基于GN_BFGS算法的RBF神经网络短期负荷预测

合集下载

基于CNNGRU混合神经网络的负荷预测方法

基于CNNGRU混合神经网络的负荷预测方法

基于CNNGRU混合神经网络的负荷预测方法一、本文概述随着电力市场的不断发展,负荷预测已成为电力系统规划和运行管理中的重要环节。

负荷预测的准确性对于电力系统的稳定、经济运行至关重要。

近年来,技术的发展为负荷预测提供了新的解决思路。

其中,基于深度学习的负荷预测方法因其强大的数据处理能力和非线性映射能力而受到广泛关注。

本文提出了一种基于CNN-GRU混合神经网络的负荷预测方法,旨在提高负荷预测的准确性和稳定性。

本文首先介绍了负荷预测的背景和意义,分析了传统负荷预测方法的不足和局限性。

然后,详细阐述了CNN-GRU混合神经网络的基本原理和结构特点,包括卷积神经网络(CNN)在特征提取方面的优势以及门控循环单元(GRU)在处理时间序列数据时的有效性。

接着,本文详细描述了基于CNN-GRU混合神经网络的负荷预测方法的设计和实现过程,包括数据预处理、网络结构设计、训练过程及参数优化等方面。

通过实际算例验证了本文所提方法的有效性和优越性,为电力系统负荷预测提供了新的思路和方法。

本文的研究不仅有助于提高负荷预测的准确性和稳定性,还为电力系统规划和运行管理提供了有益的参考。

本文的研究也为深度学习在电力系统其他领域的应用提供了借鉴和启示。

二、背景知识负荷预测,作为能源管理和电力系统规划中的关键环节,其准确性与实时性对于电力系统的稳定运行和经济效益具有重要影响。

近年来,随着技术的飞速发展,越来越多的学者和工程师开始尝试将机器学习算法应用于负荷预测领域。

其中,深度学习作为机器学习的一个分支,因其具有强大的特征提取和自学习能力,在负荷预测领域展现出了巨大的潜力。

卷积神经网络(CNN)是深度学习中的一种重要模型,它在图像处理、语音识别等领域取得了显著的成功。

CNN通过卷积操作,能够有效地提取输入数据的局部特征,并通过逐层卷积和池化操作,逐步抽象出高层次的特征表示。

这使得CNN在处理具有局部相关性的数据时表现出色,如时间序列数据、图像数据等。

基于遗传算法优化前馈神经网络模型的配电网短期负荷预测

基于遗传算法优化前馈神经网络模型的配电网短期负荷预测

基于遗传算法优化前馈神经网络模型的配电网短期负荷预测摘要:随着能源需求的不断增长,配电网短期负荷预测变得越来越重要。

传统的负荷预测模型在准确性和鲁棒性方面存在一定的局限性。

本文提出了一种基于遗传算法优化的前馈神经网络模型,该模型能够更准确地预测配电网短期负荷。

实验结果表明,该模型相比传统模型具有更高的准确性和稳定性,可为配电网的运行和管理提供更可靠的参考。

1. 研究背景随着社会经济的迅速发展和技术的不断进步,能源的需求量也在不断增加。

配电网作为能源供应的重要组成部分,其负荷预测对于保障电网的安全运行和合理调度至关重要。

短期负荷预测是指在未来一段时间内(通常是数小时或一天内),对配电网的负荷需求进行准确预测。

准确的短期负荷预测可以帮助电力系统的调度员制定合理的发电计划,合理地安排电网的运行和管理。

而不准确的负荷预测则可能导致电网过载或者能源浪费。

目前,配电网短期负荷预测主要采用传统的时间序列分析方法或者基于统计学的方法。

这些方法往往在准确性和鲁棒性上存在一定的局限性,特别是面对负荷波动较大或者存在噪声干扰时。

研究如何利用先进的计算机科学和人工智能技术来提高负荷预测模型的准确性和鲁棒性,成为当前配电网领域的研究热点之一。

3. 研究内容本文以配电网的历史负荷数据为基础,结合遗传算法优化的前馈神经网络模型,建立配电网短期负荷预测模型。

具体研究内容包括以下几个方面:(1)历史负荷数据的预处理:首先需要对历史负荷数据进行预处理,包括数据清洗、特征提取、数据归一化等步骤,以便于建立神经网络模型。

(2)前馈神经网络模型的建立:在预处理完负荷数据后,利用前馈神经网络模型来对负荷进行预测。

前馈神经网络是一种最常见的神经网络结构,具有较好的拟合能力和泛化能力。

(3)遗传算法的优化:为了进一步提高神经网络模型的预测性能,本文引入遗传算法对网络结构和权值进行优化。

