短期負荷預測的卡爾曼濾波神經網絡算法研究.pdf

1、BP算法一直是前向人工神經網絡的主要的學習算法,雖然人們針對它的一些不足對它進行不斷地改進,但其自身的收斂速度慢和容易陷入局部最小等的缺點卻沒有從根本上得到改進.本文將卡爾曼濾波用于神經網絡的學習.卡爾曼濾波是一種最優(yōu)估計方法,它采用狀態(tài)方程和觀測方程組成的線性隨機系統(tǒng)的狀態(tài)空間模型來描述濾波器,并利用狀態(tài)方程的遞推性,按線性無偏最小均方差估計準則,采用遞推算法對濾波器的狀態(tài)變量做最佳估計,從而求得慮掉噪聲的有用信號的最佳估計.由BP算

2、法可知,前向人工神經網絡的學習過程就是在給定輸入和輸出樣本的條件下對網絡權值的調整過程.因此,訓練前向神經網絡的訓練可以看成是非線性狀態(tài)估計問題.卡爾曼濾波學習算法的基本思想就是將神經網絡中各神經元之間的連接權值的學習問題作為卡爾曼濾波中的狀態(tài)向量進行最優(yōu)估計問題.因為基于擴展卡爾曼濾波的學習算法近似給出了連接權值的最小方差估計,所以其迭代收斂速度比最速下降算法要快,而且,不包括決定收斂性能的調整參數(shù),這就使得它的應用很簡單.在擴展卡爾

3、曼濾波遞推公式中,由于在計算過程中會由于計算機的舍入誤差而使得協(xié)方差陣失去正定性,導致濾波數(shù)值不穩(wěn)定和濾波發(fā)散.本文將奇異值分解用于協(xié)方差矩陣的計算中,提高了計算的速度、濾波的數(shù)值穩(wěn)定性和神經網絡的輸出精度.由于人工神經網絡有多元非線性映射能力、自學習自適應能力、分布式存貯等優(yōu)點使得它在電力系統(tǒng)短期負荷預測中得到廣泛應用.正是這種輸入輸出之間強大的多元非線性映射能力,使得短期負荷預測能夠考慮眾多天氣因素(如溫度、雨雪、濕度等)的影響,從