基于改进BP算法的短期电力系统负荷预测

3.0 闻远设计 2025-03-22 66 4 13.92KB 2 页 5光币

侵权投诉

基于改进 BP 算法的短期电力系统负荷预测

　　 1　概述

　　电力系统负荷预测实质是对电力市场需求的预测，短期电力负荷预测是电力部门的重要工

作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优

选组合预测等，其中智能预测中最典型的就是人工神经网络。

　　人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意

义，能通过学习已存在的历史负荷数据，来反映出输入变量和输出变量之间的非线性关系。由

于很多因素都会对电力负荷造成影响，所以可以把神经网络算法引用到负荷预测中来，提高电

力负荷的预测精度。本文针对短期电力负荷预测的问题，采用了一种增加动量项改进 BP 算法

的负荷预测方法，并对某城市的有功负荷进行短期负荷预测仿真。

　　 2　传统 BP 算法及其改进

　　 2.1　传统 BP 模型及其学习过程

　　传统 BP 算法的实质是求均方误差函数的最小值问题，常选择 Sigmoid 型函数作为激励函

数。如图 2-1 所示即为典型的三层 BP 神经网络的结构图，从左至右依次为输入层、隐含层、

输出层。一般情况下，输入层单元数与输出层相等，隐含层比输入层多，一般多取 2n-1，其中

n为输入层单元数。

　　 [图2-1　三层 BP 神经网络结构图]

　　令输入模式向量为 Xk=（x，x …，，x）T，（k=1，2 …，，m），m是学习模式对的个

数，n为输入层单元数；对应输入模式的期望输出模式向量为 Yk=（y，y …，，y）T，q为输

出层单元数；中间隐含层的净输入向量为 Sk=（S，S …，，S）T，输出向量为 Bk=（b，b，

…，b）T，p为隐含层单元数；输出层净输入向量为 Lk=（l，l …，，l）T，实际输出向量为

Ck=（c，c …，，c）T；输入层至隐含层的连接权值为 W={wij}（i=1，2 …，，n，j=1，2，

…，p），隐含层到输出层的连接权值为 V={vjt}，（j=1，2 …，，p，t=1，2 …，，q）；隐含

层各个单元的阈值为 θ={θj}（j=1，2 …，，p），输出层各个单元的阈值为 γ={γt}（t=1，2，

…，q）。

　　中间隐含层各个神经元的净输入和输出：

　　 S=wijs-θj　j=1，2 …，，p　b=f（s 　）j=1，2 …，，p

　　输出层各个神经元的净输入和实际输出：

　　 l=vjtb-γt　t=1，2 …，，q　c=f（l 　）j=1，2 …，，q

　　依据给定的期望输出值，得到输出层各个神经元的校正误差：

　　 d=（y-c）f′（l 　）t=1，2 …，，q；隐含层各个神经元的校正误差：

　　 e=[vjtd]f′（S 　）j=1，2 …，，p修正隐含层和输出层神经元之间的阈值 γ，其中 α为学习速

率，0　<1 　：

　　 Δvjt=αdd　i=1，2 …，，p，t=1，2 …，，q　Δvjt=αdb　i=1，2 …，，p，t=1，2 …，，q

　　 Δγt=αd　t=1，2 …，，q

　　修正输入层与隐含层的连接权值和隐含层神经元的阈值 θ，其中 β为学习速率，0　<1 　：

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

5 光币 4人已下载

立即下载

摘要：

基于改进BP算法的短期电力系统负荷预测　　1　概述　　电力系统负荷预测实质是对电力市场需求的预测，短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等，其中智能预测中最典型的就是人工神经网络。　　人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义，能通过学习已存在的历史负荷数据，来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响，所以可以把神经网络算法引用到负荷预测中来，提高电力负荷的预测精度。本文针对短期电力负荷预测的问题，采用了一种增加动量项改进BP算法的负...

展开>> 收起<<

基于改进BP算法的短期电力系统负荷预测.docx

共2页,预览1页

还剩页未读，继续阅读

基于改进BP算法的短期电力系统负荷预测

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: