基于相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè).pdf

1、電力負(fù)荷預(yù)測(cè)不僅可以提高電能配送的安全，還可以使電網(wǎng)企業(yè)合理有效運(yùn)轉(zhuǎn)，是一種提高能源利用率的重要方法。短期電力負(fù)荷預(yù)測(cè)有著隨機(jī)、時(shí)變、非線性等特點(diǎn)，現(xiàn)階段主要有傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)與現(xiàn)代人工智能兩種方法來對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)。傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)方法注重?cái)?shù)據(jù)的擬合、模型的建立，而對(duì)電力負(fù)荷預(yù)測(cè)的影響因素利用不足，其預(yù)測(cè)結(jié)果往往不是很理想。在現(xiàn)代人工智能算法中，對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)使用最多的就是BP神經(jīng)網(wǎng)絡(luò)。該方法也存在著隱含層數(shù)、隱含層節(jié)點(diǎn)個(gè)數(shù)、初始權(quán)

2、值等選擇的不確定性，較為依賴使用者個(gè)人的專家經(jīng)驗(yàn)，還有著隱含層的黑箱處理、過擬合、過訓(xùn)練等一系列缺點(diǎn)。
　　為了提高短期電力負(fù)荷預(yù)測(cè)的準(zhǔn)確率,本文作了以下幾方面工作：
　?。?）傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)模糊規(guī)則是根據(jù)專家經(jīng)驗(yàn)而事先確定好的，而現(xiàn)在電力負(fù)荷數(shù)據(jù)存在著數(shù)據(jù)量過大，數(shù)據(jù)過于繁雜等特點(diǎn)，此時(shí),模糊規(guī)則的確定就成為一個(gè)難題。為了解決模糊神經(jīng)網(wǎng)絡(luò)的這個(gè)缺點(diǎn)，本文使用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)短期電力負(fù)荷，動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)最大的特點(diǎn)

3、就是其模糊規(guī)則不是事先就確定好，而是根據(jù)輸入樣本進(jìn)行動(dòng)態(tài)調(diào)整，首先通過系統(tǒng)誤差和可容納邊界兩個(gè)因素來決定系統(tǒng)是否需要新增模糊規(guī)則，然后使用了分級(jí)學(xué)習(xí)技術(shù)來加快整個(gè)網(wǎng)絡(luò)建立模型的速度，并且還使用了誤差下降率算法來剔除對(duì)整個(gè)網(wǎng)絡(luò)影響不大的一些模糊規(guī)則。
　?。?）當(dāng)使用全部的負(fù)荷數(shù)據(jù)來訓(xùn)練動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)時(shí)，會(huì)增加網(wǎng)絡(luò)建模的復(fù)雜度，也會(huì)影響網(wǎng)絡(luò)的建模速度。為了解決這個(gè)難題，本文使用相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)結(jié)合的方法來預(yù)測(cè)短期電力負(fù)荷，

4、該方法就是在訓(xùn)練模型之前對(duì)訓(xùn)練樣本作一個(gè)相似日處理，通過相似日自動(dòng)尋找出與預(yù)測(cè)日在平均溫度與星期因素上相似的樣本，相似日與預(yù)測(cè)日在負(fù)荷消耗水平也比較相似，把預(yù)測(cè)日的相似日樣本作為訓(xùn)練數(shù)據(jù)而不是將全部數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，從而提高建模速度及簡(jiǎn)化模型復(fù)雜度。
　?。?）在以EUNITE公司提供的電力負(fù)荷數(shù)據(jù)基礎(chǔ)上分別采用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)、相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)結(jié)合的方法來進(jìn)行負(fù)荷預(yù)測(cè)。實(shí)驗(yàn)取得了較為理想的結(jié)果，為電力負(fù)荷預(yù)測(cè)提供了新的方