基于BP人工神经网络电力负荷预测
人工神经网络在电力系统短期负荷预测中的应用
ＭＡＴＬ ． ＡＢ ７ ０神 经 网络 工 具 箱 进 行 仿 真 实 验 。 通 过调 整 网络隐层 、 出层 的传递 函数 ， 输 隐层 神经 元 个数 ， 网络 训 练 方 法 ， Ｌ Ｍ 算 法 的 Ｂ Ｂ ｃ 对 — Ｐ（ ａｋ Ｐ ｏ ａ ａｉｎ 模 型作 了训 练 速 度 、 测 精度 、 广 ｒｐ ｇ ｔ ） ｏ 预 推 能力 等性 能 的 比较 ， 该 网络 精 确 度 较 高 。但 也 使 应 该注 意 到 ， 神经 网络 还存 在一些 问题 ， 如训 练 样 本、 网络 结 构 、 过拟 合 问题 等 ， 因此 还 可 以做 进 一
度 。 实 验 仿 真 结 果 表 明 ， 方 法 预 测 短 期 电力 负荷 ， 以得 到 令 人 满 意 的训 练 速 度 及 预 测 精 度 。 此 可
关 键 词 ： 工 神 经 网络 ； 期 负 荷 预 测 ； Ｐ算 法 ； ｅｅ ｂｒ— ｒｕ ｒｔ 法 人 短 Ｂ Ｌ ｖｎ ｅｇＭａｑ ａｄ 算
法—— Ｌ ｖ ｎ ｅｇＭａｑ ａｄ ｅ ｅ ｂ ｒ — ｒｕ ｒｔ算 法 进 行 训 练 ， 提
高 了 电力负荷 预 测 的快 速 性 和 准 确性 ， 其非 常 使 适 合于人 工 神 经 网络 训 练 。对 中小 型 网络 而言 ，
该算 法 优势尤 其 突 出。 以某地 区负 荷有 功 功 率 的 数 据 为背 景 ， 用 运
化 的 方 法 。采 用 ＭＡＴ Ａ 的神 经 网络 工 具 箱 建 立 了一 个单 隐层 的 Ｂ Ｌ Ｂ Ｐ神 经 网 络 模 型 和 预 测 流 程 ， 用 ２ 个 采 ４ 输 人 人 工 神 经 网 络 模 型 预 测 每 天 的 整 点 负 荷 ， 且 讨 论 了如 何 进 一 步 通 过 改 变 网络 参 数 以 提 高 负 荷 预 测 精 并
基于BP算法的电力系统负荷预测
科技信息0.引言由于各种因素的影响，电力负荷需求是不断变化的。
电力系统负荷预测就是对电力负荷需求的预测。
根据电力负荷需求的预测，对发电、输电和电能等方面做合理安排，对电力系统的安全、经济运行与国民经济的发展具有非常重要的影响。
做好负荷预测已成为电力系统管理现代化的重要手段。
预测结果的准确与否直接影响到电力部门的经济效益，而传统的方法往往达不到所要求的预测精度。
神经网络是模拟人脑结构的具有自我学习能力的系统模型。
BP （Back Propagation）算法是在多层前馈神经网络上学习的。
BP网络由输入层、输出层及隐藏层组成，隐藏层可有一个或多个，每层由多个神经元组成。
其特点是：各层神经元仅与相邻层神经元之间有连接；各层内神经元之间无任何连接；各层神经元之间无反馈连接。
输入信号先向前传播到第一层隐藏结点，经过变换函数之后，把第一层隐藏结点的输出信息传播到下一层隐藏结点，直到传播到输出结点，经过处理后再给出输出结果。
而BP算法的学习过程（即误差的修正过程）是从输出层向着输入层进行的。
负荷预测模型的好坏与所用的数据有很大关系。
与电力系统负荷预测有关的数据集种类繁多、格式多样、数据来源广泛、具有不完整性等。
为准确利用这些数据进行负荷预测，对数据做预处理。
基于数据挖掘的电力系统负荷预测包括负荷预测挖掘的需求定义、数据收集与预处理、执行负荷预测挖掘、挖掘结果的输出与评估。
基于数据挖掘的电力系统负荷预测的过程如图1。
图1基于BP算法的电力负荷预测系统体系结构在负荷预测挖掘需求定义阶段，应确定基于BP算法的电力负荷预测的要求，比如电力负荷预测的类型（最大负荷功率、负荷电量及负荷曲线的预测）、目的（超短期、短期、中期和长期）等。
数据收集及预处理阶段主要是确定相关属性、收集数据、进行预处理，在此基础上建立数据仓库。
负荷预测挖掘阶段主要是构建神经网络模型、用BP算法进行训练，并用训练好的模型进行预测。
1.数据预处理及数据仓库的建立1.1数据收集及预处理（1）相关属性的确定与电力系统负荷预测有关的条件属性和目标属性包括气象属性、节日属性、日期时间属性和电力属性等。
基于人工神经网络的电力负荷预测算法研究
０ 引 言
由 图 ｌ可 见 Ｂ Ｐ网 络 是 一 种 具 有 三 层 或 三 层 以 上
当前 全 国 供 电 紧 张 ， 分 地 区 严 重 缺 电 ， 得 许 多 部 使
发 电设 备 长 期 处 于 超 负 荷 运 行 状 态 ， 电 能 源 亦 日趋 发 紧缺 。而 电 能 的 特 点 之 一 是 不 能 大 量 储 存 ， 电 能 的 即 生产 、 输送 、 配 、 费 是 同时 进 行 的 ， 以系 统 内 的 可 分 消 所 用 发 电容 量 ， 正 常 运 行 条 件下 ， 当 在 任 何 时 候 都 能 在 应 满 足 系 统 内 负 荷 的 要 求 。 若 发 电容 量 不 够 ， 应 当 采 则 取 必 要 的措 施 ． 增 加 发 电 机 组 或 从 邻 网 输 人 必 要 的 来 功 率 ； 之 ， 发 电量 过 剩 ， 也 应 当 采 取 必 要 的 措 施 ， 反 若 则 如 有 选 择 地停 机 （ 计 划 检 修 ） 向 邻 网输 出 多 余 的 功 如 或 率 。 因此 ， 未 来 本 电 网 内 负 荷 变 化 的 趋 势 与 特 点 的 对 预测 ， 一个 电 网 调 度 部 门 和 规 划 设 计 部 门 所 必 须 具 是
计 中输 入 变 量 加 入 天 气 特 征 值 。 根 据 输 入 、 出 向 量 对 Ｂ 输 Ｐ网 络 设 计 。 该 算 法 结 构 简 单 ，
最 后 进 行 短 期 负 荷 预 测 仿 真 ， 真 结 果 表 明 其 有 较 好 的 预 测 精 度 。该 模 型 具 有 网络 结 构 仿
有 的基 本 信 息 之 一 … 。
的神 经 网络 ， 括 输入 层 、 间 层 和输 出 层 。 上 下 层 之 包 中 间实 现 全 连 接 ， 每 层 神 经 元 之 间 无 连 接 。 当 一 对 学 而 习样 本 提 供 给 网 络 后 ， 经 元 的 激 活 值 从 输 入 层 经 各 神 中间 层 向 输 出 层 传 播 ， 输 出层 的 各 神 经 元 获 得 活 络 在 的输 入 响 应 。 接 下 来 ， 照 减 少 目标 输 出 与 实 际 误 差 按
BP神经网络在电力系统负荷预报中的应用研究
附 录 .......................................................................................................................................3..1.. 参考文献 ...................................................................................................................................3..3.. 后 记 .......................................................................................................................................3..4..