遗传算法是一种模拟自然进化过程的全局寻优算法,可以高效地找到神经网络模型的最优参数。

基于贝叶斯神经网络方法短期负荷预测指南

基于贝叶斯神经网络方法短期负荷预测指南

基于贝叶斯神经网络方法短期负荷预测指南短期负荷预测在电力系统运行中起着至关重要的作用。

正确的负荷预测可以帮助电力公司合理调度发电机组,优化电力供需平衡,提高电力系统的可靠性和经济性。

贝叶斯神经网络(Bayesian Neural Network,BNN)作为一种强大的建模工具,已经在负荷预测领域取得了很好的效果。

本文将介绍基于BNN方法进行短期负荷预测的指南。

首先,我们需要准备历史负荷数据作为训练样本。

这些历史负荷数据通常包括负荷的时间序列和对应的日期时间信息。

为了提高预测模型的准确性,我们可以考虑使用一些相关的影响因素作为特征变量,例如天气数据、季节性因素等。

接下来,我们需要选择一个合适的BNN模型结构。

BNN是一种基于神经网络的概率图模型,可以有效处理不确定性问题。

常见的BNN模型包括Bayesian Feedforward Neural Network(BFNN)、Bayesian Recurrent Neural Network(BRNN)等。

根据实际需求,选择一个适合的模型。

在训练BNN模型之前,我们需要进行数据预处理。

常见的预处理方法包括标准化、归一化等,以提高数据的可比性和模型的训练效果。

接着,我们可以使用一些常见的优化算法训练BNN模型,例如随机梯度下降(Stochastic Gradient Descent,SGD)、Adam等。

在进行优化算法调参时,可以使用交叉验证的方法选择最优的参数配置。

训练好BNN模型后,我们可以进行负荷预测。

预测的输入是未来一段时间的特征变量,输出是对应时间段的负荷预测结果。

预测结果可以是点预测,也可以是概率分布预测。

最后,我们需要评估负荷预测的准确性。

常见的评估指标包括均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(MeanAbsolute Error,MAE)等。

通过对预测准确性的评估,可以判断BNN模型的负荷预测效果,并进行相应的改进。

基于RBF神经网络的短期负荷预测

基于RBF神经网络的短期负荷预测
出各点的密度,公式如下:
只-
遗传算法是建立在 自然选择和群体遗传学机理 基础上的随机迭代与进化的搜索方法,是一种通用 的自适应随机搜索方法,对优化设计限制较少,而 且能以较大的概率求得全局最优解。用遗传算法训 练神经网络可以克服神经网络原有固定结构学习方 法的缺陷,从中找到合适的网络结构,因而具有广
取 0.9。
式=a 。 1一 么 x + a ( ) 减二 x, 1一 凡 a + a ( )
研 究 与开 发
基于 RBF 神经网络的短期负荷预测
王黎明 王艳松
( 中国石油大学信息与控制工程学院,山东 东营 2 706 ) 5 1 摘要 针对 BP 网络的缺陷,提出了一种基于 RBF 神经网络的短期负荷预测方法,利用遗传 算法训练神经网络,使神经网络以较快的收敛速度和较大的概率得到了 最优解。实例研究结果表 明该方法可以 取得较高的预测精度。 关键词: 短期负荷预测; RBF 网络;Forecasting Algorithm
B SSe d o n R B F N e u f a l N et w o r k
下王 Liming 下 ng y nsong 珑ng a V a (China University of Pet oleum, r Dongying, Shandong 257061)
to the f ult of BP neural network, PaPer Presents a shor 一 a this t term load o f recasting algorithm based on RBF neural network and take genetic algor thm to t ain neural networ . i r k The result of study indicates that this method can gain a higher f recasting Precision. o

