发电机组负荷预测模型的设计与实现 毕业设计论文.docx

《发电机组负荷预测模型的设计与实现 毕业设计论文.docx》由会员分享，可在线阅读，更多相关《发电机组负荷预测模型的设计与实现 毕业设计论文.docx（49页珍藏版）》请在三一文库上搜索。

1、毕业设计（论文）题 目 发电机组负荷预测模型的设计与实现 专 业 自动化 班 级 自102班 学 生 指导教师 2014 年西安理工大学本科生毕业设计（论文）发电机组负荷预测模型的设计与实现 摘 要发电机组负荷预测是实现电力系统优化运行的基础，对于电力系统运行的安全性、可靠性和经济性都有显著影响。因此，寻求有效的负荷预报方法以提高预报精度具有重要意义。迄今为止，研究人员已经提出了许多有效的方法。本文应用目前较为流行的神经网络方法对发电机组负荷进行预报。本文采用神经网络预测模型,输入变量和确定神经网络结构的方法和算法,此方法的提出可以使得从历史样本知识数据到最终预测模型的建模过程变得简单明了,便

2、于实际应用。通过去发电厂实际调研获得真实有效的数据，训练神经网络，使得网络能够正确的预测出负荷变化的实际规律。同时也参考了发电厂的现用的预测方法对神经网络结构加以改善，使得网络结构趋于完善。最后总结了本文的主要研究工作与收获，提出了一些改进方案，并介绍了发电机组负荷预报的发展前景。关键词：发电机组、负荷预测、BP神经网络、DPS数据处理系统、预测模型AbstractGenerator load forecasting is foundation to achieve optimal operation of power system, it has significant impact on

3、the security, reliability and economy of power system operation. Therefore, seeking effective load forecasting method is of great significance for improving forecast accuracy. So far, researchers have proposed many effective methods. This article more popular neural network method is applied to gene

4、rator load forecasting at present. In this paper, using the neural network prediction model, the input variables and the determining method of neural network structure and algorithm, this method can make knowledge from the historical sample data to the final forecasting model of the modeling process

5、 becomes simple and clear, easy to practical application. Through to obtain real and effective power plant actual survey data, the neural network, enables the network to correctly predict the actual rule of load change. Also refer to the power of current forecast methods of neural network structure

6、to improve, make the perfect network structure. Finally summarizes the main research work and the harvest, puts forward some improvement scheme, and introduces the development prospect of generator load forecasts.Keywords: generator, load forecasting, neural network, data processing system, predicti

7、on model目 录第一章 绪论11.1 研究背景与意义11.1.1 研究背景11.1.2 研究意义11.1.3 国内外研究现状21.2 论文的主要研究内容31.3 小结4第二章 预测模型的设计方法52.1数据库原理与E-R图分析52.1.1数据库系统的基本概念52.1.2.实体与属性之间的关系72.2预测方法和模型方法72.2.1 负荷预测的常用方法简介72.2.2 神经网络原理简介142.3 小结19第三章 发电机组负荷预测模型的设计203.1 基础数据与处理203.1.1影响因素的列表与分析203.1.2 负荷预测的E-R图213.2基于神经网络的算法设计223.2.1算法建模分析22

8、3.2.2确定算法网络模型233.3 网络训练机制243.3.1输入、输出向量设计243.3.2输入数据的归一化处理273.3.3网络训练的确定293.4 预测分析313.4.1预测信息313.4.2 预测结果分析353.5 小结35第四章 结论与展望364.1 结论364.2 展望374.3 小结37致谢39参考文献40附录42I1 绪论1.1 研究背景与意义1.1.1 研究背景火电厂负荷调度主要依赖传统的值长制方法，通过远程控制终端(RTU)接收中调发来的全厂负荷曲线和实时负荷指令，再由值长人工分配到各台机组。这样，机组负荷的频繁调整完全靠手动控制，运行人员责任大且易出事故。随着我国电厂自