5.2 基于 BP 网络电力负荷预测的 MATLAB 仿真 ...........................................................2..6 5.2.1 BP 网络设计 ..............................................................................................................2..6. 5.2.2 网络训练 ....................................................................................................................2..7.
基于人工智能的电力系统负荷预测研究
基于人工智能的电力系统负荷预测研究电力系统负荷预测是电力系统运行和调度的关键问题之一。
准确地预测电力系统的负荷变化可以帮助电力公司合理调度电力资源，提高电力系统的安全性和可靠性。
近年来，随着人工智能技术的快速发展和应用，基于人工智能的电力系统负荷预测研究取得了显著进展。
本文将对基于人工智能技术的电力系统负荷预测进行深入研究和探讨。
首先，我们需要明确电力系统负荷预测的概念和重要性。
负荷预测是指根据过去一段时间的负荷数据和相关环境因素，通过建立合适的数学模型和算法，预测未来一段时间电力系统的负荷变化趋势。
负荷预测的准确度直接影响到电力系统的运行效率和经济性。
如果负荷预测不准确，将导致电力系统的负荷与发电能力不匹配，可能引发电力供应不足或过剩的问题。
目前，基于人工智能技术的电力系统负荷预测主要采用机器学习和深度学习的方法。
机器学习是一种通过训练模型来学习和预测数据的方法，而深度学习是机器学习的一种特殊领域，它通过神经网络来模拟和学习人类的认知过程。
这些人工智能技术能够自动地从大量的历史负荷数据中提取关键特征，并建立精确的负荷预测模型。
在研究基于人工智能的电力系统负荷预测时，首先需要收集和预处理历史负荷数据。
历史负荷数据是训练模型的基础，必须经过严格的预处理，包括数据清洗、去除异常值、数据标准化等。
预处理后的负荷数据具有较好的质量和可用性，能够更好地支持模型的训练和预测。
其次，基于人工智能技术的电力系统负荷预测需要选择合适的模型和算法。
常用的模型包括线性回归模型、支持向量机、决策树、神经网络等。
这些模型各有优劣，适用于不同的负荷预测场景。
例如，线性回归模型适用于简单线性关系较强的负荷预测问题，而神经网络模型适用于复杂非线性关系的负荷预测问题。
同时，算法的选择也需要考虑模型的训练速度和预测准确度。
然后，基于人工智能技术的电力系统负荷预测还需要考虑相关的环境因素。
负荷预测不仅仅受到历史负荷数据的影响，还受到天气、季节、节假日等因素的影响。
基于人工免疫算法的神经网络电力系统短期负荷预测
排电网设备调度及检修计划 ， 还能提高电力系统运行 的稳定性 ， 减少 电网的发 电成本【 ２ 】 ． 本研究 构造 了基 于人工免疫算法 的神经 网络电力系统短期负荷预测 方法 ， 并通过仿真实验对方法进行 了验证 ．
模型 的神经网络规模相对较小 ， 过度训 练的现象不 容易 出现 ， 预测速度 比较快 ． 多输出模型可 以一次性 得到预测 Ｅ ｌ 的负荷数据 ， 有较好的通用性 ， 缺点是网 络模型比较大， 该网络可能需要数千个 网络权值 、 阈 值等参数 ， 耗费较长的训练时间【 ４ 】 ． 本研究对预测 日
・
１ ６ ０・
成都 大 学学报 （ 自然科 学版 ）
１ ． ３ 层 ． 依据 Ｋ ｏ １ ．
ｍ ｏ ｇ ｏ ｒ ｏ ｖ 定理 ， ３层前 向 网络 可 以满 意再 现任 意 连 续
函数 ， 如果有合理 的结构和适当的权值［ ６ 】 ． 绝大多数
使用人工神经 网络短期负荷研究都是基于单个隐含 层的 ． 对 ３层前 向层 网 络 的 结构 分 析 主 要 是针 对 隐
到 电力系统 的安全运行 和经 济调 度 ， 便 于更合 理 地安
电力市场的负荷数据进行负荷 的频谱分析 ， 采用快
速傅里叶变换 （ Ｆ ａ ｓ ｔ Ｆ ｏ ｕ ｒ ｉ ｅ ｒ Ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ ， Ｆ Ｆ Ｔ ） 对历史负 荷数据进行频谱 分析 ． Ｆ Ｆ Ｉ ｜ 的输人是所有小时负荷 数据构成的数据序列 ， 从 中分析出隐含于负荷数据 中的周 期特 性 ． 分析 结果 显示 ， 负荷 数据 中存在 ８个
基于神经网络的负荷预测技术在电力系统中的应用研究
基于神经网络的负荷预测技术在电力系统中的应用研究电力系统是现代社会的基础设施之一，保障了工业、商业和居民的日常用电需求。
然而，电力系统需要在瞬息万变的情况下保持平衡，包括负荷平衡、能源平衡和网络平衡等方面。
因此，在电力系统中进行负荷预测是至关重要的。
近年来，神经网络作为一种强大的模型，已经在电力系统的负荷预测中大放异彩。
一、神经网络的基本原理神经网络是一种模拟人类大脑功能的算法，具有自适应、非线性和并行处理等特点，可以自我学习和优化模型。
神经网络是由多个神经元组成的，每个神经元根据输入信号进行计算，并通过激活函数生成输出。
神经元之间的连接权重可以根据误差不断调整，从而优化模型性能。
神经网络可以分为前向神经网络、反向传播神经网络和递归神经网络等不同类型。
二、电力系统中的负荷预测电力系统中的负荷预测是指对未来一段时间内的负荷进行估计。
负荷预测的准确性对于电力系统的稳定运行和经济效益都非常重要。
传统的负荷预测方法基于时间序列分析、回归分析等统计方法，但这些方法需要大量的历史数据和专业知识，而且对于复杂的系统和非线性的关系难以拟合。