基于RBF神经网络的短期负荷预测方法综述

基于RBF神经网络的短期负荷预测方法综述

基于RBF神经网络的短期负荷预测方法综述彭显刚;胡松峰;吕大勇【摘要】This paper introduces the concepts of the power system short-term load forecasting methods based on RBF neural network, and discusses its specific implementation approach. The continuous improving process of this method is reviewed by analogy analysis, and the progress made in practice is pointed out. Then, the basic principles and technical characteristics of several maturer RBF neural network prediction models are given with comparison and evaluation. According to the actual characteristics and new situations of power system operation, the method is analyzed from three aspects of improved algorithm, the original load data selection and combination of the actual load characteristics. The development space of continuous improvement in the field is discussed, finally the further development trend of technology in this field is prospected.%介绍了基于RBF神经网络的电力系统短期负荷预测方法的相关概念,论述其具体实现途径.通过类比分析的方法对该类预测方法改进的过程进行回顾,指出其在实践中取得的进步.阐述了一些比较成熟的基于RBF神经网络预测模型的基本原理和技术特点,并对它们进行了评价.根据电力系统运行的实际特点和面临的新情况,从算法改进、原始负荷数据筛选和如何结合实际负荷特点等三方面对该方法进行分析.探讨了该领域持续改进的发展空间,指出了该领域进一步发展的技术趋势.【期刊名称】《电力系统保护与控制》【年(卷),期】2011(039)017【总页数】5页(P144-148)【关键词】短期负荷预测;人工神经网络;RBF径向基神经网络;粒子群优化;智能单粒子优化【作者】彭显刚;胡松峰;吕大勇【作者单位】广东工业大学自动化学院,广东广州510006;广东工业大学自动化学院,广东广州510006;辽宁省电力有限公司锦州供电公司,辽宁锦州121000【正文语种】中文【中图分类】TM7150 引言短期负荷预测是负荷预测的重要组成部分,它主要用于预报下一时段未来24 h至几天内的系统负荷。

基于模糊控制的RBF神经网络电力系统短期负荷预测

基于模糊控制的RBF神经网络电力系统短期负荷预测
最后 的结果 。
对于 R B F网络 的数学 描述 可表 达为 : 在 n维 空间 中 , 给定 N个 输 人样本 X ; =( i =1 , 2 , …, N) , 则 网
络隐含层的第 k 个节点的输出可以表示为:
r k = R ( 一 T I ) ( 1 ) 其中, X i 表示有 n 维输入向量 ; T k 表示第 k 个隐层节点的中心 , k= l , 2 , …, l ; I l 通常为欧式范数 ;
基 于模 糊控 制 的 R B F神 经 网络 电力 系统 短期负荷预测
崔 艳 艳 , 程 亚 维
( 济源职业技术学 院 a . 电气工程系 ; b . 信息工程系 , 河南 济源 4 5 9 0 0 0 ) 摘要 : 文章提 出了一种模糊控 制与 R B F神 经 网络相 结合 的 电力 系统 短期 负荷预 测算 法, 用以解决传 统
图 2 模糊控制 R B F网络 预 测 系 统 工 作 流 程
3 电力 系统短期负荷预 测实例分析
为了验证该方法的有效性和精确性 , 选取河南省某地区某天 2 4 小时内的电力负荷进行预测 。本文 建立 2 4 个R B F神经网络预测模 型, 每个神经网络的输人层节点为 1 2 个, 隐含层节点为 l 6 个, 输 出层 节点为 1 个。该算法并与传统 的 R B F神经 网络算法进行 比较 , 其负荷预测 曲线如 图 3所示 , 相对误差 曲线如图 4 所示。R B F 和模糊控制 R B F模型的预测数据进行对 比, 结果如表 1 所示 。
0 前 言
近年来 随着竞 争 机制 的不 断引人 , 我 国 的电力系统 正 由垄断 经 营 阶段 逐 步 向发 电竞 争 阶段过 渡 , 负 荷预 测工作 也 随之逐 步发生 转 变 … 。负荷 预测 的重要性 已经 得 到普 遍重 视 , 负 荷预测 的手段 已 由先 前

