基于遺傳BP網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)_第1頁
基于遺傳BP網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)_第2頁
基于遺傳BP網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)_第3頁
基于遺傳BP網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)_第4頁
基于遺傳BP網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)_第5頁
已閱讀5頁,還剩17頁未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

BP網(wǎng)絡(luò)基本介紹遺傳算法介紹實(shí)例分析——基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)第1頁/共22頁

BP神經(jīng)網(wǎng)絡(luò)是一個(gè)多層網(wǎng)絡(luò),它的拓?fù)浣Y(jié)構(gòu)如下圖所示。輸入層i隱含層k輸出層jwkiwjk第2頁/共22頁

在這一神經(jīng)網(wǎng)絡(luò)模型中,引入了中間隱含神經(jīng)元層。標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)由三層組成,最左層稱為輸入層,中間層稱為隱含層,最右層稱為輸出層。輸入層、輸出層的個(gè)數(shù)可以由所求的問題決定,而中間層的神經(jīng)元個(gè)數(shù)的確定需要探討。各層次的神經(jīng)元之間形成全互連連接,各層次內(nèi)的神經(jīng)元之間沒有連接。三層神經(jīng)網(wǎng)絡(luò)已經(jīng)足以模擬輸入與輸出之間的復(fù)雜的非線性映射關(guān)系。更多的網(wǎng)絡(luò)層雖然能提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)復(fù)雜映射關(guān)系的能力,但因?yàn)殡S著網(wǎng)絡(luò)層的增加,神經(jīng)元及其連接權(quán)將大規(guī)模增加,所占用的計(jì)算機(jī)資源過多,網(wǎng)絡(luò)學(xué)習(xí)收斂反而慢了。第3頁/共22頁

各個(gè)神經(jīng)元之間的連接并不只是一個(gè)單純的傳輸信號(hào)的通道,而是在每對(duì)神經(jīng)元之間的連接上有一個(gè)加權(quán)系數(shù),這個(gè)加權(quán)系數(shù)就是權(quán)值,它起著生物神經(jīng)系統(tǒng)中神經(jīng)元的突觸強(qiáng)度的作用,它可以加強(qiáng)或減弱上一個(gè)神經(jīng)元的輸出對(duì)下一個(gè)神經(jīng)元的刺激。修改權(quán)值的規(guī)則稱為學(xué)習(xí)算法,它可以根據(jù)經(jīng)驗(yàn)或?qū)W習(xí)來改變。第4頁/共22頁2、算法步驟1)構(gòu)造學(xué)習(xí)訓(xùn)練模式。給出輸入、輸出樣本對(duì){P}和{T}。{P}和{T}可以是向量,也可以是矩陣,它們不一定為同列。2)網(wǎng)絡(luò)狀態(tài)初始化。用隨機(jī)化方法將兩個(gè)權(quán)重矩陣Wki(行k=1,2,…,m,列i=1,2,…,n)、Wjk(行j=1,2,…,o)和兩個(gè)偏差矩陣bi、bj置初始值。3)將P的值送到輸入層神經(jīng)元,通過連接權(quán)重矩陣Wki

送到隱含層神經(jīng)元,產(chǎn)生隱含層神經(jīng)元輸出值4)計(jì)算輸出層神經(jīng)元的輸出值第5頁/共22頁tj為理想輸出5)計(jì)算輸出層神經(jīng)元的一般化誤差

6)計(jì)算隱含層神經(jīng)元對(duì)于每個(gè)ej的誤差8)調(diào)整輸入層到隱含層的連接權(quán)重此式相當(dāng)于將輸出層神經(jīng)元的誤差反向傳播到隱含層。

7)調(diào)整隱含層到輸出層的連接權(quán)重第6頁/共22頁9)調(diào)整輸出層神經(jīng)元的偏差10)調(diào)整隱含層神經(jīng)元的偏差11)重復(fù)第3)步至第10)步的內(nèi)容,直到對(duì)于k=1,2,…,m的誤差ej(j=1,2,…,q)變得足夠小為止。

