，提高预测和评估的准确性。
基于人工免疫算法的神经网络电力系统短期负荷预测
排电网设备调度及检修计划 ， 还能提高电力系统运行 的稳定性 ， 减少 电网的发 电成本【 ２ 】 ． 本研究 构造 了基 于人工免疫算法 的神经 网络电力系统短期负荷预测 方法 ， 并通过仿真实验对方法进行 了验证 ．
模型 的神经网络规模相对较小 ， 过度训 练的现象不 容易 出现 ， 预测速度 比较快 ． 多输出模型可 以一次性 得到预测 Ｅ ｌ 的负荷数据 ， 有较好的通用性 ， 缺点是网 络模型比较大， 该网络可能需要数千个 网络权值 、 阈 值等参数 ， 耗费较长的训练时间【 ４ 】 ． 本研究对预测 日
・
１ ６ ０・
成都 大 学学报 （ 自然科 学版 ）
１ ． ３ 层 ． 依据 Ｋ ｏ １ ．
ｍ ｏ ｇ ｏ ｒ ｏ ｖ 定理 ， ３层前 向 网络 可 以满 意再 现任 意 连 续
函数 ， 如果有合理 的结构和适当的权值［ ６ 】 ． 绝大多数
使用人工神经 网络短期负荷研究都是基于单个隐含 层的 ． 对 ３层前 向层 网 络 的 结构 分 析 主 要 是针 对 隐
到 电力系统 的安全运行 和经 济调 度 ， 便 于更合 理 地安
电力市场的负荷数据进行负荷 的频谱分析 ， 采用快
速傅里叶变换 （ Ｆ ａ ｓ ｔ Ｆ ｏ ｕ ｒ ｉ ｅ ｒ Ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ ， Ｆ Ｆ Ｔ ） 对历史负 荷数据进行频谱 分析 ． Ｆ Ｆ Ｉ ｜ 的输人是所有小时负荷 数据构成的数据序列 ， 从 中分析出隐含于负荷数据 中的周 期特 性 ． 分析 结果 显示 ， 负荷 数据 中存在 ８个
基于小波-LMBP神经网络短期电力负荷预测研究
３ ． ２ ． ３构建 ｃ ３ 、 ｄ ３ 、 ｄ ２ 、 ｄ １ 分量合适的预测模 型。 根据各分量 的特点构建各 自的神经 网络结构 。由于 ｃ ３分量与 原 始数 据 序 列 形 状 相 似 ， 应 考 虑 系 统 实 际 负 荷 的特 点 ， 加 入 气 象 因 子数据作为输入变量 。预测第 ｄ天 ｔ 时刻 ｃ 分量负荷值 ， 输入参数 为ｔ 时刻前 １ ２点 ，第 ｄ － １ 、ｄ － ２ 、ｄ － ７ 天ｔ 时刻前后三点的 ｃ ３分量 值， 以及 对 应 日期 的天 气 数 据 （ 降雨 量 Ｒ、 日最 高气 温 Ｔ ｍ ａ ｘ 、 日最 低 气温 Ｔ ａ ｒ ｉ ｎ ） 和 日期 类 型共 ３ ４个 输人 数 据 。由于 ｄ ３ 、 ｄ ２ 在 整个 负 荷 中 所 占 比例 较小 ， 并 且 受 天 气 因 素影 响 较 小 ， 因此 ， 预 测 第 ｄ天 ｔ 时刻 ｄ ３ 、 ｄ ２分量负荷值 ， 神经 网络 的输入数据为 ｔ 时刻前 １ ２点 ， 第ｄ － １ 、 ｄ 一 ２及 ｄ 一 ７ 天ｔ 时刻 周 围 三 点对 应 的 ｄ ３ 、 ｄ ２ 分量 ， 各为 ２ ２个 输 入数 据 。 隐含 层节 点 数 采用 试 凑法 ， 因此 ， 对单点（ 每小 时 ） 负荷的 ｃ ３ 分 量采用 Ｌ ＭＢ Ｐ神经网络结构为： ３ ４ — ７ — １ ， ｄ ３ 、 ｄ ２分量 Ｌ ＭＢ Ｐ神经网络 结构为 ： ２ ２ — ６ — １ 。由于 ｄ １ 分 量 呈 现很 强 的 随机 性且 在 整个 负 荷 中 的 占的比例很小 ， 使用加权平均法对其进行近似预测。 ４将 ｃ ３和 ｄ ３ 、 ｄ ２ 、 ｄ ｌ 预测分量结果进行重构 （ 调用 ｗ ａ ｖ ｅ ｒ ｅ ｃ函 数） 得到 ２ ０ １ ２年 ８月 ２ ７日 ２ ４小 时 的 负 荷 预 测值 ， 并 与 实 际 负 荷 比较得到误差 曲线 ， 仿真结果见图 １ ， 图２ 为单独使用 Ｌ Ｍ Ｂ Ｐ神经 网 络进行预测得到的预测值与误差 曲线。