基于人工神经网络的微电网短期负荷预测

基于人工神经网络的微电网短期负荷预测

基于人工神经网络的微电网短期负荷预测苏尤丽【摘要】根据微电网的负荷及影响负荷变化因素的气温、气象特征等数据,建立了基于 BP(误差反向传播)神经网络和 RBF(径向基函数)神经网络的微电网短期负荷预测模型。

通过 MATLAB 仿真,对两种模型的未来24 h 短期负荷预测进行比较,验证了两种模型的有效性和可行性。

仿真结果表明,与 BP 神经网络相比,RBF 神经网络预测方法具有较高的预测精度和较快的收缩性,更适合微电网的短期负荷预测。

%In this paper,two kind of short term load forecasting model of micro-grid based on Back Propagation (BP)and Radial Basis Function (RBF)neural network was proposed by analyzing of load and the related data of temperature and weather characteristics.The short term load forecasting was compared by using of the two models for a 24 hours ahead forecasting,which verifies the effectiveness and feasibility of the proposed two pared with the BP neural network,the simulation results show that the RBF neural network has high prediction accuracy and fast contraction,more suitable for the short term load forecasting of micro-grid.【期刊名称】《内蒙古师范大学学报(自然科学汉文版)》【年(卷),期】2016(045)001【总页数】3页(P43-45)【关键词】微电网;短期负荷预测;BP 神经网络;RBF 神经网络;预测精度;收缩性【作者】苏尤丽【作者单位】新疆财经大学计算机科学与工程学院,新疆乌鲁木齐 830012【正文语种】中文【中图分类】TM715+.1微电网是一种将风能、太阳能等分布式新能源、负荷、储能装置、变流器,以及监控保护装置有机地整合在一起的小型发配电系统[4].作为一种新型的发配电系统,微电网已成为大电网不可缺少的有力补充,并能够提高电网运行的可靠性和经济性.当外电网发生故障时,可以作为备用电源向电网提供支撑,也可以根据负荷需求独立运行,保证局部供电的可靠性.微电网不仅能够有效解决分布式新能源的并网问题,而且可以实现电力资源的优化分配和现有能源的最大化利用.微电网的负荷预测是微电网能量管理系统中的重要组成部分,是实现微电网智能化管理的重要前提,在微电网系统的安全、稳定和经济运行中起着重要作用[2].随着电力负荷预测技术的发展,其研究方法不断更新和多样化.近年来,混沌时间序列法、人工神经网络,以及支持向量机等方法广泛应用于电力系统的负荷预测研究,其中神经网络被认为是短期负荷预测较为理想的方法之一.由于独立运行的微电网负载单一、负荷小,导致电网惯性较小、随机波动性较强,因此传统的预测方法因预测精度低,不适合微电网的短期负荷预测.