9、动化水平的不断提高和电力改革的不断深入，厂网分开、竞价上网已成必然。在确保机组安全运行的前提下，实时合理分配全厂各机组负荷，最大限度地降低发电煤耗是市场经济对发电厂提出的现实要求。1.1.2 研究意义1. 准确的发电机组负荷预测是发电厂保证其安全经济运行的关键。发电厂只有获知未来几天机组的发电量才能给原煤仓送入适量的煤，这样不仅能够节省煤资源，最大限度降低煤耗，还能减少其排放的废弃物，从而减少环保费用。2. 准确的发电机组负荷预测有助于发电厂制定合理的生产计划。发电机组长期运行会累积损害，因此每一年发电厂对会安排一段时间对发电机组进行检修维护。发电厂除了送交电网的电外自身也会消耗一部分电量，也

10、即是厂用电。发电机组的负荷预测使发电厂能够避开发电机组发电负荷的高峰期进行检修维护也能够合理的安排自身的厂用电保证送交电网的电量满足电网调度的需求。1.1.3 国内外研究现状长期以来，国内外学者对电力系统负荷预报进行了广泛而深入的研究，提出了许多有效的方法，主要有时间序列法、指数平滑法、专家系统法、神经网络法、卡尔曼滤波法、小波分析法等。它们均有各自的优点，但是没有一种方法是绝对准确的，也没有一种方法可以适用于一切电力系统。所以各个国家在预测时根据本国的特点，采用的方法也都不一样。东南大学的陆海峰、单渊达应用时间序列法，在ARMA的基础上引入反馈序列模，并用F检测逐步自动定阶，以长自回归计算残

11、差法估计模型的初值，用递推最小二乘法对模型进行修正，以实现实时自适应负荷预报；武汉大学的段俊东、陈昆薇采用模糊理论对日负荷曲线预报中的天气因素进行了模糊处理，根据季节，气候的不同对天气因素做不同的模糊处理和不同的数学模型，提高了发电机组负荷预报的精度。国外学者目前大多数都采用与神经网络有关的各种方法来进行负荷预报：美国学者利用神经网络来获得用户电力消耗的模型，又使用一种基于模糊逻辑的模块以最快的速度探测到信号趋势并帮助人工神经网络校正预测结果，改进了系统对突变或者特殊情况的适应能力；英国学者运用径向基函数，动态神经网络以及神经模糊技术等方法，改进了负荷预报模型，比传统的方向传播网络预报模型更加

12、精确；西班牙学者应用两个神经模糊系统-FasArt和FasBack，另外还有带BP学习算法的前向多层感知机神经网络(MLP)以及ARIMA模型，获得了不错的预报效果。【1】【2】1.2 论文的主要研究内容1) 对机组负荷信息管理进行客观分析，提出设计框架本课题主要针对西安市某发电厂，通过去发电厂的实地调研，获知其现阶段共有四台大型发电机组，分别是1号、2号30万千瓦机组和11号、12号12.5万千瓦机组。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

13、性。同时,由于受天气等特殊情况影响,又使负荷变化出现差异。由于电力系统负荷在不同的情况下，运行规则是不同的。比如在不同的用电季节、一天中的不同时段，其运行规律不同，因此应选取多个神经网络解决不同的情况。对每日24小时分为五个时段：凌晨1时一6时、7时一一10时、11时一一下午3时、4时一一晚8时和9时一零时，每个阶段都用不同的网络进行预测。这种方法的优点是每小块的网络结构简单，网络训练速度快，预测精度也较高，但网络个数太多。由于神经网络所具有的较强的非线性映射等特性,常被用于负荷预测。【3】2) 绘制E-R图，完善系统的功能设计通过对机组负荷影响因素的深入分析，找到各个因素对机组负荷的影响关系

14、，建立数据库，从而绘制出相应的E-R图。3) 设计发电机组负荷预测模型，并分析预测结果本文研究的对象是基于神经网络的发电机组负荷预测。负荷预测的方法有很多种，目前，神经网络预测方法受到国内外广大研究人员的高度重视，被公认为比较有效的方法。本论文就是在此背景下，主要研究基于反向传播算法人工神经网络的短期负荷预测方法，在总结现有理论成果的基础上主要对神经网络的算法、网络结构、输入数据的预处理，输入输出向量设计等方面进行了研究。1.3 小结本章主要介绍了本课题的研究背景、意义和国内外研究现状，简单介绍了本课题的主要研究内容，以及所用到的研究方法。通过对系统的输入输出之间的影响关系的分析，确立了BP神