电力需求预测基于BP神经网络模型
电力需求预测基于BP神经网络模型引言在当今社会中，电力需求预测对于能源供应商和电力系统运营商来说是一个关键的任务。
准确地预测电力需求可以帮助电力系统更好地规划资源分配，提高能源利用效率，降低能源浪费，并确保电力系统的稳定运行。
本文将介绍一种基于BP神经网络模型的电力需求预测方法，并探讨其在实际应用中的优势和局限性。
1. 研究背景和意义：随着工业化和城市化的快速发展，电力需求规模呈现出快速增长的趋势。
然而，电力供应的能力与电力需求的匹配程度却难以保持一致。
因此，准确地预测电力需求对于电力系统运营商和能源供应商来说具有重要意义。
2. 电力需求预测方法：BP神经网络模型是一种常用的基于历史数据的预测方法。
它通过训练神经网络来学习历史数据中的模式和趋势，并用于预测未来的电力需求。
BP神经网络模型具有多层结构，包括输入层、隐藏层和输出层。
输入层将历史数据作为输入，隐藏层通过学习历史数据的模式来预测未来的需求。
输出层给出了对未来电力需求的预测结果。
3. BP神经网络模型的优势：（1）灵活性：BP神经网络模型可以适应各种类型的电力需求预测问题，包括小时、日或年度的需求预测。
它可以根据需求数据的特征自动调整网络的参数和结构，并产生准确的预测结果。
（2）非线性建模：BP神经网络模型可以处理非线性关系，这在电力需求预测中非常重要。
电力需求往往受多种因素的影响，如天气、经济状况和人口增长等，这些因素之间存在复杂的非线性关系。
BP神经网络模型能够捕捉这些关系，并进行准确的预测。
（3）自适应性：BP神经网络模型可以通过不断训练来提高预测的准确性。
随着新的数据不断到来，模型可以自动地更新参数和结构，以适应新的需求模式。
4. BP神经网络模型的局限性：（1）数据需求：BP神经网络模型需要大量的历史数据来进行训练。
如果历史数据不足或质量不高，模型的预测准确性将受到限制。
（2）超参数选择：BP神经网络模型有许多超参数需要人工选择，如网络的层数、节点数和学习速率等。
基于LSTM的电力负荷预测算法研究
基于LSTM的电力负荷预测算法研究一、背景介绍电力负荷预测对于电力系统的稳定运行和优化调度具有重要意义。
在电力市场化改革以后，电力负荷预测成为电力市场调度、能源计划、电网运行等领域的重要问题。
近年来，人工智能在电力负荷预测中的应用越来越受到重视。
本文旨在通过基于LSTM的电力负荷预测算法的研究，探究人工智能在电力领域的应用。
二、LSTM介绍LSTM（Long Short-Term Memory）是一种递归神经网络。
递归神经网络是一种有向图模型，它可以对任意长度的序列进行建模，并且具有记忆能力。
LSTM在语音识别、自然语言处理等领域中得到了广泛的应用。
LSTM主要由三种门控单元组成：输入门、输出门和遗忘门。