人工神经网络方法能够充分逼近任意复杂的非线性关系,具有极快的学习收敛速度[3],并且可以不必预先知道输入量和预测值之间的数学关系,可以方便地考虑日期、时间、气象特征等对微电网的短期负荷产生影响的因素.本文采用误差反向传播(Back Propagation,BP)神经网络和径向基函数(Radial-Basis Function,RBF)神经网络,分别建立基于BP神经网络和RBF神经网络的微电网短期负荷预测模型,对某偏远地区校园微电网的短期负荷进行预测分析,为偏远地区校园微电网的管理提供参考.通常,电力负荷需求取决于月、日、时间和气象特征等因素,若在短期负荷预测中使用神经网络,则天气、气象特征将视为重要因素,尤其每小时温度在短期负荷预测中起着重要作用.本文用于微电网的短期负荷预测数据采用某偏远地区校园微电网一年间每小时的负荷数据,以及由该地区气象数据采集系统观测到的同年每小时的温度、风速、湿度等与短期负荷预测相关的数据构成.选择与负荷相关性较高的月、日、时间、气温、风速、湿度和负荷等作为样本输入数据,输出数据为预测对象日(12月3日)的未来24 h短期负荷预测值.样本输入、输出数据确定后,对其进行归一化处理,将数据处理为在区间 [0,1]之间的数据.基于BP神经网络的微电网短期负荷预测模型,由隐含层的神经元数(5到20)依次叠加形成的16组神经网络构成,如图1所示.通过对16组神经网络分别进行网络训练,得到最佳网络,并将其应用于某偏远地区校园微电网的短期负荷预测.通过对BP神经网络进行预测训练,在设计的16组神经网络中,采用隐含层神经元数为11的神经网络为精度较高的最佳神经网络,该神经网络的平均绝对百分比误差为7.16%.将选出的最佳神经网络直接应用于某偏远地区校园微电网的未来24 h短期负荷预测,MATLAB仿真[4]结果(图2)表明,该神经网络模型适合上述微电网的短期负荷预测,验证了方法的有效性和可行性.样本输入和输出数据与上节相同,采用“数据块”模式进行输入和输出.确定样本输入和输出数据后,使用其数据关系进行RBF神经网络设计与训练.RBF网络的输入层神经元数为104,输出层神经元数为24; 用于RBF神经网络训练的参数有网络训练目标误差值,最大神经元数(MN)和径向基函数的分布密度(SPREAD)等.这些参数的确定采用试凑法对参数进行变动而获取.因为日负荷变化随不同日期具有不同特征,所以将数据按日期类型划分为星期一至星期日的7种类型数据.分别对星期一至星期日的7种类型数据进行预测网络训练,建立了基于RBF的最佳神经网络,如图3所示.采用平均绝对百分比误差对获得的负荷预测值与实测值进行误差分析,以此来验证和评估预测方法的准确率和预测效果.将建立的基于RBF神经网络的微电网短期负荷预测模型应用于某偏远地区校园微电网的未来24 h短期负荷预测,预测对象日为12月3日,MATLAB仿真结果如图4所示.短期负荷预测结果表明,RBF神经网络的平均绝对百分比误差为5.5%,与BP 神经网络预测相比,RBF神经网络的负荷预测结果更贴近实际负荷,显示出其较高的预测精度.本文采用两种神经网络方法,建立了基于BP神经网络和RBF神经网络的微电网短期负荷预测模型.通过对某偏远地区的校园微电网短期负荷进行MATLAB仿真计算,验证了两种预测方法的有效性和可行性.由仿真结果可知,与BP神经网络相比,RBF 神经网络具有较高的预测精度和较快的收缩性,因此基于RBF神经网络的预测方法更适合微电网的短期负荷预测.hriUUG.。

基于RBF神经网络的短期负荷预测

基于RBF神经网络的短期负荷预测
段, 克服 了 B P方 法 的不 足 , 具 有 广 阔 的应 用 前 景 。 1 基于 R B F神经 网络 短 期 电 力 负荷 预 测 模 型