15、经网络作为模型的预测方法。2 预测模型的设计方法2.1数据库原理与E-R图分析2.1.1数据库系统的基本概念 数据：实际上就是描述事物的符号记录。 数据的特点：有一定的结构，有型与值之分，如整型、实型、字符型等。而数据的值给出了符合定型的值，如整型值15。 数据库：是数据的集合，具有统一的结构形式并存放于统一的存储介质内，是多种应用数据的集成，并可被各个应用程序共享。 数据库存放数据是按数据所提供的数据模式存放的，具有集成与共享的特点。 数据库管理系统：一种系统软件，负责数据库中的数据组织、数据操纵、数据维护、控制及保护和数据服务等，是数据库的核心。 数据库管理系统功能： （1）数据模式定义：

16、即为数据库构建其数据框架； （2）数据存取的物理构建：为数据模式的物理存取与构建提供有效的存取方法与手段； （3）数据操纵：为用户使用数据库的数据提供方便，如查询、插入、修改、删除等以及简单的算术运算及统计； （4）数据的完整性、安生性定义与检查； （5）数据库的并发控制与故障恢复； （6）数据的服务：如拷贝、转存、重组、性能监测、分析等。 为完成以上六个功能，数据库管理系统提供以下的数据语言： （1）数据定义语言：负责数据的模式定义与数据的物理存取构建； （2）数据操纵语言：负责数据的操纵，如查询与增、删、改等； （3）数据控制语言：负责数据完整性、安全性的定义与检查以及并发控制、故障恢复等

17、。【4】数据语言按其使用方式具有两种结构形式：交互式命令(又称自含型或自主型语言)宿主型语言（一般可嵌入某些宿主语言中）。 数据库管理员：对数据库进行规划、设计、维护、监视等的专业管理人员。 数据库系统：由数据库（数据）、数据库管理系统（软件）、数据库管理员（人员）、硬件平台（硬件）、软件平台（软件）五个部分构成的运行实体。 数据库应用系统：由数据库系统、应用软件及应用界面三者组成。 文件系统阶段：提供了简单的数据共享与数据管理能力，但是它无法提供完整的、统一的、管理和数据共享的能力。 层次数据库与网状数据库系统阶段 ：为统一与共享数据提供了有力支撑。 关系数据库系统阶段 数据库系统的基本特点

18、：数据的集成性 、数据的高共享性与低冗余性 、数据独立性（物理独立性与逻辑独立性）、数据统一管理与控制。 数据库系统的三级模式： （1）概念模式：数据库系统中全局数据逻辑结构的描述，全体用户公共数据视图； （2）外模式：也称子模式与用户模式。是用户的数据视图，也就是用户所见到的数据模式； （3）内模式：又称物理模式，它给出了数据库物理存储结构与物理存取方法。 数据库系统的两级映射： （1）概念模式到内模式的映射； （2）外模式到概念模式的映射。562.1.2.实体与属性之间的关系E一R模型的组成元素有:实体、属性、联系。E一R模型用E一R图表示。实体是用户工作环境中所涉及的事务,属性是对实体特

19、征的描述。(l)模型中的实体相当于实体集、一个表,而不是单个实体或表中的一行。实体用矩形框表示,实体名称标注在矩形框内。用菱形表示实体间的联系,菱形框内写上联系名,用无向边把菱形分别与有关实体相连接,在无向边旁标上联系的类型。(2)属性是实体的性质。用椭圆框表示,与实体之间用一条线相连表的主码是关键属性,关键属性项加下划线。(3)各子系统模块中主键相同的字段之间存在着相互关联的关系。(4)在程序中实现对他们的完整性和一致性控制。【5】2.2预测方法和模型方法2.2.1 负荷预测的常用方法简介发电机组负荷预测分为经典预测方法和现代预测方法。 （1）经典预测方法 1）时间序列法时间序列法是一种最为