输入门可以控制输入信号对当前状态的影响程度；输出门可以控制当前状态的影响程度对输出信号的影响程度；遗忘门可以控制之前状态的遗忘程度。
LSTM的记忆单元可以有效地捕捉到长时间依赖关系，解决了传统递归神经网络中的梯度消失问题。
三、电力负荷预测模型的建立在预测模型中，以历史电力负荷数据为基础，预测未来一段时间的电力负荷。
我们将数据集拆分为训练集和测试集。
首先，利用训练集对模型进行训练，并使用测试集对模型进行测试。
步骤如下：1. 数据集预处理由于电力负荷数据具有周期性和随机性，需要对数据进行处理，以便利用它进行模型的训练和预测。
数据集预处理包括以下步骤：a. 数据去趋势通过使用滑动平均法等方法去除数据的趋势，使数据更具有随机性。
b. 数据归一化将处理后的数据缩放到[0,1]的范围内，以便更好地适应模型。
2. LSTM模型的构建将处理后的数据集分为训练集和测试集，在训练集中，采用LSTM算法进行训练。
在LSTM模型的构建中，需要给出输入序列和输出序列。
在电力负荷预测中，输入序列是过去的一段时间内的电力负荷数据，输出序列是未来一段时间内的电力负荷数据。
这里我们采用“滑动窗口法”制定输入序列，将一定长度的时间序列作为网络的一个网络输入，以此来学习时间序列之间的关系，并用学习到的关系对未来的时间序列进行预测。
《2024年电力系统负荷预测研究综述与发展方向的探讨》范文
《电力系统负荷预测研究综述与发展方向的探讨》篇一一、引言随着社会经济的快速发展和人民生活水平的持续提高，电力系统的稳定运行与高效管理成为了一个国家发展的重要支撑。
电力负荷预测作为电力系统管理的重要组成部分，对于提高能源利用效率、优化电力资源配置、减少电力损耗及满足社会电力需求具有十分重要的意义。
本文旨在全面梳理电力系统负荷预测的研究现状，探讨其发展趋势，以期为未来的研究提供参考。
二、电力系统负荷预测研究综述1. 传统预测方法传统的电力系统负荷预测方法主要包括时间序列分析、回归分析、专家系统等。
时间序列分析通过分析历史负荷数据，建立数学模型，预测未来负荷。
回归分析则通过分析影响负荷的各种因素，建立回归方程进行预测。
专家系统则依靠专家经验与知识进行预测。
这些方法在一定的应用场景下具有其优势，但同时也存在预测精度不高、泛化能力不强等问题。
2. 现代预测方法随着人工智能技术的快速发展，越来越多的学者开始将人工智能技术应用于电力系统负荷预测。
其中，基于人工智能的预测方法如神经网络、支持向量机、深度学习等在电力负荷预测中取得了显著的成果。
这些方法能够有效地处理非线性、高维度的数据，具有较高的预测精度和泛化能力。
（1）神经网络神经网络是一种模拟人脑神经元工作方式的机器学习算法，其在电力负荷预测中具有广泛的应用。
通过训练神经网络模型，可以有效地捕捉电力负荷的时空特性、气候特性等影响因素，提高预测精度。
（2）支持向量机支持向量机是一种基于统计学习理论的机器学习算法，其通过寻找能够将数据集进行最佳分类的超平面来实现对数据的分类和预测。
在电力负荷预测中，支持向量机能够有效地处理高维度的数据，具有良好的泛化能力。
（3）深度学习深度学习是机器学习的一个分支，其通过构建多层神经网络来模拟人脑的复杂工作方式。
在电力负荷预测中，深度学习能够处理复杂、非线性的数据关系，具有较高的预测精度。