第7頁/共22頁

從上面的過程可以看出,BP網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練分成兩個(gè)階段,在第一階段里對(duì)于給定的網(wǎng)絡(luò)輸入,通過現(xiàn)有連接權(quán)重將其正向傳播,獲得各個(gè)神經(jīng)元的實(shí)際輸出;在第二階段里,首先計(jì)算出輸出層各神經(jīng)元的一般化誤差,這些誤差逐層向輸入層方向逆向傳播,以獲得調(diào)整各連接權(quán)重所需的各神經(jīng)元參考誤差。學(xué)習(xí)完成后的網(wǎng)絡(luò)在預(yù)報(bào)時(shí)使用第3)、4)步中的正向傳播公式。第8頁/共22頁2基本遺傳算法

步1

在搜索空間U上定義一個(gè)適應(yīng)度函數(shù)f(x),給定種群規(guī)模N,交叉率Pc和變異率Pm,代數(shù)T;

步2

隨機(jī)產(chǎn)生U中的N個(gè)個(gè)體s1,s2,…,sN,組成初始種群S={s1,s2,…,sN},置代數(shù)計(jì)數(shù)器t=1;

步3

計(jì)算S中每個(gè)個(gè)體的適應(yīng)度f();

步4

若終止條件滿足,則取S中適應(yīng)度最大的個(gè)體作為所求結(jié)果,算法結(jié)束。第9頁/共22頁

步5

按選擇概率P(xi)所決定的選中機(jī)會(huì),每次從S中隨機(jī)選定1個(gè)個(gè)體并將其染色體復(fù)制,共做N次,然后將復(fù)制所得的N個(gè)染色體組成群體S1;

步6

按交叉率Pc所決定的參加交叉的染色體數(shù)c,從S1中隨機(jī)確定c個(gè)染色體,配對(duì)進(jìn)行交叉操作,并用產(chǎn)生的新染色體代替原染色體,得群體S2;第10頁/共22頁

步7

按變異率Pm所決定的變異次數(shù)m,從S2中隨機(jī)確定m個(gè)染色體,分別進(jìn)行變異操作,并用產(chǎn)生的新染色體代替原染色體,得群體S3;

步8

將群體S3作為新一代種群,即用S3代替S,t=t+1,轉(zhuǎn)步3;

第11頁/共22頁實(shí)例分析——基于遺傳BP網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)