因此，神经网络作为一种自适应学习方法，逐渐应用于电力系统中的负荷预测。
三、基于神经网络的负荷预测算法基于神经网络的负荷预测算法通常包括以下步骤：数据预处理、特征提取、神经网络建模、模型训练和预测等阶段。
数据预处理主要涉及数据清洗、过滤和归一化等方法，以确保数据的准确性和一致性。
特征提取是将原始数据转换为可供神经网络处理的数据形式，常见的特征包括时间、天气、节假日和工作日等。
神经网络建模是将特征与输出负荷建立映射关系的过程，常见的神经网络模型包括BP神经网络、RBF神经网络和FNN神经网络等。
模型训练是通过训练数据和误差反馈调整神经网络的连接权重，以优化模型性能。
最后，预测阶段是将模型应用于测试数据，进行负荷预测。
四、基于神经网络的负荷预测应用研究基于神经网络的负荷预测已被广泛应用于电力系统中，包括电力市场调度、电力负荷预测和电力安全评估等领域。
基于BP神经网络短期电力负荷预测论文
基于BP神经网络的短期电力负荷预测摘要：本论文首先对短期电力负荷预测进行了概述，在详细分析bp神经网络原理的基础上，通过对某市历史负荷数据的分析，应用bp神经网络，建立了短期负荷预测模型，应用matlab 6.5软件进行实际建模仿真。
关键词：电力负荷bp神经网络预测建模仿真1.引言由于电力的生产与使用具有特殊性，即电能是不能储存的，这样就要求系统发电出力随时紧跟系统负荷的变化动态平衡，否则，就会影响供用电的质量，重则危及系统的安全与稳定。
随着电力系统的商品化和市场化，电力负荷预测的准确性对电力系统安全经济运行和国民经济发展具有重要意义。
正确地预测电力负荷，既是为了保证供应国民经济各部门及人民生活以充足的电力需要，也是电力工业自身发展的需要。
2.输入层和输出层的设计在预测日的前一天中，每1个小时对电力负荷进行一次测量，这样一来，一天共测得24组负荷数据。
由于负荷值曲线相邻的点之间不会发生突变，因此后一时刻的值必然和前一时刻的值有关，除非出现重大事故等特殊情况。
所以这里将前一天的实时负荷数据作为网络的样本数据。
此外，由于电力负荷还与环境因素有关，如最高和最低温度等。
因此，还需要通过天气预报等手段获得预测日的最高和最低温度。
这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。
因此，输入变量就是一个26维的向量。
显而易见，目标向量就是预测日当天的24个负荷值，即一天中每个整点的电力负荷。
这样一来，输出变量就成为一个24维的向量。
获得输入和输出变量后，要对其进行归一化处理，将数据处理为区间[0，1]之间的数据。
归一化方法有许多种形式，本文采用如下公式：在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。
由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。
如果从提高网络精度的角度出发，一方面可以增加网络训练样本的数目，另一方面还可以增加输入向量的维数。
目前，训练样本数目的确定没有通用的方法，一般认为样本过少可能使得网络的表达不够充分，从而导致网络外推能力不够；而样本过多可能会出现样本冗长现象，既增加了网络的训练负担，也可能出现信息量过剩使得网络出现过拟合现象。
电力需求预测基于BP神经网络模型
电力需求预测基于BP神经网络模型引言在当今社会中，电力需求预测对于能源供应商和电力系统运营商来说是一个关键的任务。
准确地预测电力需求可以帮助电力系统更好地规划资源分配，提高能源利用效率，降低能源浪费，并确保电力系统的稳定运行。
本文将介绍一种基于BP神经网络模型的电力需求预测方法，并探讨其在实际应用中的优势和局限性。
1. 研究背景和意义：随着工业化和城市化的快速发展，电力需求规模呈现出快速增长的趋势。
然而，电力供应的能力与电力需求的匹配程度却难以保持一致。
因此，准确地预测电力需求对于电力系统运营商和能源供应商来说具有重要意义。
2. 电力需求预测方法：BP神经网络模型是一种常用的基于历史数据的预测方法。
它通过训练神经网络来学习历史数据中的模式和趋势，并用于预测未来的电力需求。
BP神经网络模型具有多层结构，包括输入层、隐藏层和输出层。
输入层将历史数据作为输入，隐藏层通过学习历史数据的模式来预测未来的需求。
输出层给出了对未来电力需求的预测结果。
3. BP神经网络模型的优势：（1）灵活性：BP神经网络模型可以适应各种类型的电力需求预测问题，包括小时、日或年度的需求预测。
它可以根据需求数据的特征自动调整网络的参数和结构，并产生准确的预测结果。
（2）非线性建模：BP神经网络模型可以处理非线性关系，这在电力需求预测中非常重要。
电力需求往往受多种因素的影响，如天气、经济状况和人口增长等，这些因素之间存在复杂的非线性关系。
BP神经网络模型能够捕捉这些关系，并进行准确的预测。
（3）自适应性：BP神经网络模型可以通过不断训练来提高预测的准确性。
随着新的数据不断到来，模型可以自动地更新参数和结构，以适应新的需求模式。
4. BP神经网络模型的局限性：（1）数据需求：BP神经网络模型需要大量的历史数据来进行训练。
如果历史数据不足或质量不高，模型的预测准确性将受到限制。
（2）超参数选择：BP神经网络模型有许多超参数需要人工选择，如网络的层数、节点数和学习速率等。
基于BP神经网络电力负荷短期预测研究