目前，深度学习在电力负荷预测中的应用已成为研究热点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工神经网络应用于电力系统短期负荷预测的探讨 温永轲，李福志，董捷（国网四川省电力公司检修公司，四川成都６１００００） 【摘 要】在过去的几十年里，我国在电力系统短期负荷预测方面使用了很多的预测模型。在当代，人工神经网络技术（即ＡＮＮ）的出现给电力 系统短期负荷预测提供了一种新的方式。ＡＮＮ和传统方式不同，不是依靠人的经验进行预测，而是通过训练，ＡＮＮ是一个函数关系，即自主学 习系统输入和输出。开始时，ＡＮＮ的学习方法是通过已知的数据进行学习；学习完之后，只需要给ＡＮＮ输入预测的条件就可以对电力系统的 短期负荷进行预测。ＡＮＮ相对于传统方式，更加的快捷，更加方便，预测的准确度更高，数据的可靠性更强。本文将结合实际，针对人工神经网 络在电力系统短期负荷预测的应用进行了解和分析。 【关键词】人工神经网络；电力系统；短期负荷预测；讨论 【中图分类号】ＴＭ７３２ 【文献标识码】Ａ 【文章编号】１００６—４２２２（２０１５）１３—０１７１—０２
１９９１年．人工神经网络即ＡＮＮ第一次被应用于电力系统 负荷预测中，而后便不断的进行发展和进步，在国际上的很多 国家都运用的十分成功，例如希腊、意大利等［１］。虽然在我国国 内并没有进行实际的应用。但是已经有很多学者提出了很多 的方案。ＡＮＮ的特点很多，它不需要提前知道输入量和预测 值之间的模型．能够将很复杂的非线性关系充分利用 形成非 线性动力学系统。ＡＮＮ还可以将一些在电力系统负荷中有重 要形象作用的因素方便的计入电力系统中．例如天气情况和 温度。而且它运行速度很快，能够满足现代社会对电力系统短 期负荷预测的要求。 ｌ电力负荷预测的作用和现状 １．１电力负荷预测的作用 供电部门最重要的工作之一就是电力负荷预测，科学、准 确的进行负荷预测．不仅可以保持电网的稳定和安全。经济的 安排电网内部发电机的启动和停止．降低不需要的旋转备用 容量，减少发电所需的成本。还可以合理的进行机组检修，保 障人们正常生活的运行和发展，提高我国的经济效益和社会 效益。有效的负荷预测结果，对未来发电机的组装有重要的作 用，能够决定组装发电机的容量大小、时间和地点，能够保障 电网的建设和发展 １．２电力负荷预测的现状 一个电力企业的管理能否可以走向现代化．必须要看电 力负荷预测的工作水平。就目前而言。随着我国社会经济的不 断进步．电力行业也得到了空前的发展，用电管理已经开始慢 慢走向市场，我们现在最重要的任务就是解决电力预测问题。 预测的技术模型是负荷预测的核心，由于科技的不断发展．负 荷预测的理论技术已经比较成熟，有了很大的发展，随着理论 研究的不断进步和发展．电力负荷预测将会进入实际的运用 当中［２ｌ。 ２负荷预测的基本步骤 ２．１明确负荷预测的日的，制定相应的计划 负荷预测首先要做的第一步就是明确负荷预测的目的． 然后制定相关计划。在进行负荷预测计划的过程中，我们必须 要考虑一下影响因素：历史资料的数量、来源和收集办法、预 测的办法。预测所需的时间等。对于所需历史资料的数量有很 多种说法．一些人认为外推预测的时期数不能超过历史资料 的时期数。如果把历史资料的时期数设为ｄ。外推预测的时期 数设为ｈ，就会出现下列不等式ｄ＞￣ｈ［３１。但是．我们在实际运用 的过程中，必须要依照实际的情况进行分析．根据每个地区不 同的数据进行具体的分析 ２．２资料的调查和选择
