文獻綜述1 基于elman神經(jīng)網(wǎng)絡的負荷預測研究

1、基于基于Elman神經(jīng)網(wǎng)絡的負荷預測研究神經(jīng)網(wǎng)絡的負荷預測研究摘要電力系統(tǒng)負荷預測是電力生產(chǎn)部門的重要工作之一，其負荷變化具有明顯的周期性，文章采用Elman神經(jīng)網(wǎng)絡與BP神經(jīng)網(wǎng)絡建立模型，提出了一種基于神經(jīng)網(wǎng)絡的負荷預測方法。對某電網(wǎng)實際歷史數(shù)據(jù)進行仿真預測，經(jīng)研究發(fā)現(xiàn)，Elman模型具有收斂速度快、預測精度高的特點，同時表明利用Elman回歸神經(jīng)網(wǎng)絡建模對某電網(wǎng)負荷進行預測是完全可行的，在負荷預測領域有著較好的應用前景。引言引言經(jīng)濟

2、的高速發(fā)展帶來了城市化與工業(yè)生產(chǎn)規(guī)模的不斷發(fā)展，也使得城市供電系統(tǒng)的供需矛盾變得日益突出起來，特別是夏季，城市電力緊缺的現(xiàn)象越來越普遍。進行供電量的預測不僅可以為合理分配現(xiàn)有的電力資源，新建或者擴建、改建電廠提供可靠的依據(jù)，而且也是影響到居民正常工作和生活基本保障的一個重要問題。因此，尋找城市供電量的規(guī)律性，預測今后幾年的供電量，不僅對于城市建設與城市管理有著重要的指導意義，而且也與居民的日常工作和生活息息相關。因此電力負荷預測是電力系

3、統(tǒng)運行調度中一項非常重要的內容，是保證電力系統(tǒng)安全經(jīng)濟運行和實現(xiàn)電網(wǎng)科學管理的基礎。目前在電力系統(tǒng)負荷預測領域應用最廣泛的是靜態(tài)前饋BP神經(jīng)網(wǎng)絡，尤其是短期負荷預測領域應用居多。本文采用Elman神經(jīng)網(wǎng)絡的自適應性和較強的非線性映射能力對某電網(wǎng)的負載進行預測。仿真結果取得了令人滿意的結果?？梢灶A見Elman神經(jīng)網(wǎng)絡在電網(wǎng)負荷預測中有廣闊的前景。1某電網(wǎng)負荷特性分析某電網(wǎng)負荷特性分析通過對某電網(wǎng)月度負荷數(shù)據(jù)序列的分析可知，隨時間的推移，月

4、度負荷相比于往年同一月的歷史負荷具有明顯的增長趨勢，如圖1所示為20012005年某電網(wǎng)1O、11、12月用電量；如圖2所示為20012005年某電網(wǎng)分月用電量。明顯該電網(wǎng)年負荷曲線最高峰多出現(xiàn)在冬季l1、12月份，全年2月份、9月份負荷最低。22算法簡介算法簡介如圖3所示，設網(wǎng)絡的外部輸入(1)ukR???，輸出為()mykR??，若記隱含層的輸出為()xkR??，Elman神經(jīng)網(wǎng)絡的非線性狀態(tài)空間表達式為：3()(())ykgxk?

5、?12()(()(1))cxkfxkuk?????（1）()(1)cxkxk??其中，k表示時刻，y，x，u，cx分別表示1維輸出節(jié)點向量，維隱含層節(jié)點單元向量，維輸入向量和維反饋狀態(tài)向量；3?，2?1?分別表示隱含層到輸出層、輸入層到隱含層、承接層到隱含層的連接權值矩陣；f(.)為隱含層神經(jīng)元的傳遞函數(shù)，這里采用tansig函數(shù)表示，g(.)為輸出層傳遞函數(shù)，采用purelin函數(shù)。由(1)式可得：()(1)cxkxk??1211[(

6、(1)(2))]kckfxkuk????????（2）又由于(1)(2)cxkxk???2)，上式可以繼續(xù)展開。說明()cxk依賴于過去不同時刻的連接權11k??，22k??，即()cxk是一個動態(tài)遞推過程。Elman神經(jīng)網(wǎng)絡學習算法采用的是優(yōu)化的梯度下降算法，即自適應學習速率動量梯度下降反向傳播算法，它既能提高網(wǎng)絡的訓練效率，又能有效抑制網(wǎng)絡陷入局部極小點。學習的目的是用網(wǎng)絡的實際輸出值與輸出樣本值的差值來修改權值和閾值，使得網(wǎng)絡輸出

7、層的誤差平方和最小。設第k步系統(tǒng)的實際輸出向量為()dyk，在時間段(O，T)內，定義誤差函數(shù)為：211[()()]2TdkEykyk????（3）以3?，2?為例，將E對3?，2?分別求偏導，可得權值修正公式為：3311(1)(1)(()())(.)()()jdjjkmcykykgxkmck??????????22(1)(1)(()())(.)(1)()jqdjqjqkmcykykfukmck???????????（4）其中，j=l，