引言 另外 ， 网络 才有 严 格 的梯度 下 降法进 行学 习 ，权值 修正 的解析 式 目前 ，全 国供 电紧张 ，部 分严 重地 区经常 缺 电，造 成许 多发 分 非 常 明确 。 电设备 不能及 时检 修 ，处 于超 负荷 的运转 状态 。会 导致机 组老 化 （ ）Ｂ 二 Ｐ网络算 法 加 速 ，出现 不可预 见 的事 故 ，造 成人 员 、财产 的伤 亡 。因此 对未 （ ）初始 化 。给 没给 连接 权值 、ｖ 阈值 ０与 赋 予 区间 １ ｓ 来 电网内负荷 变化 趋势 的 预测 ，是 电网调 度部 门和 设计 部 门所 必 ｒ １１ 一 ， 内的随机 值 １ 须 具备 的基本 信息 之一 。 （ ） 确 定 输 入 Ｐ 和 目 标 输 出 Ｔ 选 取 一 组 输 入 样 本 ２ 。 电力 系统 负荷 预测 是 电力生产 部 门的 重要 工作 ，通过 精确 的 Ｐ （ ｐ，． 和 目标 输 出样 本 ＝ｆ２＂ 提供 给 网络 。 ＝ － ） ， Ｐ （，Ｃ ，） ， ｆ ｔ 预测 电力 负荷 ，可 以经济 的调 度发 电机 组 ，合理 安排 机组 启停 、 （ ）用 输入 样 本 Ｐ ｐ Ｐ， Ｐ） ３ （－ ２ 、连接 权 和 阈值 计算 中 ， …， 机组检 修 计划 ，降低 发 电成本 ，提 高经 济效益 。负荷 预测对 电力 间层 各单元 的输入 Ｓ，然 后用 通 过传 递 函数计算 中间层各 单元 ， 系统控 制 、运行和 计 划都 有着 重要 的意 义 。电力 系统 负荷变 化受 的输 出 ｂ 。 多方面 的影 响 ，包 括 不确 定性 因素 引起 的随机 波动 和周 期性 变化 ∑ｗ ０ ｉ 一』 ｐ 规 律 。并且 ， 由于受 天气 、节假 日等特殊 情况 影 响，又 使 负荷变 ｂ ＝ｆ（， ， ｓ） 化 出现 差异 。神经 网络 具有 较 强非线 性 的映射 功 能，用神 经 网络 来 预测 电力 负荷越 来越 引起人 们 的关注 。 （ ）利 用 中间层 的输 出ｂ 、连接 权 和 阈值 计算 输 出层 ４ 二 、Ｂ Ｐ网络理 论 各 单 元 的输 出 ，然 后通 过传 递 函 数 计算 输 出层各 单 元 的 响应 ， Ｃｔ ， （ ）Ｂ 一 Ｐ网络 结构 Ｂ 神经 网络全称 为 Ｂ ｃ—ｒ ｐ ｇｔｏ ｅｗ ｒ ，即反 向传播 Ｐ ａ ｋＰ ｏａ ａ ｉｎ ｔｏｋ Ｎ Ｌ＝ ｊ ，＝ ， ｆ ∑ｖｂ ｔ ｌ ｇ ２ 网络 ，是一种 多层前馈 神经 网络 ，结 构 图如 图 ｌ 所示 ，根据 图示 Ｃ ＝ｆ Ｌ ） ＝１ ， ， （ ｔ ， ・ ｑ ， ２一 可 以知道 Ｂ 神经 网络 是一 种有三 层 或三层 以上 的神 经 网络 ， Ｐ 包括 （ ）利 用 目标 向量 ， （’ …ｔ 和 网络 的实 际输 出 ，计 算 ５ ：ｆ ，） ｌ 输 入层 、 中间层 （ 隐层 ）和 输 出层 。前后 层之 问 实现全 连接 ，各 层 之 间的神经 元 不进行 连接 。 当学 习样本 输入 后 ，神经 元 的激活 输 出层 各单 元 的一股 化误 差 ｄ 。 ＝【 Ｊ Ｌ 【 Ｃ ） ＝ ｌ ， ， ｆ 一 ， Ｊ ， ｔ ， ２ ｑ 之 经 由各 层从 输入 层 向输 出层传 递 。之后 ，根据 减少 目标输 出与 （ ）利用 连 接权 ｖ、 输 出层 的一 般化 误 差 和 中间层 的输 ６ 实 际输 出误差 的原 则 ，从 输 出层 反 向经过各 层至 输入 层 ，逐级 修 ， 正各 连接 的权值 ，该算 法成 为 “ 误差 方 向传 播算 法 ” ，即 Ｂ 算法 。 出 计 算 中间层 各单 元 的一般 化误 差 ｅ 。 Ｐ 由于 误差反 向传 播不 断进行 ，网络对 输 入模 式响应 的 正确 率也不 ｅ （ｄｖｂ 一） ｊ Ｙ ， ）１ｊ ：２ ｊ ｂ （
基于神经网络模型的电力负荷预测
基于神经网络模型的电力负荷预测电力负荷预测是电力系统管理中的一个重要问题，其精度对于确保电力系统的安全可靠运行至关重要。
传统的电力负荷预测方法采用统计模型，如ARIMA、指数平滑等，但这些方法只能反映历史数据的趋势和周期性，对于突发事件的响应能力较弱。
近年来，随着人工智能技术的发展，基于神经网络的电力负荷预测模型受到了更多的关注。
一、神经网络模型原理神经网络是一种计算模型，模仿人类大脑对信息的处理方式。
它由多个神经元组成，每个神经元接收输入信号并进行加权和运算，然后通过一个激活函数输出结果。
神经网络模型可以通过训练来学习输入和输出之间的关系，从而进行预测、分类或降维等任务。
常见的神经网络模型包括感知机、多层感知机、循环神经网络和卷积神经网络等。
二、基于神经网络模型的电力负荷预测方法基于神经网络的电力负荷预测模型一般采用多层感知机或循环神经网络。
其中，多层感知机模型是一种前馈神经网络，能够处理线性和非线性问题。
循环神经网络模型则可以对时间序列数据进行建模，能够捕捉时间依赖性和长期记忆。
在建立神经网络模型前，需要进行数据的预处理，包括数据清洗、归一化等。
然后将处理后的数据划分为训练集、验证集和测试集。
其中，训练集用于训练神经网络模型，验证集用于调整模型参数和判断过拟合情况，测试集用于评估模型的性能。
三、基于神经网络模型的电力负荷预测案例以国内某电力公司2015年1月-12月的负荷数据为例，使用多层感知机模型和循环神经网络模型进行电力负荷预测。
对于多层感知机模型，采用5-3-1的结构，即输入层有5个神经元，隐层为3个神经元，输出层为1个神经元。
对于循环神经网络模型，采用LSTM（Long Short-Term Memory）模型，包括一个LSTM层和一个全连接层。
经过训练后，多层感知机模型的均方误差为0.0024，循环神经网络模型的均方误差为0.0012，表明两种模型均能较好地拟合数据，并能够进行较为准确的负荷预测。
浅析BP网络在电力系统负荷预报中的应用
【 技术应用 】 ｊ ＶＡＬ 麟
浅 析Ｂ 网络 在 电 力 系 统 负荷 预 报 中 的 应 用 Ｐ
刘 志 刚
（ 西吉安供 电公司 江 江西 吉安 ３３０） ４ ０ ０
摘
要 ： 电力负荷预报 对 电力 系统控制 、运行和 计划都有 着重要 意义 。Ｂ 网络是系统 预测 中应用广泛 的一种 网络形式 ，采用Ｂ 神 经网络对 负荷值进 行预报 Ｐ Ｐ