1.負(fù)荷預(yù)測(cè)重要性電力系統(tǒng)的作用是對(duì)各類用戶盡可能經(jīng)濟(jì)地提供可靠持續(xù)并且具有良好質(zhì)量的電能。負(fù)荷預(yù)測(cè)是電力系統(tǒng)的一項(xiàng)基本工作,是調(diào)度安排開停機(jī)計(jì)劃的基礎(chǔ),其結(jié)果是電力市場交易的主要依據(jù)。為電網(wǎng)的安全監(jiān)視、運(yùn)行方式和緊急狀態(tài)處理提供了重要的決策依據(jù)電力市場深入改革,電力公司需要贏得經(jīng)濟(jì)效益。電力系統(tǒng)負(fù)荷預(yù)測(cè)在系統(tǒng)規(guī)劃、新發(fā)電廠和配電系統(tǒng)的建設(shè)上有著重要的地位。電力負(fù)荷預(yù)測(cè)工作的水平己成為衡量一個(gè)電力企業(yè)的管理是否走向現(xiàn)代化的標(biāo)志之一。第12頁/共22頁2.短期負(fù)荷預(yù)測(cè)----指一個(gè)小時(shí)到未來1天甚至到一周的負(fù)荷預(yù)測(cè)。意義在于經(jīng)濟(jì)合理的安排電網(wǎng)內(nèi)各發(fā)電機(jī)組的啟停,使系統(tǒng)在要求的安全范圍內(nèi)降低旋轉(zhuǎn)儲(chǔ)備容量。短期電力負(fù)荷預(yù)測(cè)既是電力系統(tǒng)優(yōu)化調(diào)度的基礎(chǔ)工具,又是電力企業(yè)日常經(jīng)營管理工作的重要組成部分。準(zhǔn)確的短期負(fù)荷預(yù)測(cè)是調(diào)度機(jī)構(gòu)制定供電計(jì)劃和做好電網(wǎng)供需平衡的關(guān)鍵,有助于系統(tǒng)運(yùn)行人員高效地預(yù)估電能的生產(chǎn)、輸送、分配以及消費(fèi)情況,制定出經(jīng)濟(jì)、合理的發(fā)電方案。短期電力負(fù)荷預(yù)測(cè)關(guān)系電力系統(tǒng)調(diào)度和管理工作,影響電網(wǎng)安全穩(wěn)定運(yùn)行和電網(wǎng)公司的經(jīng)濟(jì)利益。第13頁/共22頁基于遺傳算法優(yōu)化的BP網(wǎng)絡(luò)BP算法雖具有精確尋優(yōu)的能力,但其網(wǎng)絡(luò)模型初始權(quán)值的隨機(jī)性容易產(chǎn)生兩方面問題:首先,每次訓(xùn)練的次數(shù)和最終權(quán)值會(huì)不相同,網(wǎng)絡(luò)的尋優(yōu)不具有惟一性,會(huì)出現(xiàn)局部極小;其次,初始權(quán)值給定的隨機(jī)性還導(dǎo)致了訓(xùn)練次數(shù)較多,收斂速度慢.這兩方面問題限制了它在負(fù)荷預(yù)測(cè)中的應(yīng)用.遺傳算法(GA)是基于自然選擇和遺傳規(guī)律的并行全局搜索算法,具有較強(qiáng)的宏觀搜索能力,算法具有尋優(yōu)的全局性,克服了BP算法中容易出現(xiàn)的局部極小問題.本文將BP算法與遺傳算法結(jié)合起來,先應(yīng)用遺傳算法來進(jìn)行網(wǎng)絡(luò)訓(xùn)練,再用BP算法進(jìn)行精確求解.這樣,先得到權(quán)值的一個(gè)范圍,以此為基礎(chǔ)訓(xùn)練網(wǎng)絡(luò)以避免局部極小,得到全局最優(yōu).。第14頁/共22頁具體步驟如下:①初始化網(wǎng)絡(luò)及群體,給出訓(xùn)練參數(shù);對(duì)每一個(gè)輸入向量,先規(guī)格化之,網(wǎng)絡(luò)的初始權(quán)值為[0,1]的一組隨機(jī)數(shù)。②計(jì)算個(gè)體適應(yīng)度,若達(dá)到預(yù)定值EGA則轉(zhuǎn)④;這里個(gè)體適應(yīng)度就是誤差平方和.。③遺傳操作(選擇、交叉、變異),產(chǎn)生新一代個(gè)體,淘汰父代個(gè)體轉(zhuǎn)②;這一步就是用遺傳學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)。④利用權(quán)重調(diào)整BP算法迭代計(jì)算(次數(shù)限定),若未達(dá)到指定精度EBP則轉(zhuǎn)③,EBP<EGA。⑤輸出此時(shí)的權(quán)值、閥值,結(jié)束訓(xùn)練.。⑥以此時(shí)的權(quán)值、閥值計(jì)算實(shí)例,并將計(jì)算結(jié)果參照規(guī)格化公式還原,進(jìn)行預(yù)測(cè).。由于樣本經(jīng)過規(guī)格化,網(wǎng)絡(luò)的初始權(quán)值區(qū)間取[0,1]較為恰當(dāng).如果EGA取得較小的話,導(dǎo)致訓(xùn)練次數(shù)增加,但對(duì)最終結(jié)果影響不大;如果EGA取得較大的話,將導(dǎo)致最終權(quán)值的范圍較大,影響網(wǎng)絡(luò)的泛化(generalization)能力。第15頁/共22頁