20、常见的短期负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和估计产生实际序列的随机过程的模型，然后用这些模型去进行预测。它利用了电力负荷变动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征和变化规律，预测未来负荷。时间序列预测方法可分为确定型和随机性两类，确定型时间序列作为模型残差用于估计预测区间的大小。随机型时间序列预测模型可以看作一个线性滤波器。根据线性滤波器的特性，时间序列可划为自回归(AR)、动平均(MA)、自回归-动平均(ARMA)、累计式自回归-动平均(ARIMA)、传递函数(TF)几类模型，其负荷预测过程一般分为模型识别、模型参数估

21、计、模型检验、负荷预测、精度检验预测值修正5个阶段。时间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。2）回归分析法回归分析法就是根据负荷过去的历史资料，建立可以分析的数学模型，对未来的负荷进行预测。从数学上看，就是利用数理统计中的回归分析方法，通过对变量的观测数据进行分析，确定变量之间的相互关系，从而实现预测目的。回归预测包括线性回归和非线性回归。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象变量之间的函数关系，这是比较困难的。而且为了获得比较精确的预报结果，需要大量的计算，这一方法不能处理气候变量和负荷之间的非平衡暂态关

22、系。虽然经典的数学统计方法具有速度快的优点，但是其预测模型比较简单，很难准确描述负荷预测的实际模型，所以其精度较差。随着人工智能技术逐步被引入到短期负荷预测中，人们已经提出了多种基于人工智能的预测方法，其中最为典型的为基于各种人工神经网络模型的预测方法，其中以神经BP算法为代表。（2）现代负荷预测方法20世纪80年代后期，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用。这其中主要有灰色数学理论、专家系统方法、神经网络理论、模糊预测理论等。1)灰色数学理论灰色数学理论是把负荷序列看作一真实的系统输出，它是众多影响因子的综合作用结果。这些众多因子的未知性和不确定性，成为系统的灰色特性。灰色系

23、统理论把负荷序列通过生成变换，使其变化为有规律的生成数列再建模，用于负荷预测。灰色系统理论是中国学者邓聚龙教授1982年3月在国际上首先提出来的，在国际期刊SYSTEMS AND CONTROL LETTER刊物上发表，题为“Control Problems of Grey Systems”,引起了国际上的充分重视。灰色系统理论的形成是有过程的。早年邓教授从事控制理论和模糊系统的研究，取得了许多成果。后来，他接受了全国粮食预测的课题，为了搞好预测工作，他研究了概率统计追求大样本量，必须先知道分布规律、发展趋势，而时间序列法只致力于数据的拟合，不注重规律的发展。邓教授希望在可利用数据不多的情况下

24、，找到了较长时期起作用的规律，于是进行了用少量数据做微分方程建模的研究。这一工作开始并不顺利，一时建立不起可供应的模型。后来，他将历史数据作了各种处理，找到了累加生成，发现累加生成曲线是近似的指数增长曲线，而指数增长正符合微分方程解的形式。在此基础上，进一步研究了离散函数光滑性，微分方程背景值、平射性等一些基本问题，同时也考虑了有限和无限的相对性，定义了指标集拓扑空间的灰导数，最后解决了微分方程的建模问题。 2）专家系统方法专家系统方法是对于数据库里存放的过去几年的负荷数据和天气数据等进行细致的分析，汇集有经验的负荷预测人员的知识，提取有关规则。借助专家系统，负荷预测人员能识别预测日所属的类型

25、，考虑天气因素对负荷预测的影响，按照一定的推理进行负荷预测。专家系统是一个用基于知识的程序设计方法建立起来的计算机系统（在现阶段主要表现为计算机系统），它拥有某个特殊领域内专家的知识和经验，并能像专家那样运用这些知识，通过推理，在那个领域内作出智能决策。所以，一个完整的专家系统是有四部分组成的，即知识库、推理机、知识获取部分和解释界面。专家系统方法总结了目前城网中长期负荷预测中的可行模型，针对目前方法存在的片面性，首次尝试把专家系统技术应用到负荷预测上，从而克服单一算法的片面性；同时，全过程的程序化，使得方法还具有快速决断的优点。负荷预测是城网规划部门所面临的较难处理的基础工作，还由于预测过程

