《最新基于人工鱼群模糊神经网络电力系统短期负荷预测研究PPT文档.ppt》由会员分享，可在线阅读，更多相关《最新基于人工鱼群模糊神经网络电力系统短期负荷预测研究PPT文档.ppt（30页珍藏版）》请在三一办公上搜索。
1、主要内容,绪论本文所需的预备知识本文主要预测方法算例仿真分析结论与展望,第一章 绪论,我国电力系统的发展对电网管理现代化的要求越来越高，负荷预测成为现代电力系统科学中的一个重要领域。准确的电力系统负荷预测对我国的电力系统发展有着重要的意义，主要表现在电网管理中准确的负荷预测能够为电网经济调度以及生产计划制定提供有力帮助；其次，负荷预测是电力系统安全分析及运行的基础，是电网进行实时调度的必须数据;最后，预测负荷需求数据还是电力系统市场化的重要组成。电力系统的作用应当是对各类用户尽可能经济的提供可靠而合乎标准要求的电能，以随时满足各类用户的要求。用电力系统的术语来说，就是要满足负荷要求。电力系统负
2、荷预测是电力系统发电计划的重要组成部分，也是电力系统经济运行的基础。在当前电力发展迅速和供应紧张的情况下，合理地进行电力系统规划和运行极其重要。,电力系统的负荷预测就是在考虑一些重要因素（如系统运行特性、增容决策、自然条件和社会影响）的条件下，研究或利用一套系统地处理过去的负荷数值，通过探索出历史负荷之间以及历史负荷与主要影响因素之间的内在联系和发展变化规律，用于在满足一定精度要求的条件下，确定未来某特定时刻的电力系统负荷需求值的方法。电力系统负荷预测从时间方面来说，可以分为长期、中期、短期与超短期。短期负荷预测则指几个月、几周、几天，一天内各小时，甚至更短时间内的预测本文主要研究的是对电力系
3、统短期的负荷预测方法，既是通过对历史数据的分析处理，达到对未来某一日内的电力系统负荷进行预测。,短期负荷预测技术的发展状况,电力系统负荷预测技术的发展主要分为两个阶段第一个阶段是到上世纪八十年代末，是使用传统负荷预测技术的阶段。以时间序列法和回归分析法这两种方法为主要预测技术的理论依据。第二个阶段是进入九十年代，人工智能技术的兴起，负荷预测迅速进入了使用智能化负荷预测技术的阶段。目前主要的负荷预测方法有专家系统法，人工神经网络法，模糊系统法和多种预测方法相结合的复合预测方法,本文主要工作,分析和介绍了负荷预测技术的发展情况，现有的电力系统短期负荷预测的主要方法，进行了分析及比较。在现有的电力系
4、统短期负荷预测方法的基础上应用了人工神经网络和模糊推理规则相结合的组合预测方法。学习和应用了人工鱼群算法训练前向神经网络，将模糊推理规则引入负荷预测，用以将天气，节假日等影响因素加入短期负荷预测模型，提高了负荷预测的精确和实现程度，具有现实意义。,第二章 预备知识,负荷预测作为当前电力系统管理现代化，自动化的重要标志之一，经过几十年的发展，已经有很多成型有效的预测理论方法成功应用在电力系统生产实际中。其中较为典型的方法有基于数学统计的线性外推法、多元线性回归法、指数平滑法、时间序列法、状态空间法、基于人工智能的专家系统法、人工神经网络法，以及模糊推理法，灰色模型法，小波变换等预测方法。在第一章
5、已经大致介绍了各种方法的发展状况，本章将简要介绍各种方法的原理，对于本文将应用的人工神经网络法和模糊推理方法将做重点的介绍。,人工神经网络法,人工神经网络（ANN），是大脑及其活动的一个理论化的数学模型，由大量的处理单元（神经元）互连而成的，是神经元联结形式的数学抽象，是一个大规模的非线性自适应模型。神经网络模型用于模拟人脑神经元活动的过程，其中包括对信息的加工、处理，存贮和搜索等过程，它具有如下基本特点：（1）神经网络能够分布式存贮信息（2）神经网络能够并行处理及推理信息（3）神经网络可以自组织，自学习信息,神经网络结构,人工神经网络的机构主要有层状和网状两大类。其中层状前向神经网络为本文主
6、要研究使用的神经网络类型。如右图所示的三层前向神经网络，层间无反馈，每一层输出为下一层的输入。,三层前向神经网络的学习,前向人工神经网络具有数层相连的处理单元，连接可从一层中的每个神经元到下一层的所有神经元，且网络中不存在反馈环，是常用的一种人工神经网络模型，它的主要用途是用来逼近非线性映射。本文中主要应用的三层前向网络，输出层为线性层，隐层神经元的非线性作用函数为S-型函数：,三层前向神经网络中，输入层神经元把输入神经网络的数据不做任何处理直接作为该神经元的输出。设输入层神经元的输出为，隐层神经元的输入为，隐层神经元的输出为，输出层神经元的输出为，则网络的输入-输出为：其中，为输入层-隐层的