点 ，Ｂ 网络 就 可 以逼近 任 意 的非 线性 映射 ，体现 了人工 神 经 网络 中最精 华 Ｐ 的部 分 。 如 图１ 所示 ，这 是一 个 三层 Ｂ 网络 。一 般来 说 ，Ｂ 网络 是一 种 具有 三 尸 Ｐ 层 或 三层 以上 的多层 神 经 元 网络 ， 由输 入 层 、隐 含层 和 输 出层组 成 。它 的 上 下各 层 之 间的 各个 神 经元 实现 全 连接 ，即上 一层 的每个 神 经元 与下 一层 的每 一 个神 经元 都有 连接 ，而左 、右 ：各层 之 问无连 接 。
为 网络 的输入 变量 。因此 ，输 入 变量 是 一个 ｌ维 的 向量 。输 出向量 为 预测 ５ 日当天 的 ｌ个 负荷 值 ，即 一天 中 每个 整 点的 电力 负 荷 。因此 ，输 出变量 为 ２
一
现 。 由于输 入数 据 为 １维 的 向量 ， 因此 ， 网络 输入 层 的神 经元 有 ｌ个 ，根 ５ ５
负荷预 测对 电力系 统控 制 、运行 和计 划 都有 着重 要 意义 。 电力系 统 负 荷 变化 受 多方 面影 响 ，一 方面 ，负荷 变化 存 在着 由未知 不确 定 因素 引起 的 随机波 动 ；另 一方 面 ，又 具有 周 期变 化 的规 律 性 ，这也 使得 负 荷 曲线 具有 相 似性 。 同时 ， 由于 受天气 、节假 日等特 殊 情况 影 响 ，又使 负 荷变 化 出现 差 异 。电力 系统 负 荷短 期预 报 问题 的 解决 办法 和 方式 可 以分 为 统计 技术 、 专家 系统 法和 神经 网络 法等 ３ 。统 计技 术 中所用 的短 期负 荷模 型一 般可 归 种 为 时间系 列 模型 和 回归模 型 。时 间系列 模 型 的缺 点在 于 不能 充分 利用 对 负 荷性 能有 很 大影 响 的气候 信 息和 其 他 因素 ，导 致 了预 报 的不准 确 和数 据 的 不稳 定 。回 归模 型虽 然考 虑 了气 象信 息 等 因素 ，但 需 要事 先知 道 负荷 与 气
神经网络模型的电力负荷预测
神经网络模型下短期电力负荷预测电力系统短期负荷预测关系到电力系统的平稳调度。
负荷预测的精度直接影响到电力系统的经济性和稳定性，智能电网对负荷预测的实时性要求也越来越高。
因此，国内外学者一直将短期电力负荷预测作为研究重点。
人工神经网络是一种智能算法，其在各种领域都有广泛的应用。
近年来专家学者也将人工神经网络应用到了短期电力负荷预测中。
在负荷预测算法中，使用最多的是BP 神经网络。
本文通过对人工蜂群算法（ABC）进行改进，以提高人工蜂群算法的预测精度及全局收敛性，用改进后的人工蜂群算法优化BP神经网络，即ABC-SA电力负荷预测模型。
最后通过仿真实验预测值与真实值比较，验证本文方法的有效性。
短期电力负荷预测（Short-term load forecasting，STLF）主要是指对未来若干小时、1天至几天的电力负荷预报，作为安排发购电计划，经济分配负荷及安排机组出力的基础，精准的负荷预测是保证电网安全可靠运行的前提条件【1】。
随着科技以及计算机技术的发展，电力负荷预测的相关技术也在不断进布，目前国内外研究短期负荷预测的方法，大体上有传统的基本的分析预测方法以及灰度预测、回归分析和神经网络等智能预测算法【2，3】。
人工蜂群算法是群只能算法的一种，该算法一经提出，由于其结构简单易实现、性能优越，越来越多研究人员对其进行研究。
人工蜂群算法虽然优秀，但是其存在很多优化算法都存在的缺点——容易陷入局部最优。
人工蜂群到算法后期，侦察蜂多次迭代后，又转换为极值点的采蜜蜂，导致搜索能力减弱，甚至陷入局部最优。
于是本文采用模拟退火算法对人工蜂群算法进行改进，称为ABC-SA算法，它作用是维持优良解，在采蜜蜂阶段和观察蜂阶段扩大蜜蜂的搜索范围，从而提高收敛速度。
并将该算法用到优化BP神经网络的训练中，使用优化后的神经网络对电力负荷进行预测。
1.人工蜂群算法及其改进1.1人工蜂群算法原理在人工蜂群优化算法中，类比生物学的机理，同样包含三个基本的组成要素：蜜源，雇佣蜂，非雇佣蜂【4】。
基于BP神经网络的电力系统负荷预测
电力系统负荷预测
杜磊 闰晖 河 南省 中原 大化集团电气公 司 ４ ７ ０ ５ ００
短期 电办负荷 存在着 未知 不确 定 因 和 周期 素 性 变化的规律 ，负 曲线具有 相似性 ； 同时 荷 受特殊 情 况 的影响 ，呈 现ｊ 强烈 的非 线 性特 性 。 而神经 网 具有 较 强 的 非 线 性映 射 特 络
性 ，本 文用 Ｂ Ｐ神 经 网络对 电 力 负荷进 行
ｍ ，ａ ａ ｌｂ仿 真 专 ｔ 负
３ Ｐ ．Ｂ 神经网络概述
ＢＰ 网络的学 习由 ４个工程组成 ：模 式顺传播 、差逆 传播 、记忆训练 、学习收 敛。 Ｐ￣经 网络的重要优势在于学习性和 Ｂ Ｃ ｌ ｆ
规划都 有重 要意 义 。电 力系统 负荷变 化 自动调整性 。 目前主要用于特征的提取 、 过程的控制和状 态的预测 ；可以很好地解 受多 方面影 响 ，一方 面 ，负荷变 化存 在 着未 知不确 定 因素 引起 的波 动 ；另一 方 决非线性问题。本文就是利用其具有的较 面 ，又有周 期变 化的规 律性 ，这 使得 负 强的非线性映射特性 ，来预测 电力系统的 荷曲线具有相似性 。 同时 ， 由于受天气、 节 负荷。 假 Ｅ等特殊情况的影响，又使负荷变化出 ４ Ｐ ｔ ．Ｂ 网络设 计
期 天 ）等 两 种 类 型 ； （ ２）将一 周分为星期 一 、星期＿ ｌ －￣ Ｊ 星期四、星期五 、星期六和星期 日等 ５ 种
类型 ； ．