26、容易出现人为差错及预测专家比较缺乏，使本方法具有较为广泛的使用前景。专家系统法利用了专家的经验知识和推理规则，使得假日或重大活动日子的负荷预报精度得到了提高。但是，把专家知识和经验等准确地转化为一系列规则是非常不容易的。3）神经网络理论运用神经网络技术进行电力负荷预测，其优点是可以模仿人脑的智能化处理，对大量非结构性、非精确性规律具有自适应功能，具有信息记忆、自主学习、知识推理和优化计算的特点，特别的，其自学习和自适应功能是常规算法和专家系统技术所不具备的。因此，预测被当作人工神经网络（简记为ANN）最有潜力的应用领域之一，许多人都试图应用反传学习算法训练ANN。以用作时间序列预测。误差反向传

27、播算法又称为BP法，提出一个简单的三层人工神经网络模型，就能实现从输入到输出间非线性映射任何复杂函数关系。因此，可以将对电力负荷影响最大的几种因素作为输入，即当天的天气温度、天气晴朗度（又称为能见度）、风向风力、峰谷负荷及相关负荷等，争取获得较好的预测结果。神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。由于该方法具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场，但其缺点是学习收敛速度慢，可能收敛到局部最小点；并且知识表达困难，难以充分利用调度人员经验中存在的模糊知识。4）小波分析预测技术小波

28、分析（Wavelet）是本世纪数学研究成果中最杰出的代表。它作为数学学科的一个分支，吸取了现代分析学中诸如泛函分析、数值分析、Fourier分析、样条分析、调和分析等众多分支的精华，并包罗了它们的特色。由于小波分析在理论上的完美性以及在应用上的广泛性，在短短的几年中，受到了科学界、工程界的高度重视，并且在信号处理、图象处理、模式识别、地震预报、故障诊断、状态监视、CT成象、语言识别、雷达等十几个科学领域中得到应用。小波分析为本世纪现代分析学作了完美的总结。小波分析方法的提出，可以追溯到1910年Harr提出的“小波”规范正交基及1938年Littlewood-Paley对Fourier变换的相

29、位变化本质上不影响函数的L-P理论。1981年Stromberg对Harr 系进行了改进，证明小波函数的存在。1984年法国地球物理学家Morlet在分析地震波的局部性时，把小波运用于对信号分解，取得了满意的分析结果。随后，理论物理学家Grossman对Morlet的这种信号方法进行了理论研究，这无疑为小波分析的形成奠定了基础。1986年，法国数学家Mayer创造性地构造出了一个具有一定衰减特性的光滑函数，它的二进制伸缩和平移系构成L（R）的规范正交基，实现了信号在时频空间同时局部化的正交分解。他为小波理论的形成和完善作出了重大贡献，是小波理论的奠基人之一。1987年，Mallat巧妙地将计算

30、机视觉领域内的多尺度分析的思想引入到小波分析中小波函数的构成及信号按小波变换的分解及重组，从而成功地统一了此前的各种具体小波函数的构造，并研究了小波变换的离散化情形，得到相应的Mallat金字塔式算法，显著地减少了计算量，使小波分析具有工程实用价值。1988年，Daubechies构成出了具有有限支撑的正交小波基。它在数学信号的小波分解过程中提供有限的从而更实际、更具体的数字滤波器。这样，小波分析的理论大厦就基本奠定了。1990年，Daubechies在美国作了10次小波讲座，把小波介绍到工程界中，“小波热”就开始了。此后，中国学者崔锦泰和王建忠构成了基于样条函数的单正交小波函数，并讨论了具有

31、最好局部化性质的尺度函数与小波函数。而Wicherhanseer等将Mallat算法进一步深化，提出了小波包算法，取得了信号的最佳时频分解。目前，国内外有关小波在电力系统中的应用的文献还很少，这个领域还是很少，然而，由于其独特的分析方法，在电力系统负荷预测方面一定会有很好的前景。小波分析是一种时域-频域分析方法，它在时域和频域上同时具有良好的局部化性质，并且能根据信号频率高低自动调节采样的疏密，它容易捕捉和分析微弱信号以及信号、图象的任意细小部分。其优于传统的Fourier分析的主要之处在于：能对不同的频率成分采用逐渐精细的采样步长，从而可以聚焦到信号的任意细节，尤其是对奇异信号很敏感，能很好

