关于基于bp神经网络的短期电力负荷预测

《关于基于bp神经网络的短期电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、关于基于BP神经网络的短期电力负荷预测导读：基于BP神经X络的短期电力负荷预测是一篇关于负荷和X络的毕业生论文提纲格式，免费分享供广大学者参考，希望对学生们写作论文提供清晰写作思路。（长安大学电子与控制工程学院陕西西安710064）中图分类号：TB文献标识码:A：10070745（2011）07016701摘要：本论文首先对短期电力负荷预测进行了概述，详细分析BP神经X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X络，建立了短期负荷预测模型，应用MATLAB6。5软件进行实际建模仿真.关键词：电力负荷BP神经X络预测建模仿真1。引言负荷和X络毕业生论文提

2、纲格式也能出现信息量过剩使得X络出现过拟合现象.总，样本的选取过程需要注意代表性、均衡性和用电负荷的自身特点，从而选择合理的训练样本.3。隐含层的设计对于BPX络，有一个非常重要的定理.即对于任何闭区间内的一个连续函数都以用单隐层的BPX络逼近，而一个三层BPX络以完成任意的n维到m维的映射.隐层的神经元数目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，而不存一个理想的解析式来表示.隐含层的数目与问题的要求、输入/输出单元的数目都有着直接关系.隐含层数目太多会导致学习时间过长、误差不一定最佳，也会导致容错性差、不能识别以前没有看到的样本，此一定存

3、一个最佳的隐单元数.以下三个公式用于选择最佳隐单元数时的参考公式.3）n1=㏒2n,其中，n为输入单元数.还有一种途径用于确定隐单元数目.首先使隐单元的数目变，或者放入足够多的隐单元，通过学习将那些不起作用的隐单元剔除，直到不进而收缩为止.样，也以开始时放入比较少的神经元，学习到一定次数后，果功则再增加隐单元的数目，直到达到比较合理的隐单元为止.(4)建立X络.短期负荷预测的神经X络结构本篇基于BP神经X络的短期电力负荷预测论文原创lunp;acute;，建立BPX络:=neinmax(p),[12,1],{acute;tansig"purelinacute;}，ac

4、ute;trbpacute;);(5)X络训练.使用历史数据本月129天的每日每时实际负荷数据作为训练样本，使用语句为:。tranParam。epochs=1000;。tranParam。goal=0。01;LP。lr=0。1;。tranParam。mudec=0。05;[,tr]=tr(,p,T);训练步数为1000，误差0。01，学习速率0。1,μ初始值0。05;其余参数为默认值.4。预测结果X络训练结束，超过300步训练步数，X络达到误差要求.用本月知负荷值进行实际负荷预测，输入本月第30日输入矩阵(24点负荷值)，预测第31日负荷值，预测日负荷和实际日负荷对比

5、见图2.从实验预测结果计算出，其相对误差值最大为5。07％，最为4。28％，平均绝对误差百分比为0。45％.5。结论通过实际仿真知，经过训练后的BP神经X络能够建立达到短期电力负荷预测的模型，以看出系统预测精度良，具有很的非线性映射能力，对短期电力负荷预测能有一定的指导和借鉴作用，有进一步开发应用于实际线预测的良前景.