摘要：神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識、模式識別、智能控制等領(lǐng)域有著廣泛而吸引人的前景，特別在智能控制中，人們對神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能尤其感到興趣，并且把神經(jīng)網(wǎng)絡(luò)這一重要特點看作是解決自動控制中按制器適應(yīng)能力這個難題的關(guān)鍵鑰匙之一。本文旨是就淺析電力電量預(yù)測的神經(jīng)網(wǎng)絡(luò)方法展開探討。

　　關(guān)鍵詞：基本概況;電力電量預(yù)測;神經(jīng)網(wǎng)絡(luò);BP神經(jīng)網(wǎng)絡(luò)模型

　　一.神經(jīng)網(wǎng)絡(luò)和電力電量預(yù)測的基本概況

　　1.神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)在于神經(jīng)元，神經(jīng)元是以生物神經(jīng)系統(tǒng)的神經(jīng)細胞為基礎(chǔ)的生物模型。在人們對生物神經(jīng)系統(tǒng)進行研究，以探討人工智能的機制時，把神經(jīng)元數(shù)學(xué)化，從而產(chǎn)生神經(jīng)元數(shù)學(xué)模型。大量的形式相同的神經(jīng)元連結(jié)在一起就組成了神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)是一個高度非線性動力學(xué)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)主要有以下四個特征：

　　(1)非線性。非線性關(guān)系是自然的普片特性，大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制兩種不同的狀態(tài)，這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性關(guān)系。

　　(2)非局限性。一個神經(jīng)網(wǎng)絡(luò)通常由多個神經(jīng)元廣泛連接而成的，一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定的，通過單元之間的大量連接模擬大腦的非局限性。

　　(3)非常定性。人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。

　　(4)非凸性。一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)。

　　2.電力電量預(yù)測。電力電量預(yù)測是電力系統(tǒng)規(guī)劃的重要組成部分，也是電力系統(tǒng)經(jīng)濟運行的基礎(chǔ)，其對電力系統(tǒng)規(guī)劃和運行都極其重要。電力電量預(yù)測的含義有：(1)指按照在國家機關(guān)、企業(yè)、居民等用戶處的各種用電設(shè)備。(2)指描述上述用電設(shè)備所消耗的數(shù)值。電力電量預(yù)測包括了對未來電力需求量(功率)的預(yù)測和對未來用電量(能量)的預(yù)測以及對負荷曲線的預(yù)測。電力電量預(yù)測的工作主要是為了電力系統(tǒng)規(guī)劃和運行提供可靠的決策依據(jù)。

　　二.神經(jīng)網(wǎng)絡(luò)模型中的BP神經(jīng)網(wǎng)絡(luò)模型

　　BP(Back Propagation)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前，應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入/輸出模式映射關(guān)系，而不需要事情揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過方向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層、隱層、輸出層。

　　BP神經(jīng)網(wǎng)絡(luò)模型的分類：

　　1.節(jié)點輸出模型。節(jié)點輸出模型又可以分為：

　　(1)隱節(jié)點輸出模型：οj=f(∑Wij×Xi-qj) (1)

　　(2)輸出節(jié)點輸出模型：Yk=f(∑Tjk×οj-qk)(2)

　　(3)f-非線形作用函數(shù);q -神經(jīng)單元閾值

　　2.作用函數(shù)模型。作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，一般取為(0,1)內(nèi)連續(xù)取值Sigmoid函數(shù)：f(x)=1/(1+e)(3)

　　3.誤差計算模型。誤差計算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計算輸出之間誤差大小的函數(shù)：Ep=1/2×∑(tpi-○pi) (4)

　　Tpi- i節(jié)點的期望輸出值;○pi- i節(jié)點計算輸出值。

　　4.自學(xué)習(xí)模型。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，即連接下層節(jié)點和上層節(jié)點之間的權(quán)重矩陣Wij的設(shè)定和誤差修正過程。自學(xué)習(xí)模型為：△Wij(n+1)= h×Ф i×○j + a×△Wij(n) (5)

　　在這個式子中H為學(xué)習(xí)因子，Ф i為輸出節(jié)點i的計算誤差，○j為輸出節(jié)點j的計算輸出，a為動力因子。

　　三.電力電量預(yù)測的神經(jīng)網(wǎng)絡(luò)方法

　　1.電力電量預(yù)測的神經(jīng)網(wǎng)絡(luò)方法中數(shù)據(jù)的標準化。上面我們說了下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，一般取為(0,1)，因此，要想把數(shù)據(jù)標準化，就要把相同的因子的取值分為最大值、中間值、最小值，其中因子的最大值要定為1，因子的中間值應(yīng)用公式X標準=X-X min/X max-X min，進行因子中間值的計算，最后因子的最小值要定為為0，當把這些數(shù)據(jù)進行標準化后，要列一表格，在表格中要清楚的寫好需要被電力電量預(yù)測的項目的時間和標準化值，這樣才能保證神經(jīng)網(wǎng)絡(luò)方法在電力電量預(yù)測中得出的結(jié)論是準確的。