32、的处理微弱或突变的信号，其目标是将一个信号的信息转化成小波系数，从而能够方便地加以处理、存储、传递、分析或被用于重建原始信号。这些优点决定了小波分析可以有效地应用于负荷预测问题的研究。5）模糊负荷预测模糊负荷预测是近几年比较热门的研究方向。模糊控制是在所采用的控制方法上应用了模糊数学理论，使其进行确定性的工作，对一些无法构造数学模型的被控过程进行有效控制。模糊系统不管其是如何进行计算的，从输入输出的角度讲它是一个非线性函数。模糊系统对于任意一个非线性连续函数，就是找出一类隶属函数，一种推理规则，一个解模糊方法，使得设计出的模糊系统能够任意逼近这个非线性函数。下面介绍模糊预测的一些基本方法。表格

33、查寻法：表格法是一种相对简单明了的算法。这个方法的基本思想是从已知输入-输出数据对中产生模糊规则，形成一个模糊规则库，最终的模糊逻辑系统将从组合模糊规则库中产生。这是一种简单易行的易于理解的算法，因为它是个顺序生成过程，无需反复学习，因此，这个方法同样具有模糊系统优于神经网络系统的一大优点，即构造起来既简单又快速。基于神经网络集成的高木-关野模糊预测算法：它是利用神经网络来求得条件的输入变量的联合隶属函数。结论部的函数f(X)也可以用神经网络来表示。神经网络均采用前向型的BP网络。高木-关野模糊预测算法虽然已得到了很大的应用，适用于各种复杂的建模，取得了较好的预测效果，但是它对输入变量的要求较

34、高等缺点，这必然限制了它的应用。改进的模糊神经网络模型的算法：模糊神经网络即全局逼近器。模糊系统与神经网络似乎有着天然的联系，模糊神经网络在本质上是模糊系统的实现，就是将常规的神经网络(如前向反馈神经网络，HoPfield神经网络)赋予模糊输入信号和模糊权。对于复杂的系统建模，已经有了许多方法，并已取得良好的应用效果。但主要缺点是模型精度不高，训练时间太长。此种方法的模型物理意义明显，精度高，收敛快，属于改进型算法。反向传播学习算法：模糊逻辑系统应用主要在于它能够作为非线性系统的模型，包括含有人工操作员的非线性系统的模型。因此，从函数逼近意义上考虑，研究模糊逻辑系统的非线性映射能力显得非常重要

35、。函数逼近就是模糊逻辑系统可以在任意精度上，一致逼近任何定义在一个致密集上的非线性函数，其优势在于它有能够系统而有效地利用语言信息的能力。万能逼近定理表明一定存在这样一个可以在任意精度逼近任意给定函数的高斯型模糊逻辑系统。反向传播BP学习算法用来确定高斯型模糊逻辑系统的参数，经过辨识的模型能够很好的逼近真实系统，进而达到提高预测精度的目的。因此，这种方法的模型有较高的精度，但是它的训练时间太长，收敛较慢等缺点。【6】【7】2.2.2 神经网络原理简介a. 人工神经网络特点人工神经网络是由人工神经元互联组成的网络，是从结构、功能对人脑的抽象与简化，反映了人工智能的重要领域，能够反映人脑的若干基本

36、特征。该网络结构一般由许多个神经元组成，每个神经元都有相应的输出，它能够和许多其他神经元相连，它的输入包含多个连接通路，连接通路有相应的连接权系数。人工神经网络有以下五个特征：（1）可以充分逼近任意复杂的非线性关系。 （2）有很强的容错性以及鲁棒性。在网络中，所有定量或定性的信息都等势分布贮存于网络内的各神经元，由于网络中相互连接的权值分布了存储的信息，所以它比传统的存储方式更加抗损毁，少数神经元的断连或者损坏，只会少许降低系统性能，不会破坏整个网络，所以神经网络具有较强的容错性和鲁棒性。（3）并行分布处理问题，提高运算速度。传统的处理方法是从串行处理发展起来，存储和计算分开、独立，计算速度取

