人工智能课程报告-138071解读

研究生课程考试成绩单院系软件学院专业软件工程学生姓名万玉建学号138071课程名称人工智能授课时间2013年9月至2013年12月周学时4学分3简要评语考核论题浅谈基于人工神经网络的日负荷预测总评成绩（含平时成绩）备注任课教师签名：日期：1浅谈基于人工神经网络的日负荷预测学号：138071姓名：万玉建摘要本文是作者在学习《人工智能》课程以后，结合作者本人工作的需要，根据《人工智能》课程中人工神经网络知识和在网上搜索到的相关资料，提出关于电力系统日负荷预测，运用基于人工神经网络的算法的组网结构和实现步骤的一些简单的构思和设想。1引言本人一直从事电力系统监控软件研发和管理工作，电力系统监控软件监控的对象就是电力负荷情况，而电力负荷预测则是系统的高级应用，它是根据历史的负荷数据，预测未来的负荷情况。由于电力负荷资源不可储存性，即发电机发出多少电，实时就要用多少负荷量，因此，就要求事先需要知道未来的用电负荷。正确地预测电力负荷，既是为了保证人们生活充足的电力的需要，也是电力工业自身健康发展的需要。日负荷预测是指对未来1日的负荷进行预测，一般每15分钟一个负荷点，1日共96个数据。实际工作中，当天上午负荷预测人员根据昨天和更前的历史负荷数据预测明天的负荷数据，然后按一定格式生成文件上传到相关负荷管理部门。之前公司负荷预测软件中提供了线性回归法、曲线拟合法、平均值外推法、最小二乘法等负荷预测算法，但是这些算法都只是根据历史负荷数据进行一些数学的运算，没有考虑天气、节假日等情况，这些因素是负荷变化的重要的因素，而这些算法无法将这些因素量化并参加计算。本学期学习了《人工智能》课程，其中有关于人工神经网络知识，这让本人想起来早在几年前在设计负荷预测软件时，曾经看到有人使用基于人工神经网络，把天气、节假日等因素加进来的进行预测的算法，当时也想增设这样的算法，但因为对算法不是很理解和其他种种原因一直没有实现。而今，恰好在课本学了人工神经网络，就考虑设计一种基于人工神经网络的负荷预测算法。本文描述这种算法的构思和设想。2影响负荷预测因素的分析由于电力系统负荷是一个很复杂的非线性系统，有许多直接或间接的因素都会对电力系统的日负荷产生直接的影响。但是在实际的负荷预测中，又不能考虑太多的影响因素。这一方面是收集这些资料困难，另一方面因素太多会造成建模困难，并且会带来大量的计算。因此，在考虑神经网络输入量的问题上，应抓住其中几个最具特征的影响因素。根据对历史负荷的分析，一般可把负荷分为两类：周期性负荷和变动性负荷。周期性负荷，或者说标准负荷，反映的是负荷自身变化的基本规律，呈较强的周期性，尤其受到时间周期的影响。针对短期负荷，时间周期因素包括：周周期、日周期等。它们对于日负荷的曲线模式有着极为重要的影响。在气象条件中，起主要作用的是温度因素和天气状况。因此为了在负荷预测中考虑这两方面的影响，本文对每天的气温的输入变量可以进行分段处理，将天气状况中最重要的气温因素进行量化处理并作为神经网络的一个输入量。这样就更加能够体现出实际负荷的变化情况。2除了上述的影响因素外，还有其它一些影响因素也会对负荷产生影响，如社会经济发展状况、随机因素等。社会经济因素，包括人口、工业发展水平、农业、人民生活水平和习惯、社会经济格局等，表现为各类用户对电能的需求特征，直接影响了负荷曲线的形状和模式。从众多的资料可以看出,工作日和休息日的负荷量是不同的,一般休息日负荷明显低于工作日,且负荷曲线形状也有明显区别。因此,为了更好的实现负荷的预测,将负荷分为两大类:工作日负荷和休息日负荷。将实际的日期时间对应的输入量作为日期的输入变量。3学习样本的选取神经网络知识的获取只能从学习样本中得到，学习样本的数量和质量是影响神经网络学习效果和学习速度的重要因素，对预测精度的影响极大。在本论文中针对冬季的负荷预测，模型输入已经包含温度这一天气因素，学习样本只根据日期类型来选择即可，对应两种预测模型区分为两个样本集，即工作日样本、双休日样本。3.1输入变量的选取根据负荷预测中“近大远小”的原则，在负荷预测中预测日的相邻日既预测日的前一天和一周前的同一天相关性比较好，因此在负荷数据的选择上才用了才用了提前一天和提前一周的对应小时以及对应小时前后各一小时的复合数据。由于采用的是非线性的模型，为了防止病态样本的出现，易于网络训练学习，将样本中的历史数据进行归一化处理，换算成区间0到1的数。minmaxmin'LLLLL（1）式中，L未处理的历史复合数据，Lmin和Lmax分别是其中的最小、最大复合数据，L'为归一化后的数据。3.2日期变量的确定从众多的资料可以看出，工作日和休息日的负荷量是不同的，一般休息日负荷明显低于工作日，且负荷曲线形状也有明显区别。因此，为了更好的实现负荷的预测，将负荷分为两大类：工作日负荷和休息日负荷。周一至周五输入量为1，周六周日输入量为0。3.3气温的确定由于一年四季的气温不同，我们将一年分为春、夏、秋、冬四个阶段，分别对应四个预测模型。每个季节模型中又分为工作日模型和双休日模型。