（ ）将一 周的 ７天每天都看作一种类 ３ 型 ，共 有 ７种 类 型 。 这里采用第 ３ 负荷划分模式 ，把每 种 天不加区分地看作不同的类型。 根据 Ｂ Ｐ 网络的设计方法 ，一般的预测问题都可以
维普资讯
中国科技信息２ ０ 年第４ ０８ 期ｔ
基于BP和SOM神经网络相结合的电力负荷预测研究
2020年28期创新前沿科技创新与应用Technology Innovation and Application基于BP 和SOM 神经网络相结合的电力负荷预测研究易礼秋（新疆财经大学统计与数据科学学院，新疆乌鲁木齐830012）1概述随着时代的快速发展，科学技术与经济技术的不断更新，电力能源在当代社会里扮演着一个十分重要的角色，是生活中不可缺少的一部分。
电力系统的正常运行保障了各行各业的用电需求，它的供应与国家经济和人们生活有着密切关联。
电力负荷预测尤其是短期电力负荷预测，有益于系统维持可用发电容量与电力需求之间的平衡，准确的短期电力负荷预测，电力系统的作用是对各个行业的用户提供尽可能高质量和可靠性强的电能。
电力系统的准确预测与电力系统的控制以及运行有着密切的相互作用，也是电网规划的重要依据，准确可靠的电力负荷预测能够确保系统的稳定运营，为我们的生活增添了多彩多样的色彩。
电力负荷预测是电力系统稳定运作的至关重要的部分，以电力负荷为对象进行的一系列预测工作，通常负荷预测可根据应用目的和预测时间长短的不同，可以分为短期、中期、长期这几类，其中，短期负荷预测对于电力系统的经济稳定运行以及人们生活质量有着重要作用，从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测，其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据，在发电这一过程中，精确测量负荷大小有利于节能减排、降低经济成本、改进提升电能性能，还起到保护环境的作用，这更体现出短期电力负荷预测的重要性，为了精准及时地预测电能的消耗具体情况，对电力负荷预测来说能够建立预测模型是十分必要的因素。
近年来，国内外对短期电力负荷预测模型进行研究是非常广泛的，针对其预测方法也是在不断创新，经典预测方法包括时间序列法、指数平滑法、回归分析法等等；现代主要预测方法有灰色预测法、支持向量机法、随机森林预测法、人工神经网络方法、小波分析法等等。
基于人工智能的电力负荷预测与调控研究
基于人工智能的电力负荷预测与调控研究电力负荷预测与调控是电力行业中的重要领域，随着人工智能技术的发展与应用，基于人工智能的电力负荷预测与调控研究成为了研究热点。
本文将从电力负荷预测和调控两个方面进行探讨，介绍基于人工智能的相关研究进展和应用。
首先，基于人工智能的电力负荷预测在电力系统运行中具有重要的作用。
电力负荷预测主要是通过分析历史负荷数据，并结合外部因素如气象、经济指标等进行综合分析和预测，以指导电力系统运行和调度决策。
传统的电力负荷预测模型往往依赖于经验模型和统计学方法，其精度和可靠性存在一定的局限性。
而基于人工智能的电力负荷预测通过利用深度学习、神经网络等技术，可以更准确地捕捉负荷之间的复杂关系和规律，具备更高的预测精度和稳定性。
目前，基于人工智能的电力负荷预测研究已经取得了许多重要进展。
例如，通过利用长短期记忆网络（LSTM）模型，可以对电力负荷进行长期和短期预测，并能够识别出负荷的周期性和趋势性变化。
此外，基于卷积神经网络（CNN）的电力负荷预测模型能够提取负荷数据中的时空特征，并进行相关性分析和预测。
还有基于深度强化学习的电力负荷预测模型，通过引入强化学习算法，可以自动学习和调整预测模型的参数，进一步提高预测精度。
同时，基于人工智能的电力负荷调控也备受关注。
电力系统的调控包括负荷调度、发电调度、能量管理等方面。
传统的负荷调控方法主要基于预测结果进行人工决策，但面对复杂多变的电力系统，这种方法存在一定的局限性。
而基于人工智能的电力负荷调控可以通过智能算法和优化模型，实现自动化和智能化的调度决策。
例如，基于遗传算法的负荷调度模型可以根据电力负荷预测结果，自动优化负荷分配和调度方案，以保证电力系统的稳定运行。
此外，还有一些新兴的基于人工智能的电力负荷预测与调控方法值得关注。
例如，基于深度强化学习的多智能体系统模型可以实现多方协同决策，提高电力系统的整体效能。
此外，基于大数据分析技术的电力负荷预测与调控方法能够处理大规模的数据集，挖掘潜在的负荷规律和特征，为电力系统运行提供更准确的预测和调配。
基于人工智能的电力负荷预测与能效优化研究
基于人工智能的电力负荷预测与能效优化研究电力负荷预测是电力系统运行和能源管理的重要组成部分。
随着人工智能技术的不断进步和应用，基于人工智能的电力负荷预测与能效优化成为了电力行业的新研究热点。
本文将从电力负荷预测和能效优化两个方面展开，研究基于人工智能的电力负荷预测与能效优化的技术及其应用。
一、基于人工智能的电力负荷预测电力负荷预测是指通过对历史负荷数据的分析和建模，预测未来一段时间内的电力负荷水平。
准确的负荷预测可以为电力系统的运行和调度提供重要的依据，有助于优化电力供应和能源管理。
1. 数据处理与特征提取为了进行准确的电力负荷预测，首先需要对历史负荷数据进行处理和分析。
常见的数据处理方法包括数据清洗、缺失值处理和异常值检测等。
之后，通过特征工程技术，提取与负荷变化密切相关的特征，如时间特征、天气特征、节假日特征等。
2. 建模与算法选择建立合适的模型是准确预测电力负荷的关键。
人工智能技术中常用的建模方法包括支持向量机（SVM）、人工神经网络（ANN）、深度学习等。
这些方法能够更好地捕捉和分析负荷的非线性变化规律，并提高负荷预测的准确性。
3. 模型训练与优化在建立模型之后，需要使用历史负荷数据进行模型的训练和验证。
通过不断调整模型的参数和结构，优化模型的性能，提高负荷预测的准确度。