37、决于存储器和运算器之间的连接通道，运算能力受到很大的限制，而神经网络中各层神经元相互连接，信息传递很快，在传递的同时进行运算与存储，把输入输出间的关系用连接权系数存储，效率很高。（4）对未知系统进行学习以及自适应。神经网络具有很强的自学习能力，系统可以在学习过程中不断地完善自己，具有创造性。（5）能够同时处理定量、定性知识。b. 工作原理通常，神经网络模型由网络模型的神经元特性、拓补结构和学习或训练规则三个要素确定。人工神经网络中，神经元以表示定性或者定量的数据概念等，也可以表示一些抽象的概念。人工神经网络处理单元包含三种类型：输入单元、隐单元和输出单元。输入单元接收给定的信号或者数据后，经过

38、隐单元的传递与处理，将处理结果通过输出单元输出。人工神经网络系统是一种与人的大脑相似，非程序化、具有适应性的信息处理系统。它涉及思维、神经、计算机、人工智能等学科多个领域89。学习指按照一定的学习规则，根据样本或根据具体环境，去修正连接权值和阈值，使得这个网络具有特定的功能，如分类、识别、函数逼近等。执行是指神经网络对输入信息进行处理，并产生相应的输出。人工神经网络的优点有以下三方面：（1）能够进行自学习。例如预测销售量时，只要把前几个月份的销售量和对应后一个月份的销售量输入网络，通过自学习，人工神经网络就会逐渐学会预测下一个月份的销售量。这一特点对于许多经济预测问题有很大的意义。将来，人工神

39、经网络可能被用于社会、经济上各方面的预测，应用领域非常广。（2）具有联想存储功能。反馈神经网络可以实现这一功能。（3）能快速得到问题的最优解或者趋近最优解。一般采用简单的数学推导或者穷举法等方法可以找到目标函数的最优解，但计算过程冗长、耗时很久，利用人工神经网络设计出该问题的模型后，在计算机上运行，可能能很快得到优化解。c. 模型分类人工神经网络模型的建立主要从网络的拓扑结构、神经元的特征、学习规则等方面进行考虑。到目前为止，已经研究得到自组织映射、反传网络、感知器、适应谐振理论、波耳兹曼机、Hopfield网络等。通常根据网络的拓扑结构模型分为：（1）前向网络：指神经网络网络结构是有向无环路

40、，神经元分层排列，(有输入层、输出层、隐层/中间层)每个神经元只接收前一层的输出，传递到后一层，各神经元之间不存在反馈。计算方式类似于多个简单非线性函数的复合，结构简单，易于实现。例如反向传播网络。（2）反馈网络：存在着输出层到输入层的反馈，每一个输入的神经元都有可能接收外部的输入和输出的反馈，是一个动态系统，需要一定的时间才能稳定下来。网络内各个神经元之间存在反馈。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。常见的反馈网络有Hopfield网络、波耳兹曼机等10。本文主要采用人工神经网络中的BP网络建立预测模型。 d.BP神经网络人工神

41、经网络的发展中，隐层的连接权值的调整一直是人们研究的问题。直到提出了误差反向传播算法，才将这一问题得到解决。BP (Back Propagation，BP)神经网络，即连接权的调整采用反向传播的学习算法。包括输入层、隐层、输出层。输入层将信息传递给隐层，通过隐层的处理，传递给输出层，将输出层的结果和实际输出作对比，误差较大时，误差反向传播，从输出层开始，逐层修正个神经元的权值，当误差减小到阈值或者达到初始化设定的学习次数时算法终止。BP神经网络模型结构如图2-1所示。BP神经网络的学习过程：（1）初始化：设置连接权值、误差函数、计算精度、学习次数等。（2）选取输入样本和对应的期望输出：x(k)

42、=(x1(k), x2(k), . , xn(k) （3-1）do(k)=(d1(k), d2(k), . , dq(k) （3-2）x为输入向量，do为输出向量，k表示第k组样本。XnX1X2输出层隐含层输入层Y1Y2Yn图2-1 BP神经网络模型结构（3）计算隐含层各神经元的输入和输出： （3-3）hi、ho分别表示隐含层的输入和输出，yi、yo分别表示输出层的输入和输出，wih、who为输入层到隐含层和隐含层到输出层的权值，f为激活函数，b为阈值。（4）计算误差e：比较典型的方法是一阶梯度法，即最速下降法，计算优化目标函数对迅游参数的一阶导数，从输出层开始计算。输出层： （3-4）隐含层