其中 I 1 ・ I l 为欧式范式 , 叮 k 为节点 的基宽度参 数 , C 为第 k 个高斯函数的中心值 , 隐含层节点输出范围在( 0 , 1 ) 之问 。输入
电 力 系统 的负 荷 预 测 是 从 己 知 的 电 力 需求 出发 ,通 过对 历 史 数 据 的 分析 , 并考 虑经 济 气 候 等 诸 多 因素 , 对 未来 某 一 段 时期 的 用 电需 求 做 出预 测 。 电 力 系 统 的负 荷 预 测 是 电 力 系统 规 划 、 供 电、 调 度 等 部 门 十分 重 要 的一 项 工 作 之 一 , 它对 于经 济合 理 地 安
吕二 争 王 小 平 ( 五邑大学信息工程学院, 广东 江门 5 2 9 0 2 0 )
摘 要
短 期 电力 负荷 预 测是 电 力 系统 运 行调 度 中一 项 重 要 的 内容 , 传 统 的 电 力 负荷 预 测 方 法都 是 建 立在 线 性 假 设 基 础 之 上 。 由 于预 测 精 度 低 , 难 以满 足 现 在 电 力部 门的 要 求 。 人 工神 经 网络 己被 应 用在 电力 负荷 预 测 中, 并 取 得 了较 为理 想 的结 果 。 主 要 基 于 神 经 网络 的 负荷 预 测模 型 , 通 过 MA T L A B 仿 真 实验 平 台 , 构建 R B F神 经 网络 模 型 , 并 用 历 史 电 力 负荷 数 据 进 行 训
1 4 0
基于 基于 R B F 神经网络的短期负荷预测
Sh o r t - t e r m L o a d F o r e c a s t i n g Ba s e d o n RB F Ne u r a l Ne t wor k
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

基于GN -BFGS 算法的RBF 神经网络短期负荷预测赵登福,张 涛,杨增辉,谷庆利,夏道止(西安交通大学电气工程系,陕西省西安市710049)摘要:提出了应用混合GN (Gauss -Newton )-BFGS (Br oyden -Fletcher -Goldfar b -Shanno )法进行RBF (径向基函数)神经网络学习的算法。

这种方法结合GN 法与BFGS 法的特点,既尽可能地利用了问题本身的特殊结构,又能取得超线性甚至二次渐近收敛率,因此有效地提高了学习效率。

在学习过程中,利用该方法能够区分零残量和非零残量,并利用这种特点进行隐层神经元数目的自动调整,从而可以保证神经网络的学习能力和推广能力。

多个实际电网的负荷预测结果表明,该方法同神经网络的其他算法相比,具有训练时间短、预测精度高的特点。

关键词:短期负荷预测;GN -BFGS 算法;RBF 神经网络中图分类号:TM715;TP183收稿日期:2002-05-28;修回日期:2002-09-17。

国家自然科学基金重点资助项目(59937150)。

0 引言近几年来,随着电力改革的深入和电力市场的逐步建立,各电力公司对于电力系统短期负荷预测也越来越重视,无论是电网的安全运行和经济运行,还是发电公司的竞价上网、电力公司或供电公司的购电计划的制定等,都与短期负荷预测特别是日负荷预测曲线有着密切的关系。

关于负荷预测已有很多种方法:指数平滑法、卡尔曼滤波法、回归分析法、时间序列法、专家系统法、神经网络方法和模糊逻辑方法等。

其中,神经网络方法因其可以处理负荷与影响因素间复杂的非线性关系,预测精度高,而成为负荷预测中应用最广泛的方法。

梯度下降法是训练径向基函数(RBF )神经网络最常用的方法,该方法虽然简单,但其收敛很慢,易陷入局部极值点,其直接原因是它仅利用了梯度信息,并且取固定的学习步长,而且神经网络的隐层神经元数目难以确定。

为此,本文应用混合GN (Gauss -Newton )-BFGS (Br oyden -Fletcher -Goldfarb -Shanno )法[1,2]进行RBF 神经网络的学习,并将其应用于电力系统的短期负荷预测。