在明确了负荷预测的目的，制定了相应的计划书之后．我 们就需要对所需各类质量进行调查和选择。在电力系统短期负 荷预测所需要的资料有很多种，主要有历史负荷数据、历史天 气数据、历史温度数据等。随着计算机的应用越来越广泛。就目 前来看，调查和选择质量的任务主要是转换各类数据的格式．
一般情况下，就是将以前的ＥＸＣＥＬ表格转换成文本文件 ２．３建立负荷预测的模型
所谓负荷预测模型，其实就是概括统计资料的轨迹 能够 将经验资料的内部结构特征反映出来。负荷预测的公式就是 模型的具体化。对于ＡＮＮ预测方案来说，建立负荷预测模型 一般情况下分为两个步骤：①步骤就是明确ＡＮＮ的内部结构 和ＡＮＮ的计算方法；②步骤就是训练选择的历史数据。一般 来说，ＡＮＮ都会采取局部可变步长的计算方法．过滤历史数 据一般会使用相关因素进行映射 ３ ＡＮＮ算法用于短期负荷预测
３．１ ＡＮＮ算法和负荷预测 ＡＮＮ相比于中长期预测来说．更适合短期负荷预测 这是 因为短期负荷的变化是一个随机的过程，所涉及到的影响因 素相对较少，而中长期负荷的变化不平稳，涉及到的影响因素 比较多，而且与国家的政策、经济都会有密切的联系。ＡＮＮ首 次被应用于电力系统负荷预测是在１９９１年．所使用的模型是 ＢＴ模型。后来也不断有学者对ＡＮＮ进行研究。但是到目前为 止，在电力系统短期负荷预测方面还没有一个公认的、有效的 的ＡＮＮ办法 。虽然如此，但是ＡＮＮ相比于传统方式．有很多 的优点，例如：精准度比较高、比较容易建立模型、在组织数据 方面相对比较简单、速度快等，能够满足不同预测系统的要 求。已经进入实用阶段的神经网络算法就是ＢＰ法．一般使用 的方法都是传统的过程编法。相比于其他的方法．ＡＮＮ在短 期负荷预测中的有三大优势：①优势就是对影响因素的收集
蹲 比较全面，包括未来因素都能够方便的进行考虑，可以将所有 的因素都纳入到预测计算中，其计算的结果精准度较高，实用 性和可靠性较强。②优势就是使用的方式比较多。相对更加灵 活、方便，适应性强，可以满足不同需求的预测系统。③优势就 是历史数据的组织能力较强．可以按照不同的要求进行操作． 能够适应当代社会的发展和需求。 ３．２ ＡＮＮ算法的选择
在进行负荷预测的过程中可以选择算法，具体的算法有： ＢＰ法；带动量项的ＢＴ法；可变步长法；ＢＦＧＳ法等。这些算法 中都包括两个版本，就是：全局步长和局部步长。最开始捆绑 的是局部可变步长法。这些算法的捆绑方式是属于动态链接 的．给未来的新算法打好了坚实的基础。 ３．３ ＡＮＮ的网络结构
３－３．１输入和输出的节点 输入和输出的节点和样本没有直接的联系，ＢＰ网络在各 个领域中都被广泛的运用。不管各个领域中有什么样的要求， 就会将实际的问题转化成数据样本，这样网络才能够接受。如 果样本格式是固定的，样本就会固定网络输入和输出的节点。 ３．３．２层数 ＢＴ网络有一个很重要的定理．就是：单隐层的ＢＰ网络可 以逼近任何闭区间的一个连续函数．一个三层的ＢＰ网络可以 映射出人意的ｎ维到ｍ维。根据资料，我们得出一个理论，那 就是一个以上的Ｓ型隐层加上一个线性输入层的神经网络． 可以逼近任何有理函数。 ３．３－３每层激活函数 一般情况下．Ｓ型的激活函数会将ＢＰ网络的非线性逼近 能力反映出来．所以。Ｓ型激活函数一般被应用于隐含层和输 出层的激活函数。如果网络要求的输出范围是卜１，１】时，我们 可以使用线性激活函数。