此外，还可以利用交叉验证等方法评估模型的鲁棒性和泛化能力。
4. 实时预测与应用基于人工智能的电力负荷预测模型可以实现实时的负荷预测，为电力系统的运行和调度提供即时的参考信息。
例如，在电力市场中，负荷预测可以用于决策制定、发电计划调整等方面，提高供需匹配的效率和可靠性。
二、基于人工智能的电力能效优化电力能效优化是指在保证电力供应的前提下，通过合理的调度和管理，提高电力系统的能源利用效率和节能减排水平。
基于人工智能的电力能效优化主要包括以下方面。
1. 能源调度与优化根据电力负荷的变化和能源供应的情况，通过智能调度算法，合理分配电力资源，优化能源的利用效率。
基于人工智能的电力负荷预测
基于人工智能的电力负荷预测随着人工智能的快速发展和应用，各行各业都在不断探索如何利用人工智能技术来提升效率和预测未来的趋势。
在电力行业，电力负荷预测是一个重要的课题。
准确地预测电力负荷可以帮助电力公司合理安排发电计划，提高能源利用率，减少成本，并确保稳定供电。
传统的电力负荷预测方法主要基于统计学和时间序列分析。
这些方法通常依赖于历史数据，并假设未来的趋势与过去是相似的。
然而，这些方法往往无法应对复杂多变的现实情况，如天气变化、节假日、经济发展等因素对电力需求的影响。
而基于人工智能技术进行电力负荷预测则具有更高准确性和灵活性。
人工智能技术可以通过学习历史数据中隐藏的模式和规律来进行预测，并且可以根据实时数据进行动态调整。
以下将介绍几种常见且有效的基于人工智能技术进行电力负荷预测的方法。
首先，人工神经网络是一种常用的方法。
神经网络模拟人脑的工作方式，通过构建多层神经元之间的连接来模拟复杂的非线性关系。
在电力负荷预测中，可以通过输入历史电力负荷数据和其他相关因素（如天气数据、节假日等），训练神经网络模型来学习电力负荷与这些因素之间的关系，并用于未来负荷预测。
其次，支持向量机是另一种常见的方法。
支持向量机是一种监督学习算法，通过在高维空间中构建一个最优超平面来进行分类或回归分析。
在电力负荷预测中，可以将历史数据转化为特征向量，并将其作为输入训练支持向量机模型。
模型可以利用历史数据中不同特征之间的关系来进行未来电力负荷预测。
此外，遗传算法也可以应用于电力负荷预测。
遗传算法是一种优化算法，通过模拟自然界进化过程中的选择、交叉和变异等操作来搜索最优解。
在电力负荷预测中，可以将不同因素（如天气、经济指标等）作为遗传算法的基因，通过进化过程来寻找最佳的组合，以实现最准确的负荷预测。
除了上述方法，还可以结合多种人工智能技术进行电力负荷预测。
例如，可以将人工神经网络和遗传算法相结合，利用神经网络来学习历史数据中的模式，并利用遗传算法来优化模型参数。
电力系统中基于人工智能的负荷预测技术研究
电力系统中基于人工智能的负荷预测技术研究一、背景随着科技的不断发展，人工智能被应用到越来越多的领域中，其中之一便是电力系统中的负荷预测。
电力系统中负荷预测对于电力企业的规划、生产和调度具有非常重要的意义。
传统负荷预测方法通常采用时间序列分析等数学方法，但其在精度、效率和适应性等方面均存在不足。
而基于人工智能的负荷预测技术则可以提高负荷预测的精度和效率，适应复杂多变的电力系统环境，因此备受电力企业的青睐。
二、基于人工智能的负荷预测技术1. 神经网络神经网络是基于人工智能的负荷预测技术中最常用的一种方法。
神经网络的特点是能够对大量的非线性数据进行处理，并且可以自我学习和优化。
在负荷预测中，神经网络可以通过历史数据来训练自己，然后根据当前的环境和条件，预测未来的负荷情况。
由于神经网络具有很强的适应性和灵活性，因此可以适应复杂的预测环境和变化。
2. 遗传算法遗传算法是基于进化论思想的一种人工智能算法，其可以通过模拟自然界的生物进化过程，来寻找最优解。
在负荷预测中，遗传算法可以通过对数据的不断迭代和优化，来寻找优秀的模型和方法，以达到更准确的预测结果。
遗传算法具有较强的全局搜索能力，并且可以应对复杂的多元问题，因此在电力系统中的应用前景较广。
3. 粒子群优化粒子群优化是一种基于群体智能的优化算法，其模拟鸟群、鱼群等自然界中的群体行为方式。
在负荷预测中，粒子群优化可以通过不断的搜索和拟合，来确定最佳的负荷预测策略，以达到更优的预测效果。
粒子群优化算法具有搜索速度快、全局搜索能力强等特点，因此在电力系统中的应用也较为广泛。
三、优势与发展趋势基于人工智能的负荷预测技术相比传统方法，具有训练模型速度快、预测精度高、适应性强等优点，并且可以应对更为复杂和变化的电力负荷环境。
因此，其在电力系统中的应用前景广阔，并且具有较大的发展空间和潜力。
目前，国内外的电力企业和科研机构都在加强基于人工智能的负荷预测技术的研究和应用，并且取得了一定的成果。
- 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、"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、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)。
３ 电力负荷预测
３ ． １ Ｂ Ｐ 网络设计
根据 Ｂ Ｐ 网络 模 型的 算法 ，首 先确 定 网络拓 扑结 构 ，本 文 中采用 的是３ 层 结构 ，即输 入层 、隐层 和输 出 层 。根 据 输 入 、输 出 向量 的个 数 ，可 确 定 输入 层 神经 元 数 ９ 个 ，输 出 层神 经 元３ 个 。为 了缩短 训 练 的 时 间，隐 含层 采用 单 层 ， 即 隐含 层 为一 层 。 隐含层 神 经元 个 数 的选 择是 一 个 十 分复 杂 的 问题 ，往往需 要 根 据设计 者 的经验 和 多次试 验来 确 定 ，因而 不存在 一个 理想 的解 析式 来表 示 。根据 ｋ ｏ ｌ ｍｏ ￣ ｏ ｒ ｏ ｖ 定理 ：