这种方法结合了GN 法与BFGS 法的特点,既尽可能地利用问题本身的特殊结构,又能取得超线性甚至二次渐近收敛率,因此有效地提高了学习效率。

利用该方法能够区分零残量和非零残量问题的特点。

本文提出了在学习过程中自适应调整隐层神经元数目,从而可以保证神经网络的学习能力、推广能力及学习效率。

1 RBF 神经网络RBF 神经网络[3,4]是一种多输入单输出的前馈神经网络。

如图1所示,RBF 神经网络中,隐层执行的是一种用于特征提取的非线性变换,它将输入空间映射到一个新的空间,输入层在该新的空间中实现线性组合,可调节的参数就是该线性组合的权值和控制基函数形状的参数。

该网络在理论上已证明,可以提供一般三层网络的逼近能力。

图1 R BF 神经网络Fig .1 R adial ba sis function networ k在神经网络中,隐层神经元采用的非线性函数是高斯函数: G ‖X (t )-T i ‖= exp -12‖X (t )-T i ‖R i2(1)式中:i =1,2,…,m ;m 为隐层神经元数目;X (t )=(x t 1,x t 2,…,x tn ),为训练样本集中第t 个输入样本;T i =(t 1,t 2,…,t n ),为第i 个隐层神经元的中心;Ri 为第i 个隐节点的归一化参数。

RBF 神经网络的输出为:33第27卷 第4期2003年2月25日电 力 系 统 自 动 化Automation of Electr ic P ower System s Vol.27 No.4F eb.25,2003F (X (t ),W i ,T i )=∑mi =1W iG‖X (t )-T i ‖(2)式中:t =1,2,…,N ;N 为训练样本集中的样本总数。

2 GN -BFGS 学习算法对于RBF 神经网络,其误差定义为:e (t )=y (t )-F (X (t ),W i ,T i )式中:y (t )为实际负荷值。

学习训练的过程是使样本集的总误差最小:min K E (K )=12∑n t =1(y t -y d t )2=12r T (K )r (K )(3)式中:yd t 为期望输出值;n 为样本总数;K ∈(T i ,W i ),i =1,2,…,m ;r (K )是以r t (K)=y t -y d t (t =1,2,…,N )为分量的N 维向量。

对于求解非线性最小二乘问题(3),设E (K )二阶连续可微,其一阶和二阶导数分别为:g (K )=A (K )r (K )(4) G (K )=A (K )A T(K )+∑Nt =1r t(K )¨2r t(K )=M (K )+C (K )(5)式中:A (K )=[¨r 1(K ),¨r 2(K ),…,¨r N (K )],为r (K )的[m (n +2)+1]×N 阶雅可比矩阵。

考虑下降类算法求解问题(3),希望收敛到局部最小点K *。

第k 次迭代中搜索方向s (k )满足:B (k )s (k )=-g (k )(6)式中:g (k )表示g (K (k ));B (k )是逼近G (k )的对称正定矩阵。

这个性质可保证s (k )是下降方向(即(s (k ))T g (k )<0)。

下一次迭代以线性搜索确定:K (k +1)=K (k )+a (k )s (k )(7) 精确线性搜索为:a (k )=arg min a >0E (K (k )+a s (k ))(8)由于其不能在有限步内完成,在实际应用中可采用不精确搜索,其中a (k )应满足以下两个公式:E (K (k )+a (k )s (k ))≤E (K (k ))+Q a (k )(g (k ))T s (k )(9) ûg T (K (k )+a (k )s (k ))s (k )û≤-R (g (k ))T s (k )(10)式中:Q ∈(0,1/2);R ∈(Q ,1)。

在以上步骤中,对B (k )的不同选择即可构成不同的方法。

著名的GN 法利用了最小二乘问题的特殊结构。

在式(5)中,由于使r 在最小二乘意义下最小,通常分量r t 很小,因此可忽略G (k )(即G (K (k )))中的二阶项C (k )(即C (K (k ))),用M (k )(即M (K (k )))作为G (k )的合理近似,即:B (k )=M (k )(11)如果C (K *)=0且K (k )→K *,那么B (k )→G *,且收敛阶数是超线性甚至二次的。