如果输出层的激活函数使用的是Ｓ 型激活函数．线性激活函数就会比非线性激活函数慢，而且网 络的输出也会被限制在（Ｏ，１）或者是（一１，１）之间目。 ３．３．４确定隐含层节点数Ｓ１ 对于隐含层节点数的确定．我们必须要根据实际情况和 问题．利用实验进行证明。隐含层节点的多少一般是由：训练 样本数目、样本噪声大小和样本中包含的规律来决定的。根据 实际经验和历史资料，我们得到了一个确定节点数的方法一试 凑法 公式如下： ｍ＝ｎ＋ｌ＋ａ；ｒｅ＝ｌｏｇ２ ；ｍ＝ｎ１（ｍ是隐层节点数，ｎ是输入层节 点数．ａ是１～ｌ０之间的常数） ３－３．５初始权值的选择 初始权值对局部最小的数值和是否收敛有重要作用，为 了保证初始权值不落入平坦区．我们必须让初始权值在输入 的时候每个神经元的状态都接近０，初始权值的区间一般在 （一１，＋１）之间，而且是随机进行取值。 ３－３．６选取期望误差 在训练设计网络的过程中．期望误差值的选择是是非重要 的．必须要选择一个科学、合理的合适值。这个合适值的确定， 一般是由隐含层的节点数来决定的。如果想要比较小的期望误 差值．就必须要增加隐含层的节点数和训练的时间。我们可以 同时对两个不同的期望误差值进行训练，这样就可以作为对
比．然后综合进行研究和考虑之后．决定最终采用的网络。 ４结语 ＡＮＮ在面向现象、模块化编程、通用化的设计思想上有一 定的研究和促进作用．给进一步的研究打下了坚实的基础。在 算法上．有自己独立的特点，是一个独立的部分，与预测系统 分离开来．使用的范围更加的广泛，用途方法也更多。在组网 的时候非常方便，速度较快，精准度较高，其中的局部步长法 在预测支持上的使用更加方便灵活、效率更高、稳定性更强。 ＡＮＮ的相关因素法还可以对历史数据有效的进行过滤，这样 就可以提高训练的效果，最终达到提高精准度的目的。
参考文献 ［１】郭伟伟，刘家学，马云龙，等．基于改进ＲＢＦ网络算法的电力系统短 期负荷预测ｆＪ１．电力系统保护与控制，２０１５，３６（２３）：４９５０￣４９８０． ［２］胡晖，杨华，胡斌，赵文丽，等．人工神经网络在电力系统短期负荷 预测中的应用［Ｊ】．湖南大学学报（自然科学版），２０１４，３１（１５）：５２１０－ ５２３０． 【３］ｆｉｇ华，刘天琪．基于小波分解和人工神经网络的短期负荷预测［Ｊ］．
电网技术．２０１４．２８（８６）：３６００～３６３０． 【４】董秀成，李芹，许强，刘玉林，等．ＢＰ算法在电力系统短期负荷预测 中的应用［Ｊ］．仪器仪表学报，２０１３，２４（３４２）：３７９０～３８１０． ［５］汪峰，于尔铿，阎承山，徐晓静，等．基于因素影响的电力系统短期 负荷预报方法的研究［Ｊ】．中国电机工程学报，２０１３，１９（２９８）：５３４０～ ５３８０． ［６］马文晓，白晓民，沐连顺，刘青，等．基于人工神经网络和模糊推理 的短期负荷预测方法［Ｊ］．电网技术，２０１３，２７（５１）：２１９０～３１２０．
收稿日期：２０１５—６—１０ 作者简介：温永轲（１９８７一），男，助理工程师，本科，主要从事 ２２０ｋＶ及以上输变电类设备检修、安装和调试工作。 李福志（１９８７一），男，助理工程师，本科，主要从事２２０ｋＶ 及以上输变电类设备检修、安装和调试工作。 董捷（１９８７一），男，助理工程师，大学本科，主要从事 ２２０ｋＶ及以上输变电类设备检修、安装和调试工作。
搏