資源描述：
《基于貝葉斯神經(jīng)網(wǎng)絡(luò)方法的短期負(fù)荷預(yù)測》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、基于貝葉斯神經(jīng)網(wǎng)絡(luò)方法的短期負(fù)荷預(yù)測摘要：短期負(fù)荷預(yù)測對于有效的電力系統(tǒng)規(guī)劃和運(yùn)營是非常重要的工具。我們在本文提出使用貝葉斯方法來設(shè)計(jì)一個(gè)基于電力負(fù)荷預(yù)測模型的最優(yōu)神經(jīng)網(wǎng)絡(luò)。貝葉斯建模法比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)法具有更顯著的優(yōu)勢。在其他方法中，我們是通過引用正則化系數(shù)的自動(dòng)調(diào)諧，選擇最重要的輸入變量，引出說明模型輸出的不確定性區(qū)間及對不同模型進(jìn)行比較的可能性來選取最優(yōu)模型的。我們提出的這種方法被應(yīng)用于現(xiàn)實(shí)的負(fù)荷數(shù)據(jù)中。關(guān)鍵詞：負(fù)荷模型；短期負(fù)荷預(yù)測；神經(jīng)網(wǎng)絡(luò)；貝葉斯理論；模型選擇1介紹短期負(fù)荷預(yù)測（STLF）對于電力系統(tǒng)[1]的日常運(yùn)營是必不可少的。對電力系統(tǒng)每
2、小時(shí)負(fù)載的準(zhǔn)確預(yù)測能夠幫助系統(tǒng)操作員提前一天到一個(gè)星期完成各種像發(fā)電量的經(jīng)濟(jì)預(yù)算和燃料采購預(yù)算等具體經(jīng)濟(jì)調(diào)度任務(wù)。特別是對峰值需求的預(yù)測更加重要，因?yàn)殡娏υO(shè)備的發(fā)電容量必須滿足這一要求。由于負(fù)荷預(yù)測技術(shù)會(huì)促進(jìn)更加安全的電力系統(tǒng)運(yùn)行環(huán)境以及更節(jié)約的經(jīng)濟(jì)成本，許多技術(shù)已被用于改善STLF[2]。在這些技術(shù)中，神經(jīng)網(wǎng)絡(luò)（NNS）技術(shù)的使用在負(fù)荷預(yù)測領(lǐng)域[2,3]占主導(dǎo)地位。實(shí)際上，實(shí)用數(shù)據(jù)庫中歷史負(fù)荷數(shù)據(jù)的有效性以及神經(jīng)網(wǎng)絡(luò)方法對于輸入和輸出變量集之間進(jìn)行非線性映射的驅(qū)動(dòng)的特性使得這種建模工具變得非常受歡迎。然而，就像文獻(xiàn)[2,4]指出的一樣，神經(jīng)網(wǎng)絡(luò)模型是非常靈
3、活的模型以至于設(shè)計(jì)一個(gè)用于特定應(yīng)用程序的神經(jīng)網(wǎng)絡(luò)是很不容易的。本文的研究內(nèi)容是基于神經(jīng)網(wǎng)絡(luò)模型能夠以任意精度值逼近任意連續(xù)函數(shù)并能提供足夠的隱藏神經(jīng)元數(shù)[5]。但是，這樣的特點(diǎn)也有缺陷，即這種精確的的近似對噪音來說也是一種近似。結(jié)果，該模型產(chǎn)生了在當(dāng)新數(shù)據(jù)被輸入時(shí)輸出能力很差的狀況。在神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域，這個(gè)問題被稱為過度擬合，它可能因?yàn)樯窠?jīng)網(wǎng)絡(luò)模型過于復(fù)雜而產(chǎn)生（即模型中設(shè)置了太多的參數(shù)）。實(shí)際上，在解決某種問題前，有必要對神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度和待研究的問題之間進(jìn)行匹配。模型的復(fù)雜程度決定了模型的輸出能力（由泛化誤差或測試誤差衡量）。過于簡單或者過于復(fù)雜的神經(jīng)