这样就会有明显的周期变化，使得气温的变化对负荷的影响相似，随后也需要进行归一化处理，换算成区间0到1的数。minmaxmin'TTTTT（2）34基于神经网络下模型的建立4.1网络结构的确定利用人工神经网络对电力系统负荷进行预测，实际上是利用人工神经网络可以任意精度逼近任一非线性函数的特性及通过学习历史数据建模的优点，根据负荷的历史数据，选定前馈神经网络的输入和输出，因此，用人工神经网络进行负荷预测，首要的问题是确定神经网络的输出和输入节点。输出层一般为一层，按神经元个数可以分为单输出和多输出。采用单输出的结构，也就是对预测日的96点负荷需要建立96个神经网络分别预测，这种输出模型的优点在于每个神经网络的规模相对比较小，因此预测速度比较快，而且不容易出现过度训练的现象。多输出模型是指输出层神经元个数等于预测日需要预测的15分钟点数，一般为96。大量文献显示该模型得到比较多的研究应用，其优点在于可以一次性的将预测目的负荷数据得到，预测模型的通用性比较好，但是存在如下缺点：网络规模太大，对应于该模型的网络权值，阈值等参数可能需要上千个，训练时间比较长。因而，选择将对预测日的96点负荷建立96个神经网络分别预测。输入量和输出量选择根据对影响负荷的因素分析，我们知道负荷是按大周期嵌套小周期的规律变化的。因此，可将一年分为春(3月-5月)、夏(6月-8月)、秋(9月-11月)、冬(12月-2月)四个阶段，分别对应四个预测模型。每个季节模型中又分为工作日模型和双休日模型。我们知道负荷以96个15分钟为周期变化，同时又明显的以周为周期变化。为反映这个特性，可以考虑把前一天图1一个负荷点预测的神经网络结构输入层隐含层输出层YX1X2X3X4X5X6X7X8wijwjk4同一时刻的负荷值及前一周同一天同一时刻的负荷值作为样本输入节点。另外，为了体现温度、气候对负荷的影响，我们把预测日的温度当作神经网络的一个输入节点。如上图所示，建立一个负荷预测的神经网络，由三层前馈网组成，网络中间隐含层的神经元传输函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，这是因为函数的输出位于区间[0，1]中，正好满足网络输出的要求。其相应的输入变量为8个，输出变量为1个，中间隐含层节点数为8个,整个人工神经网络共有17个神经元组成。输入变量：1）X1预测日前一星期h-1时刻的实际负荷数据；2）X2预测日前一星期h时刻的实际负荷数据；3）X3预测日前一星期h+1时刻的实际负荷数据；4）X4预测日前一天h-1时刻的实际负荷数据；5）X5预测日前一天h时刻的实际负荷数据；6）X6预测日前一天h+1时刻的实际负荷数据；7）X7预测日的温度；8）X8工作日和双休日；输出变量：1）Y预测日h时刻预测负荷。4.2基本实现步骤1、通过监控系统提供的数据接口，将历史数据读出作为数据的采集样本；2、将负荷数据和气温数据根据最大值和最小值，按照公式（1）和公式（2）进行归一化处理；3、建立神经网络：3层前馈型神经网络，输入层8个节点，中间隐含层8个节点，输出层1个节点，共17个节点。4、指定训练参数进行网络训练（具体算法参照相关书本）；5、完成训练后，调用数据进行测试，并将数据反归一化；6、对预测结果和误差进行分析。5结束语本文介绍一种基于神经网络的日负荷预测简单的设计方案，文中根据对影响未来负荷的因素分析，确定神经网络的输入量，给出了神经网络基本结构和基本实现步骤，为日负荷预测算法提供一个思路。通过实际历史数据样本进行训练计算，结果对预测结果进行误差分析，平均相对误差百分比小于要求值6%，不过还是会有一些点达不到要求，这与具体地区的负荷因素有关。另外，没有足够的样本空间也会影响计算结果。这些问题需要在进一步的调试和完善中解决。通过本方案的设计与实施，加深了对人工神经网络算法的认识，在以后的工作中，如微网运行模式识别等，可能会有进一步的应用。参考资料：[1]：蔡自兴，徐光祐《人工智能及其应用（第4版）》清华大学出版社，2010[2]：阎平凡，张长水《人工神经网络与模拟进化计算（第2版）》清华大学出版社2005读书的好处1、行万里路，读万卷书。2、书山有路勤为径，学海无涯苦作舟。3、读书破万卷，下笔如有神。4、我所学到的任何有价值的知识都是由自学中得来的。——达尔文5、少壮不努力，老大徒悲伤。6、黑发不知勤学早，白首方悔读书迟。——颜真卿7、宝剑锋从磨砺出，梅花香自苦寒来。8、读书要三到：心到、眼到、口到9、玉不琢、不成器，人不学、不知义。10、一日无书，百事荒废。——陈寿11、书是人类进步的阶梯。12、一日不读口生，一日不写手生。13、我扑在书上，就像饥饿的人扑在面包上。——高尔基14、书到用时方恨少、事非经过不知难。——陆游15、读一本好书，就如同和一个高尚的人在交谈——歌德16、读一切好书，就是和许多高尚的人谈话。——笛卡儿17、学习永远不晚。——高尔基18、少而好学，如日出之阳；壮而好学，如日中之光；志而好学，如炳烛之光。——刘向19、学而不思则惘，思而不学则殆。——孔子120、读书给人以快乐、给人以光彩、给人以才干。——培根