在預(yù)測(cè)日的前一天中,每2個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行一次測(cè)量,這樣一來,一天共測(cè)得12組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變,因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān),除非出現(xiàn)重大事故等特殊情況。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。此外,由于電力負(fù)荷還與環(huán)境因素有關(guān),如最高和最低溫度等。因此,還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高和最低溫度。這里將電力負(fù)荷預(yù)測(cè)日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此,輸入變量就是一個(gè)15維的向量。在樣本中,輸入向量為預(yù)測(cè)日前天的電力實(shí)際負(fù)荷數(shù)據(jù),目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這都是實(shí)際的測(cè)量值,因此,這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。如果從提高網(wǎng)絡(luò)精度的角度出發(fā),一方面可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目。本文取10天的輸入和輸出樣本。第16頁/共22頁預(yù)報(bào)算例在預(yù)測(cè)日的前一天中,每2個(gè)小時(shí)對(duì)電力負(fù)荷進(jìn)行一次測(cè)量,這樣一來,一天共測(cè)得12組負(fù)荷數(shù)據(jù)。由于負(fù)荷值曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變,因此后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān),除非出現(xiàn)重大事故等特殊情況。所以這里將前一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。此外,由于電力負(fù)荷還與環(huán)境因素有關(guān),如最高和最低溫度等。因此,還需要通過天氣預(yù)報(bào)等手段獲得預(yù)測(cè)日的最高和最低溫度。這里將電力負(fù)荷預(yù)測(cè)日當(dāng)日的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)的輸入變量。因此,輸入變量就是一個(gè)15維的向量。在樣本中,輸入向量為預(yù)測(cè)日前天的電力實(shí)際負(fù)荷數(shù)據(jù),目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這都是實(shí)際的測(cè)量值,因此,這些數(shù)據(jù)可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。如果從提高網(wǎng)絡(luò)精度的角度出發(fā),可以增加網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目。本文取10天的輸入和輸出樣本。第17頁/共22頁獲得輸入和輸出變量后,要對(duì)其進(jìn)行歸一化處理,將數(shù)據(jù)處理為區(qū)間[0,1]之間的數(shù)據(jù)。歸一化方法有許多種形式,在matlab中mapminmax將數(shù)據(jù)進(jìn)行歸一化。隱含層神經(jīng)元數(shù)量的確定:隱含層單元的數(shù)量和輸入輸出單元數(shù)量都有關(guān)系。隱含層節(jié)點(diǎn)有些用于提取輸入特征,有些用于完成某些特殊功能,在實(shí)際使用中,一個(gè)隱含層就夠了??筛鶕?jù)前人的經(jīng)驗(yàn),利用Kolmogorov定理(其中1~10,分別為為輸入層、輸出層和隱含層神經(jīng)元數(shù))進(jìn)行計(jì)算,考慮到隱層神經(jīng)元個(gè)數(shù)的增加可以讓精度更高,本文把神經(jīng)元個(gè)數(shù)增加到25.這樣就形成了15-25-12的BP網(wǎng)絡(luò)結(jié)構(gòu)。本模型投入到了實(shí)際應(yīng)用中,取得了較好的效果.圖2為用遺傳算法優(yōu)化BP網(wǎng)絡(luò)預(yù)測(cè)的某一日實(shí)際結(jié)果和預(yù)測(cè)結(jié)果的對(duì)比。圖2為僅用BP網(wǎng)絡(luò)預(yù)測(cè)的實(shí)際值與預(yù)測(cè)值的對(duì)比??梢钥闯?,基于遺傳算法優(yōu)化BP網(wǎng)絡(luò)能夠更精確的預(yù)測(cè)電力負(fù)荷。

第18頁/共22頁預(yù)測(cè)數(shù)據(jù)圖1基于遺傳BP

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論