7、连接权值，为隐层神经元的阈值，为隐层-输出层的连接权值，为输出层神经元的阈值。,网络的输入-输出映射也可简写为：网络输入关系可以写成矩阵形式：或写成,三层前向神经网络的学习算法,前向神经网络对非线性映射的逼近能力是通过对样本数据的学习获得的。学习方式一般可分为单样本学习和批学习两种。对于日负荷预测模型的训练一般皆采用批学习方式 人工神经网络的学习算法可以分为三类：局部搜索算法，包括误差反传（BP）算法、牛顿法和共扼梯度法等，其中最经典、最常用的算法为BP算法，但是这种方法收敛速度较慢且容易陷入局部极小值。线性化算法，它一般收敛较快，但是容易过早收敛。随机优化算法，包括遗传算法、演化算法、模拟退
8、火算法等，这些算法可以处理离散、非凸的非线性问题，在搜索方法上采用随机搜索，具有一定的全局搜索能力。,模糊推理法,模糊集合将经典集合的绝对隶属关系（非A即B）模糊化（既A又B），典型的隶属度函数有三角函数、梯形函数、正态分布函数、S形分布函数和Z形分布函数。模糊推理基于模糊规则，模糊规则以TF-THEN的形式来表达模糊集合间的关系。模糊推理策略通常用来描述影响负荷的不确定的因素，比如天气条件，阴与晴之间没有明确的界限，冷与暖之间也没有明确的界限，这些因素如果用精确集合来描述，一般取影响程度最大的方面，这样会无疑丢失很多其它方面的信息。模糊集合和模糊推理一般与其它预测方法相结合来进行短期负荷预测
9、。,第三章 人工鱼群模糊神经网络预测方法,基于大量历史数据表明电力系统的负荷数据经过归一化之后呈现出规律性的特征，本文采用的预测方法如下：1 确定预测日类型；2 根据预测日类型将有关历史负荷按照某种方式（如公式3.1）进行归一化以后，通过线性外推法预测未来日负荷归一化曲线；3 预测未来日归一化参数（如最大负荷Lmax和最小负Lmin）；4 将 2 和 3 预测结果进行综合得到最终的预测结果。，本文将在它们的基础之上进行适当的改进，主要包括以下两点：（1）通过人工鱼群神经网络预测负荷归一化参数；（2）通过模糊推理策略预测日最大负荷和日最小负荷。,预测方法准备工作,1 预测日类型的确定 通过对大量
10、的历史负荷数据进行详细的分析，本文将负荷日类型分为工作日、周六、周日和节假日等，然后根据不同的类型分别建立了不同的预测类型。2 将负荷值按照公式3.1划为归一化值,人工鱼群算法,人工鱼群算法是一种基于动物行为的寻求全局最优的新思路，是行为主义人工智能的一个典型应用。它从构造动物简单的底层行为做起，通过各动物个体的局部寻优行为，最终在群体中使全局最优值突现出来。该算法具有良好的克服局部极值、取得全局极值的能力，并且算法的实现无需目标函数的梯度值等特性，故其对搜索空间具有一定的自适应能力。以下是人工鱼发挥作用的几种典型行为：（1）觅食行为：一般情况下鱼在水中随机的自由的游动，当发现食物时，则会向着
11、食物逐渐增多的方向快速游去。（2）聚群行为：鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群。（3）追尾行为：当鱼群中的一条或几条鱼发现食物时，其临近的伙伴会尾随其快速到达食物点。,人工鱼群神经网络,利用人工鱼群算法训练前向神经网络的行为及参数定义利用人工鱼群算法训练前向神经网络，关键在于人工鱼个体（AF）模型的构造，每条人工鱼代表一个前向神经网络，前向神经网络的欲寻优变量为两个权值矩阵，和两个阈值向量，另外定义了人工鱼的行为函数，觅食、聚群以及追尾。人工鱼当前位置的食物浓度；两人工鱼个体与之间的距离为：其中，VISUAL表示人工鱼的感知距离；STEP表示人工鱼移动步长的最大值；表示
12、拥挤度因子；表示安全度系数。,人工鱼群算法训练前向神经网络的步骤,基于上述的参数定义，用人工鱼群算法训练三层前向神经网络，可按以下步骤进行：输入人工鱼群的群体规模N，最大迭代次数number，人工鱼的可视域VISUAL,人工鱼的最大移动步长STEP，拥挤度因子，安全度系数Aq等参数。设置初始迭代次数num=0，在控制变量可行域内随机生成N个人工鱼个体，形成初始鱼群，即产生N组，各个分量均为-1,1区间的随机数。计算初始鱼群各人工鱼个体当前位置的食物浓度值FC，并比较大小，取FC为最大值者进入公告板，将此鱼赋值给公告板。各人工鱼分别模拟追尾行为和聚群行为，选择行动后FC值较大的行为实际执行，缺省