4、網(wǎng)絡(luò)都會(huì)導(dǎo)致低效的預(yù)測結(jié)果。目前主要有兩種方法來控制神經(jīng)網(wǎng)絡(luò)的復(fù)雜性，即結(jié)構(gòu)選擇和正則化技巧。結(jié)構(gòu)選擇通過改變神經(jīng)網(wǎng)絡(luò)參數(shù)（稱為權(quán)重和誤差）的數(shù)量來控制復(fù)雜性。其中一個(gè)最簡單的方法是單隱藏層網(wǎng)絡(luò)的使用，隱藏層中自由量的數(shù)目是通過調(diào)整隱藏單元的數(shù)量來控制。其他方法包括在訓(xùn)練過程中不斷增加或修剪網(wǎng)絡(luò)結(jié)構(gòu)。修剪法采用的方式是先從一個(gè)比較大的網(wǎng)絡(luò)著手，然后再逐步移除用于連接的隱藏單元[6-8]。正則化技術(shù)，通過支持較小的神經(jīng)網(wǎng)絡(luò)參數(shù)值實(shí)現(xiàn)了平滑的網(wǎng)絡(luò)映射。實(shí)際上，事實(shí)證明[6]，估計(jì)時(shí)使用較小的值能夠減小模型過度擬合的趨勢。其中一個(gè)最簡單的正則化的形式被稱為權(quán)值衰減
5、，正則化系數(shù)（也叫權(quán)值衰減項(xiàng)）還允許控制正規(guī)化的程度。然而，所有這些技術(shù)都需要說明參數(shù)（即正則化系數(shù)，隱藏單元數(shù)，修剪參數(shù)）的調(diào)整以最大限度地提高神經(jīng)網(wǎng)絡(luò)的泛化性能。傳統(tǒng)上這種控制參數(shù)的設(shè)置是通過使用所謂的交叉驗(yàn)證（CV）技術(shù)進(jìn)行的。的確，交叉驗(yàn)證提供泛化誤差的估計(jì)法，進(jìn)而提供了選擇最佳的體系結(jié)構(gòu)或最優(yōu)的正則化系數(shù)的可能性。然而不幸的是，交叉驗(yàn)證技術(shù)存在幾個(gè)缺點(diǎn)。首先，為了估計(jì)由隱藏神經(jīng)元或正規(guī)化系數(shù)的值改變而導(dǎo)致的一般化誤差的變化（這里稱為驗(yàn)證錯(cuò)誤），交叉驗(yàn)證技術(shù)需要一個(gè)被稱作驗(yàn)證組的單獨(dú)數(shù)據(jù)集（訓(xùn)練集需要的數(shù)據(jù)很少）。隱藏節(jié)點(diǎn)的最優(yōu)數(shù)量或正規(guī)化系數(shù)的最優(yōu)
6、值和最少的驗(yàn)證錯(cuò)誤必須相一致。其次，由于真實(shí)數(shù)據(jù)集中固有噪聲的存在而且數(shù)據(jù)的數(shù)量是有限的，人們必須使用不同的數(shù)據(jù)劃分重復(fù)多次交叉驗(yàn)證實(shí)驗(yàn)來進(jìn)行訓(xùn)練和驗(yàn)證。這促使了像k-fold交叉驗(yàn)證或leave-one-out等知名交叉驗(yàn)證技術(shù)[6]的發(fā)展。最后，交叉驗(yàn)證技術(shù)可能變得計(jì)算量大且繁瑣，而且有關(guān)的實(shí)例正則化技術(shù)以及所占權(quán)重較少的衰減系數(shù)通常還需要測試。另一個(gè)關(guān)鍵問題是確定相關(guān)的輸入變量。的確，有太多的輸入變量，其中那些與輸出無關(guān)的變量還可能降低該模型的預(yù)測精度。這中情況在有限數(shù)據(jù)集中輸出和輸入變量之間建立隨機(jī)關(guān)系時(shí)特別明顯。同樣不幸的是，經(jīng)典的神經(jīng)網(wǎng)絡(luò)方法也無
7、法以令人滿意的方式完成這種特殊任務(wù)。大多數(shù)研究人員在短期負(fù)荷預(yù)測領(lǐng)域都強(qiáng)調(diào)需要正確設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型，但遺憾的是目前仍然缺乏一致的允許派生最優(yōu)神經(jīng)網(wǎng)絡(luò)模型[2,4,9]的研究方法。因此，Hippert[2]指出，一些研究人員懷疑并認(rèn)為沒有系統(tǒng)的證據(jù)能夠表明神經(jīng)網(wǎng)絡(luò)是優(yōu)于現(xiàn)存的其他標(biāo)準(zhǔn)預(yù)測方法（如基于時(shí)間序列）的。此外，AlvesdaSilva[10]指出，人們在不能確定可靠性的情況下不應(yīng)該進(jìn)行任何類型的預(yù)測，他還指出當(dāng)時(shí)間序列很雜亂時(shí)預(yù)測是沒有意義的。在本文中，我們認(rèn)為，為了獲得電力負(fù)荷預(yù)測的一個(gè)很好的模型，重點(diǎn)要放在對神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)上。換句話說，傳統(tǒng)的神經(jīng)網(wǎng)
8、絡(luò)的學(xué)習(xí)方法必須改進(jìn)。為此，我們提出了使用貝葉斯技術(shù)
