电力系统分析神经网络模型.doc

神经网络法 人工神经网络（ANN）适于解决时间序列预测问题（尤其是平稳随机过程的预测），其在电力系统负荷预测中的应用理论上是可行的。ANN一经引入电力系统，负荷预测就成为其应用研究的一个主要领域。到目前为止，ANN主要应用于短期负荷预测，但也有人将其应用到了中长期负荷预测中。 最早而且最多采用的是BP（Back Propagation）算法。下面将对该算法进行具体的介绍。模型为三层网络结构，输入层单元个数为N个，隐含层单元个数为L，输出层单元个数为M。BP算法的学习过程由正向传播和反向传播组成，正向传播过程输入样本从输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望输出，则转入反向传播，将误差信号沿原连接通路返回，通过修正各神经元的权系数，使得误差信号最小。算法的具体步骤如下： 1、初始化网络的权值和阀值 给输入层单元到隐含层单元的连接权、隐含层单元到输出层单元的连接权以及隐含层单元的阀值、输出层单元的阀值赋予(-1,1)区间的随机数。其中；；。 2、前馈过程 将样本集中的输入信号Xl由输入层经隐含层传至输出层，分别计算各层的输入和输出。 （1）确定输入层的输入Ii和输出Oi ， （68） （2）计算隐含层的输入Ij和输出Oj ， （69） （3）计算输出层的输入Ik和输出Ok ， （70） 上述的指各神经元节点的传递函数，可选取Sigmoid函数或双曲正切函数，而对于输出层，还可以选择线性函数。 3、误差的反向传播 网络的期望输出与网络的实际输出之差的误差信号由输出层经隐含层向输入层修正连接权值和阀值。 （1）计算输出层误差 （71） （2）计算隐含层误差 （72） （3）修正隐含层单元到输出层单元的权值 （73） （74） （4）修正输出层单元的阀值 （75） （76） （5）修正输入层单元到隐含层单元的权值 （77） （78） （6）修正隐含层单元的阀值 （79） （80） 上述式子中，为学习率，为动量因子，n为叠代次数。 4、判断收敛 定义误差函数Ep为期望输出yk与实际输出Ok之间误差的平方和： （81） 判断总误差是否小于设定值。若是，则成功完成训练过程；若否，则转回第2步。 标准BP算法训练流程图如图1所示： 图2-1 BP算法训练流程图 Y 初始化权值和阀值 输入训练样本，n=0 前向计算各层输入、输出 计算各层误差 反向修改权值和阀值 学习次数n=n+1 误 差 结束 开 始