基于人工神經(jīng)網(wǎng)絡(luò)日負荷預測

《基于人工神經(jīng)網(wǎng)絡(luò)日負荷預測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。

1、5.2、基于人工神經(jīng)網(wǎng)絡(luò)日負荷預測（1）人工神經(jīng)網(wǎng)絡(luò)簡介及其原理1）神經(jīng)網(wǎng)絡(luò)簡介人工神經(jīng)網(wǎng)絡(luò)的英文名稱是ArtificialNeuralNetworks(ANN)是一種“采用物理可實現(xiàn)的系統(tǒng)來模仿人腦神經(jīng)細胞的結(jié)構(gòu)和功能的系統(tǒng)?！碑斍皣H著名的神經(jīng)網(wǎng)絡(luò)專家，第一家神經(jīng)計算機公司的創(chuàng)始人和神經(jīng)網(wǎng)絡(luò)技術(shù)研究的領(lǐng)導人HechtNielson給神經(jīng)網(wǎng)絡(luò)的定義是:“神經(jīng)網(wǎng)絡(luò)是一個以有向圖為拓撲結(jié)構(gòu)的動態(tài)系統(tǒng)，它通過對連續(xù)或斷連續(xù)的輸入作狀態(tài)響應(yīng)而進行信息處理?！比斯ど窠?jīng)網(wǎng)絡(luò)是最近發(fā)展起來的十分熱門的交叉學科，它涉及生物、電子、計算機、數(shù)

2、學和物理學科，有著非常廣泛的應(yīng)用背景，這門學科的發(fā)展對日前和末來的科學技術(shù)的發(fā)展有重要的影響。二維的簡單人工神經(jīng)網(wǎng)絡(luò)按網(wǎng)絡(luò)拓撲結(jié)構(gòu)可分為兩類:前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。反饋型網(wǎng)絡(luò)模型是一種反饋動力學系統(tǒng)，它具有極復雜的動力學特性。反饋神經(jīng)網(wǎng)絡(luò)模型可以用完備的無向圖表示，代表性的模型包括;Hopfield網(wǎng)絡(luò)模型和Hamming網(wǎng)絡(luò)模型。反饋神經(jīng)網(wǎng)絡(luò)模型有很強的計算能力。前饋神經(jīng)網(wǎng)絡(luò)模型是指那些在網(wǎng)絡(luò)中各處理單元之間的連接都是單向的，而且總是指向網(wǎng)絡(luò)輸出方向的網(wǎng)絡(luò)模型。本文中采用前饋型網(wǎng)絡(luò)對電力系統(tǒng)短期負荷進行預測。前饋型神經(jīng)網(wǎng)絡(luò)

3、的基本原理是:神經(jīng)網(wǎng)絡(luò)在組成時，各個神經(jīng)元通過一定權(quán)值相連，神經(jīng)網(wǎng)絡(luò)在使用之前必須確定這些權(quán)值，而沒有經(jīng)過訓練的神經(jīng)網(wǎng)絡(luò)的權(quán)值是沒有任何意義的，神經(jīng)網(wǎng)絡(luò)的學習過程就是通過已知數(shù)據(jù)確定權(quán)值的過程。即通過這些權(quán)值使神經(jīng)網(wǎng)絡(luò)具有了一定的記憶功能，可以對數(shù)據(jù)的規(guī)律進行記憶(信息保存在權(quán)值中)。從而可以用于以后的預測。從已知數(shù)據(jù)確定權(quán)值是一個無約束最優(yōu)化問題，典型的算法是BP法，對于前饋神經(jīng)網(wǎng)絡(luò)模型還有很多其他權(quán)值修正法。2）人工神經(jīng)元基本原理人工神經(jīng)元模型是生物神經(jīng)元的模擬與抽象。這里所說的抽象是從數(shù)學角度而言，所謂模擬是對神經(jīng)元的結(jié)

