基于组合神经网络在电力系统短期负荷模型研究

米雪松

摘要：电力系统短期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,寻求有效的负荷预测方法以提高预测精度具有重要意义。

关键词:电力系统；BP算法；FNN

中图分类号：TM76文献标识码：A文章编号：1006-4311（2011）09-0032-01

0引言

在智能控制领域中，模糊神经网络是一项重要的研究课题。它是人工神经网络与模糊逻辑系统的有机结合。[1]模糊神经网络是一种能处理抽象信息的网络结构，具有强大的自学习和自整定功能。针对目前模糊逻辑与神经网络技术在融合中存在的问题，根据模糊逻辑与神经网络的本质和内在联系，提出了一种新型的结构优化的灰色神经网络和模糊神经网络在电力系统短期负荷模型方法。

1电力系统短期负荷预测研究方法

1.1灰色系统原理及模型灰色系统理论将一切随机变化量看作是在一定范围内变化的灰色量。常用累加生成和累减生成的方法将杂乱无章的原始数据整理成规律性较强的生成数据列。用灰色模型的微分方程作为电力系统负荷单一指标的预测时，求解微分方程的时间响应函数表达式即为所求的灰色预测模型，对模型的精度和可信度进行校验并修正后即可据此模型预测未来的负荷。①电力灰色理论模型。灰色系统建模使用最多的是GM（1，1）模型，它是对经过一次累加生成的数列建立的优化模型，其灰微分方程为

a，u为待定参数。

②白化GNNM（1，1）电力灰色神经网络模型.设参数已经确定，对式（1）求解可得到其时间响应函数：

[2]白化微分方程（1）的参数的思路是：将方程（1）的时间响应函数（2）映射到一个BP优化网络中，对这个BP优化网络进行训练，当网络收敛时，从训练后的BP优化网络中提取出相应的方程系数，从而得到一个白化的微分方程，进而利用此白化的微分方程，对系统进行深层次的研究。

1.2模糊神经网络原理及预测模型模糊神经网络（FNN）是在神经网络和模糊系统的基础上发展起来的，二者融合弥补了神经网络在电力系统短期负荷预测模糊数据处理方面的不足和模糊逻辑在学习方面的缺陷学科.FNN是通过现场大量的数据样本学习与训练，自动调整各神经元之间的连接权和阀值，使获取的知识隐式分布在整个网络上，并实现FNN的模式记忆和其他信息处理方法相比，FNN具有诸多优点：FNN有极强的非线性拟合能力和自学习能力，且具有联想记忆、鲁棒性强等性能，来完善电力系统短期负荷预测这个存在着大量非线性的复杂大系统来说有很大的应用潜力，应用FNN方法则可迎刃而解。

首先是给出输入模糊控制非线性隐含层逐层处理中心数据采集来的信息并计算每个单元各个节点的实际输出FNN权值;其次是在输出层未能得到中心数据采集期望的输出值，则逐层递归地计算实际输出模糊数据与期望输出模糊系统在电力负荷预测之差值（即误差）[2]，以便根据非线性在电力系统短期负荷预测此差值调结权值和权值计算出接收单元的误差值与发送单元的激活值的积。为了确保电力负荷预测的稳定及应用电力负荷预测建模算法如下：

2结语

随着科学技术发展的重要趋势就是各学科的相互融合，采用FNN和GM模型解决更多复杂的电力系统短期负荷预测非线性、鲁棒性问题。

参考文献：

[1]刘光中，颜科琦.组合神经网络模型对电力需求的预测[Z].

[2]董景荣，杨秀苔.基于T-S模糊模型的非线性组合预测方法研究[Z].