否则,收敛阶数是线性的。

当A (K )降秩时,GN 法可能收敛不到驻点。

进一步,当A *降秩时,在K (k )远离K *处,s (k )与g (k )可能正交。

因此,作为一般方法,GN 法不可靠。

而对一般无约束优化问题,BFGS 法具有局部超线性收敛的性质。

每次迭代中B (k )的修正使用下列向量:D (k )=K (k +1)-K (k )(12)C (k )=g (k +1)-g (k )(13)修正公式为:B (k +1)=B BFGS (B (k ),D (k ),C (k ))=B (k )+C (k )(C (k ))T (D (k ))T C (k )-B (k )D (k )(D (k ))T B(k )(D (k ))T B (k )D(k )(14) 利用修正公式(14)的迭代方法称为BFGS 法。

初始矩阵B (1)由使用者提供,或在最小二乘问题中,当M (1)(M (1)即式(5)中的M (K (1)))正定时,取B (1)=M (1)。

显然,BFGS 法没有利用最小二乘问题的特殊结构。

文献[1]提出了求解非线性最小二乘问题的混合GN -BFGS 方法,它结合了GN 法与BFGS 法的特点,具有对零残量问题最终取GN 法,对非零残量问题最终取BFGS 法的特性。

因此,GN -BFGS 法既尽可能地利用了问题本身的特殊结构,又能在正定时使该方法保持局部超线性,对零残量问题甚至得到二次收敛特性。

其第k 次迭代的步骤如下:a .解方程式(6),确定搜索方向s (k )。

b .沿s (k )进行不精确线性搜索,确定满足式(9)、式(10)的步长。

c .由式(7)确定下一点的值。

d .置B (k +1)=B B FGS (B (k ),D (k ),C (k ))E (k )-E (k +1)E (k )<E M (k +1)其他式中:E ∈(0,1),为指定值,本文取E =0.2。

3 学习过程中隐层神经元数目的自动调整用神经网络进行函数逼近时,隐层神经元的数目决定着神经网络的学习能力和推广能力。

由于提供映射的训练样本数据一般是从现场采集的实时负荷数据,难免有一定的误差。

因此,用神经网络逼近映射时需要平滑这些误差。

神经网络学习时并不需要使定义的误差函数过分小,即为非零残量问题,然而,为保证逼近的精度,也不希望误差过分大。

这样,神经网络的学习实质上为小残量非线34 电 力 系 统 自 动 化 2003,27(4)性最小二乘问题。

GN-BFGS法提供了区别零残量和非零残量问题的判据(即迭代步骤d)。

基于此判据,在学习过程中自适应调整隐层神经元数目的方法如下:a.对给定问题,选取合适的隐层神经元数目,并给全部权值赋初值。

b.用GN-BFGS法进行神经网络学习。

如果在前面l次迭代中全为BFGS步(即根据式(14)来修正B(k)),则隐层神经元数目加1,继续步骤b;如果在前面l次迭代中大多为GN步(即根据式(11)来修正B(k)),则隐层神经元数目减1,继续步骤b。

c.学习终止的判据为隐层神经元数目为m*时,误差函数满足给定值;而隐层神经元数目为m*-1时,误差函数大于给定值。

这样,通过学习过程中对隐层神经元数目的自适应调整,能够保证训练出的网络具有足够的学习能力和较好的归纳能力。

4 基于GN-BFGS学习的RBF神经网络的短期负荷预测电力系统短期负荷预测是一个多变量预测问题,它可以被看成是一个函数回归问题。

负荷y为函数的输出值,而相应的影响负荷的因素如历史负荷、气象信息、节假日信息等,作为函数输入值X。

训练样本集由历史数据提供。

问题的最终目的是寻找一个有良好推广能力的、从影响负荷的因素到负荷的映射。

4.1 预测策略本文针对提前1d或1星期的整点负荷预测,按小时类型建立了24个神经网络模型,分别预测对应的整点负荷值。

相关文档
最新文档