4、構(gòu)和功能而言，相當于一個多輸入單輸出的非線性闡值器件。激活函數(shù)有許多種類型，其中比較常用的激活函數(shù)可歸結(jié)為三種形式:閩值型，S型和線性型。①人工神經(jīng)元網(wǎng)絡(luò)模型將前面介紹的神經(jīng)元通過一定的結(jié)構(gòu)組織起來，就可構(gòu)成人工神經(jīng)元網(wǎng)絡(luò)。按照神經(jīng)元連接的拓撲結(jié)構(gòu)不同，可分為分層網(wǎng)絡(luò)和相互連接型網(wǎng)絡(luò)。分層網(wǎng)絡(luò)是將一個神經(jīng)元網(wǎng)絡(luò)模型中的所有神經(jīng)元按功能分為若干層，一般有輸入層、中間層和輸出層。相互連接型網(wǎng)絡(luò)是指網(wǎng)絡(luò)中任意兩個單元之間都可以相互連接。②神經(jīng)元網(wǎng)絡(luò)的學習過程模仿人的學習過程，人們提出了多種神經(jīng)元網(wǎng)絡(luò)。人工神經(jīng)元模型的學習方式，其中主

5、要三種:有導師學習、無導師學習和強化學習。學習是一個相對持久的變化過程，學習往往也是一個推理過程，例如通過經(jīng)驗也可以學習，學習是神經(jīng)元網(wǎng)絡(luò)最重要的能力。③神經(jīng)元網(wǎng)絡(luò)的學習規(guī)則在學習過程中主要是網(wǎng)絡(luò)的連接權(quán)的值發(fā)生了改變，學習到的內(nèi)容也是記憶在連接權(quán)之中。學習規(guī)則有:Hebb學習規(guī)則、感知機(Perception)學習規(guī)則、Delta學習規(guī)則等等。④神經(jīng)元網(wǎng)絡(luò)的工作過程當網(wǎng)絡(luò)訓練好了以后，就可以正常進行工作，可以用來分析數(shù)據(jù)和處理問題。神經(jīng)元網(wǎng)絡(luò)的工作過程有許多種形式，比如回想和分類。（2）BP網(wǎng)絡(luò)本文采用BP網(wǎng)絡(luò)，BP網(wǎng)絡(luò)學習

6、規(guī)則的指導思想:對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著表現(xiàn)函數(shù)下降最快的方向-負梯度方向.（5-11）其中是當前的權(quán)值和閾值矩陣,是當前表現(xiàn)函數(shù)的梯度,是學習速度。下面介紹BP算法的推倒過程。假設(shè)三層BP網(wǎng)絡(luò),輸入節(jié)點,隱層節(jié)點,輸出節(jié)點.輸入節(jié)點與隱層節(jié)點間的網(wǎng)絡(luò)權(quán)值為,隱層節(jié)點與輸出節(jié)點間的網(wǎng)絡(luò)權(quán)值為.當輸出節(jié)點的期望值為時,模型的計算公式如下:隱層節(jié)點的輸出（5-12）其中（5-13）輸出節(jié)點的計算輸出（5-14）其中（5-15）輸出節(jié)點的誤差（5-16）誤差函數(shù)對輸出節(jié)點求導（5-17）E是多個的函數(shù).但有一個與有關(guān),各間相互獨

7、立,其中（5-18）（5-19）則（5-20）設(shè)輸入節(jié)點誤差為（5-21）則（5-22）2）誤差函數(shù)對隱層節(jié)點求導（5-23）E是多個的函數(shù),針對某一個,對應(yīng)一個,它與所有有關(guān),其中（5-24）（5-25）（5-26）則（5-27）設(shè)隱層節(jié)點誤差為（5-28）則（5-29）由于權(quán)值的修正,正比于誤差函數(shù)沿梯度下降,則有（5-30）（5-31）（5-32）（5-33）（5-34）（5-35）其中隱層節(jié)點誤差中的表示輸出節(jié)點的的誤差通過權(quán)值向節(jié)點反向傳播成為隱層節(jié)點的誤差。3）閾值的修正閾值也是變化值，在修正權(quán)值的同時也需要修正，

8、原理同權(quán)值修正一樣。誤差函數(shù)對輸出節(jié)點閾值求導（5-36）其中（5-37）（5-38）則（5-39）閾值修正（5-40）（5-41）誤差函數(shù)對隱層節(jié)點閾值求導（5-42）其中（5-43）（5-44）（5-45）則（5-46）閾值修正xiaq/;,zkpny（5-47）（5-4