　　2.電力電量預(yù)測的神經(jīng)網(wǎng)絡(luò)方法中的網(wǎng)絡(luò)訓(xùn)練。由于電力電量預(yù)測的內(nèi)容不是非簡單的線性關(guān)系，而且關(guān)系非常的復(fù)雜，因此在進行電力電力預(yù)測時，需要對其進行輸入、輸出的分類，例如：在全年的電力電量預(yù)測時，需將前六個月中所用的電量作為六個電力電量預(yù)測的輸入，然后把第七個月所用的電量作為電力電量預(yù)測的輸出，以此類推。

　　3.電力電量預(yù)測的神經(jīng)網(wǎng)絡(luò)方法中的預(yù)測結(jié)果以及結(jié)果的分析。當上面第2點有效的完成后，就可以以網(wǎng)絡(luò)訓(xùn)練的結(jié)果為根據(jù)，對BP神經(jīng)網(wǎng)絡(luò)模型再進行600次的訓(xùn)練，當標準值的誤差達到1e-5的時候，就可以對電力電量預(yù)測出來的結(jié)果進行分析，并將這個分析出來的結(jié)果描述為表格，這個表格的內(nèi)容為時間、實際用電量、神經(jīng)網(wǎng)絡(luò)預(yù)測值，以及相對誤差，有了這個表格就可以很清楚、明了的知道有神經(jīng)網(wǎng)絡(luò)的方法所預(yù)測出來的電力電量，而且還可以清楚的知道由神經(jīng)網(wǎng)絡(luò)方法所預(yù)測出來的電力電量和實際產(chǎn)生的電力電量的之間的相對誤差值是非常的低，由此，可以知道神經(jīng)網(wǎng)絡(luò)方法是非常精準的，它對電力電量的預(yù)測值的精準度已經(jīng)成熟的達到了99%左右。

　　4.電力電量預(yù)測中的神經(jīng)網(wǎng)絡(luò)方法中出現(xiàn)誤差的原因。(1)實際數(shù)據(jù)統(tǒng)計出現(xiàn)誤差。對于實際電力電量數(shù)據(jù)的統(tǒng)計也有可能出現(xiàn)誤差，這也就會導(dǎo)致電力電力預(yù)測中神經(jīng)網(wǎng)絡(luò)方法中出現(xiàn)誤差。(2)神經(jīng)網(wǎng)絡(luò)方法中樣本不斷的增多。隨著我國科學(xué)技術(shù)的不斷進步，我國神經(jīng)網(wǎng)絡(luò)方法中網(wǎng)絡(luò)訓(xùn)練的方法也在不斷的進步，網(wǎng)絡(luò)訓(xùn)練的樣本也就越來越多。然而，隨著這個神經(jīng)網(wǎng)絡(luò)方法中網(wǎng)絡(luò)訓(xùn)練的樣本越來越多，電力電量的預(yù)測也就會存在一些誤差，雖然會存在誤差，但是也導(dǎo)致了神經(jīng)網(wǎng)絡(luò)方法的技術(shù)越來越高，那么，預(yù)測的精準度度也就會越來越高。

　　四.總結(jié)

　　綜上所述，由于，神經(jīng)網(wǎng)絡(luò)方法的技術(shù)越來越高，對電力電量的預(yù)測結(jié)果也越來越精準，因此，有效的將神經(jīng)網(wǎng)絡(luò)的方法應(yīng)用在電力電量的預(yù)測中，可以有效的為電力電量的預(yù)測帶來更精準的電力電量預(yù)測值。

　　參考文獻：

　　[1]張喆，吳知非，禹建麗.電力電量預(yù)測的神經(jīng)網(wǎng)絡(luò)方法[J].統(tǒng)計與決策，2008，(4).

　　[2]萬星，周建中.改進灰色神經(jīng)網(wǎng)絡(luò)模型在電量預(yù)測中的應(yīng)用[J].水力發(fā)電，2007，33，(6).

　　[3]張喆，吳知非.電力電量預(yù)測的神經(jīng)網(wǎng)絡(luò)方法[J].電腦知識與技術(shù)(學(xué)術(shù)交流)，2007,4，(20).

　　[4]俞達，綦方中.基于灰色神經(jīng)網(wǎng)絡(luò)的公路物流需求量預(yù)測模型[J].軟科學(xué)，2009，(11).

　　[5]錢龍霞，劉明國，黃占峰，高雄，王紅瑞.基于自相關(guān)性分析的等維灰數(shù)遞補動態(tài)預(yù)測模型及其應(yīng)用[J].北京師范大學(xué)學(xué)報(自然科學(xué)版)，2008，(6).