13、行为方式为觅食行为。各人工鱼每行动一次后，检验自身的FC与公告板的FC，如果优于公告板，则以自身取代之。中止条件判断：判断num是否已达到预置的最大迭代次数 number，若是，则输出计算结果（即公告板的FC值），否则num+1，转步骤（4）。,神经网络结构,输入层节点的确定 输入层节点的确定是依据所有可能影响这一小时的所有负荷值。这其中可能包括本小时之前的几个小时，也可能包括前一天，或前一个周甚至几个周的这一时刻的负荷值。隐层节点数的确定 隐层节点数的多少对网络性能的影响较大，而且往往不好准确的确定。最佳隐层节点数的选取也可参考下边的公式进行计算。c是介于1-10的常数，m为输入节点数；n为
14、输出节点数。,人工鱼群神经网络预测模型,鉴于电力负荷具有周期特性，且各类型日负荷特性不同，本文引用文献52构造的第二种基于神经网络的预测模型结构，预测时使用本文提出的人工鱼群神经网络预测模型，来做第一步负荷归一化曲线的预测工作，具体模型如图3.1所示。,模糊推理策略预测日负荷的最大值和最小值,在电力系统的负荷预测中，天气因素是影响每日负荷的重要因素之一，然而大多数的预测方法下，天气因素都是无法精确描述的，这对于负荷预测的精确程度起到了很大的影响，例如气温的高低，天气的阴晴，季节的变化，此外影响负荷预测的还有节假日因素，基于以上这些影响因素的考虑，下面将通过模糊推理策略预测日负荷的最大值和最小值
15、。在预测过程中，本文将日负荷最大值Lmax和最小值Lmin。分为两部分：基本负荷和受外界因素影响的变化负荷。,对于基本负荷通过下面公式外推过去几天的负荷最大值和最小值得到：（3.）其中，为预测日Lmax的基本负荷的预测结果；为预测日Lmin的基本负荷的预测结果；为过去i天Lmax基本负荷值，；为过去i天Lmin基本负荷值，。对于变化负荷部分，首先对天气因素、节假日信息以及季节因素建立相应的模糊集，然后再根据大量的实践经验来建立这些因素与变化负荷之间的模糊规则，最后可以通过这些模糊规则完成对预测日负荷最大值和最小值变化负荷的预测。,模糊集的建立,各个模糊集合的隶属度函数,模糊规则的选取,依赖大量
16、实践经验建立的模糊规则是以IF-THEN的形式来进行表达的，其前有四个输入：节假日因素、季节因素、日最高气温和日最低气温；其后有两个输出:日最大负荷变化值和日最小负荷变化值。如：IF节假日=WE；季节=AU；最高温度=PV；最低温度=NM；THEN日最大负荷变化值=P 日最小负荷变化值=NM,首先依据各个变量的隶属度函数将预测日的信息模糊化，得到各个模糊变量的数值；然后根据所得到的各个模糊输入的数值触发相应的模糊规则（一般会触发多条模糊规则），其输出为变化负荷的模糊预测结果；最后根据公式（3.）、公式（3.）将变化负荷的模糊预测结果去除模糊化，得到实际结果。预测日负荷最大值Lmax和最小值Lm
17、in最终预测结果：,第四章 仿真结果与分析,第一步算法仿真实例本文利用某省2003年-2008年2月的每日负荷作为历史数据，经过处理后用于训练人工鱼群神经网络，建立预测模型，验证第一步的预测方法，并与BP神经网络作比较，验证此方法的优势性。预测结果与误差曲线见图4.1和图4.2,可见，人工鱼群神经网络预测模型的预测精度较BP神经网络预测模型有较大提高，并且前者的实际运算速度明显快于后者，图4.2中人工鱼群神经网络预测模型的百分误差变化也较均匀。第二步算法仿真实例 通过与未加模糊推理策略的预测结果进行比较可以发现模糊推理策略在预测日负荷最大值和最小值时考虑了多种因素（如气温因素、季节因素和节假日
18、因素等），使得对日负荷最大值和最小值的预测精度提高了很多，尤其对于符合变化较大的时间段。最后应用第3章中阐述的模糊推理策略预测日负荷的最大值和最小值，最后通过公式计算出未来日负荷的大小。,第五章 结论与展望,结论本文应用了一种新兴的人工鱼群算法来训练前向神经网络，即人工鱼群神经网络来预测日负荷归一化曲线，针对BP算法收敛速度慢，易陷入局部极小的缺陷，用人工鱼群算法训练BP网络的权值和阈值，目的是提高网络的收敛速度和训练精度，以达到更高的学习效率。对于影响负荷的其他一些因素，如天气、气温、季节和节假日因素等。本文在人工鱼群神经网络的基础上提出了用模糊推理策略预测日负荷最大值和最小值，用于与神经网络预测结果相结合，在预测过程中考虑了天气因素、节假日因素、季节因素等，使预测模型更加接近实际条件。通过实际算例表明，本文提出的预测方法能够提高短期负荷预测的精度。,展望 1 神经网络结构难以准确确定 训练需要大量历史数据 2 模糊规则只能针对某具体系统按经验推理制定 通用性差,