43、： （3-5）（5）修正连接权值：输出层： （3-6）隐含层：（3-7）（6）计算误差： （3-8）（7）当误差达到精度要求或者达到最大学习次数时，算法终止，否则，采用下一个样本返回到（3）进行学习。1213神经网络可以用作预测、聚类、分类等。神经网络通过对大量已知数据的训练，可以学习到数据中隐含的规则。在学习研究中，找到问题的特征以及相应量化的数据，用这些数据来训练神经网络。虽然现在广泛应用BP神经网络算法，但这一算法也存在以下几点不足之处：（1）学习速率不变导致收敛速度较慢，训练时间较长。当问题比较复杂时，由于设定的学习速率很小，将会导致该问题的出现。（2） 采用梯度下降法寻找误差的极小值

44、很容易陷入局部极值。（3）隐层层数和各层神经元的个数选取方法没有特定的计算方法，通常根据实际经验或者反复试验得到。这样就导致网络不一定是最合适的。（4）网络的记忆和学习存在不稳定性。即若增加学习样本，那么训练好的网络就需要从新训练，没有记忆之前的权值和阈值。但是可以将预测、分类或聚类做的比较好的权值保存。2.3 小结本章首先简要的介绍了数据库系统的一些概念，介绍了几个常用的模型预测方法，通过对预测方法的特性的简要对比，最终确定了选用神经网络的预测方法为最优。最后着重介绍了BP神经网络的原理和特点，并探讨了它的不足之处。 3 发电机组负荷预测模型的设计3.1 基础数据与处理3.1.1影响因素的列

45、表与分析a天气情况由于许多电网有大量气候敏感负荷，如空间散热器，空调及农业灌溉的存在，气候条件对负荷模式变化有着显著影响。其中温度是最重要的气候变量。对于任意给定日，温度对正常值的偏差，将引起负荷曲线的显著变化，有时甚至需要对机组投入计划进行大的修正。湿度是另外一个可以影响电网负荷的因素，特别是在高温或湿度大区域，其形式同温度相似。同样，雷暴雨、台风等天气条件由于引起温度的变化，也对负荷有显著影响。其他对负荷行为有影响的因素有:风速，降雨量，云遮或日照强度。b.时间因素对负荷模式有着重要影响的时间因素主要有3种:季节变化，周循环，法定及传统节日。一般随着温度及日照小时数等的季节变化，负荷模式逐

46、渐发生变化。季节事件会导致负荷需求模式及结构性的变化。负荷周循环是供电区域人口工作休息模式作用的结果。法定及传统节日的影响，体现在这些日负荷水平较正常值要低，以及假日前后的一些天，由于趋向于一个长周末，电力需求模式也发生明显的变化。c.省电调度 省电调度直接影响着发电机组的负荷。发电机组每天发出的电量除去厂用电量后，其他的电量都将被送上省电网。发电厂送入电网的电量理想情况是等于省调度所要求的电量。电量过多由于电力不便储存的关系，会造成资源的浪费，电量过少则会造成地区用电紧张，也会影响省电网对发电厂的考核。经过分析，本文最终采用BP神经网络预测法提前预测每天的负荷信息，根据机组负荷的影响因素提出的设计框架如下图所示。YiWi2Wi3Wi4Wi5Wi1维修气候时段省电网调度同期历史负荷 i机组负荷图3-1发电机组负荷预测模型设计框架3.1.2 负荷预测的E-R图发电厂的负荷受各方面因素影响，通过去电厂实地调研以及上网查询资料了解到，影响发电负荷主要因素有，设备维修，省电网调度信息，电厂总负荷发电机组负荷厂用电负荷设备检修维修类型维修日期维修费用天气情况气温风力类型省电调度日负荷时间时段是否节假日季度影响图3-1 发电厂负荷预测E-R图天气情况，以及具体时间这