于 电力负荷预测。
２ 电力系统负荷数据
一
般 来说 ， 电力 系统 的负荷 高峰 通常 出现 在每 天的 ｌ ９ 时～ ２ ｌ 时之 间，本文 只对每 天 ｌ ８ 时￣ ２ ０ 时共 计３ 个小
时的负荷 数据进行 预测 。 电力系统 负荷数据 如表 １ 所示 ，所 有数据 为真 实数据 ，且 已经经过 归一 化处理 。
第１ 期
郭 龙钢 ： 基于Ｂ Ｐ 人工神经网络 电力负荷 预测
第４ 天负荷作为 目标 向量 。如此反复直至满足预测精度要求为止完成训练 。用第１ ０ 天 的数据作为网络的测
试 样本 ，验证 网络 能否 合理 地预 测 出 当天 的负荷数 据 。
表１ 电力系统１ ８ 时￣ ２ ０ 时的负荷数据
扑结 构包 括输 入层 （ ｉ ｎ ｐ ｕ ｔ ） 、 隐含层 （ ｈ ｉ ｄ ｅ ｌ ａ ｙ ｅ ｒ ） ￣ Ｈ 输 出层（ ｏ ｕ ｔ ｐ ｕ ｔ ｌ ａ ｙ ｅ ｒ ） 。
１ ． ２ Ｂ Ｐ 神经网络的算法
利 用 输 出后 的 误 差来 估 计 输 出层 的直接 前导层 的误 差 ，再 用 这 个误 差 估 计 更前 一 层 的误差 ，如此 一 层一 层 的反传 下 去 ，就获 得 了所 有 其他 各 层 的误差估 计 ｌ ２ ｌ 。其 本质 就 是在 外 界输 入样 本 的刺激 下不 断 改变 网络 的连 接权值 ， 以使 网络 的输 出不 断地接 近 期望 的输 出 。 Ｂ Ｐ 网络 能 够实 现 输 入． 输 出 的 非线 性 映射 关系 ，并 具有逼 近 任 意 非线 性 函数 的能 力ｐ １ ，所 以可 以适 用
中图分类 号：Ｔ Ｍ７ １ ５ 文献标志码： Ａ
文章编 号： １ ６ ７ ４ ． ５ ０ ４ ３ （ ２ ０ １ ３ １ ０ ０ ６ ２ ． ０ ３
随着 我 国 电力 事 业 的发 展 ， 电网管 理 目趋 现代 化 ， 由于 电力 的 生产 和 使用 具 有特 殊 性 ，即 电能难 以．
大 量 的储存 ，而 且各 类 用 户对 电力 的需 求 是 时刻 变 化 的 ，这就 要 求 电力系 统 稳 定且 高 效 的运 行 ，以满 足 用户 的 需求 。因 此 ， 电力 负荷 预 测 问题 的研究 越 来越 引起 人们 的注 意 并 成 为现 代 电力系 统科 学 的一 个 重
要领 域 。
程 中通 过学 习来抽 取和 逼 近 隐含 的输 入 、输 出非线 性关 系 。
１ Ｂ Ｐ 神经 网络
１ ． １ Ｂ Ｐ 神 经网络结构
Ｂ Ｐ （ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｏ ａ ｌ ｚ ａ ｔ ｉ ｏ ｎ ） 网络 是 １ ９ ８ ６ 年 由Ｒ ｕ ｍｅ ｌ ｈ ａ ｒ ｔ ￣ Ｈ Ｍｃ Ｃｅ ｌ ｌ ａ ｎ ｄ 为 首 的科 学 家小 组提 出，是 一 种按 误
第２ ３ 卷 第１ 期 ２ ０ １ ３ 年３ 月
洛阳理工学院学报（ 自然科学版）
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｌ ｕ ｏ ｙ ａ ｎ ｇ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ （ Ｎａ ｔ ｕ ｒ ａ ｌ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ Ｅｄ ｉ ｔ ｉ ｏ ｎ ）
差逆传 播 算法训 练 的多层 前 馈 网络 … ，是 目前应 用 最广泛 的神 经 网络 模型 之 一 。Ｂ Ｐ 网络 能学 习和存贮 大 量 的输 入一 输 出模 式 映射 关 系 ，而 无 需事 前 揭示 描 述这 种 映射 关 系 的数 学方 程 。它 的学 习规 则是使 用 最速 下
降法 ，通过 误差 反 向传 播 来 不 断调 整 网络 的权 值 和 阈值 ，使 网络 的误 差平 方 和最 小 。Ｂ Ｐ ． １
Ｍａ ｒ 。２ ０ １ ３
基 于Ｂ Ｐ 人工神经 网络 电力负荷预测
郭 龙 钢
（ 洛阳理 工学院 电气工程与 自动化 系，河南 洛 阳 ４ ７ １ ０ ２ ３） 摘 要 ：由于影响 电力 负荷 的因素 之 间存在 着非线性，所以采用神 经 网络方案来进行短 期 电力 负荷预测 对应 用
利用前９ 天的数据作为网络 的训练样本 ，预测方法采用滚动预测方式，每３ 天 的负荷作为输入向量 ，
收 稿 日期 ： ２ ０ １ ２ — ０ ８ － ２ ３
作 者简 介： 郭龙钢（ １ ９ ７ ７ 一 ） ， 男， 河 南洛 阳人， 硕 士， 讲 师， 主要 从事电力电子 、电力系统方 面的研究．
于 实际的神 经 网络 算法进行 了具体 处理 ，如数据 的归一化 ，输入 向量和输 出向量 的选择 。仿真结果表明其有较好 的预 测精度 。该模型 具有 网络 结构较 小、训练时 间短 、易于实现 的优 点
关键词：神经 网络； 负荷预报 ；训 练样本
ＤｏＩ ： １ ０ ． ３ ９ ６ ９ ／ ｉ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ４ － ５ ０ ４ ３ ． ２ ０ １ ３ ． Ｏ １ ． ０ １ ５
负 荷预 测 的核 心 问题 是 预 测 的技 术 问题 。传 统 的数 学模 型 在 电力 负 荷 预测 中精 度较 低 。人 工神 经 网 络 法是 一 种不 依 赖 于模 型 的 方法 ，它 比较 适 合那 些 具 有不 确 定 性或 高度 非线 性 的对 象 ，具有 较强 的适 应 和 学 习功 能 。用 于 负荷 预 测 时 ，人 工神 经 网络利 用 神 经 网络 可 以任 意逼 进 非 线 性 系统 的特 性 ，在 训练 过