论文部分内容阅读
摘 要:随着校园招生数量和校园建设的不断增多,导致校园的整体用电量也在与日俱增,因此相关用电管理部门应对未来用电量有一个更准确地估计,才能有效管理和控制校园的用电。利用BP神经网络建立一个对校园某个校区用电量的预测模型,通过MATLAB对其模型进行仿真并准确得到预测的数据,对其校园后期用电管理提供更为可靠的理论数据。
关键词:BP神经网络 预测 校园用电量
中图分类号:TM715 文献标识码:A 文章编号:1007-3973(2013)012-052-02
1 引言
现在许多高校开始建立校园监测平台,用以观察高校的能耗特点,实现校园用量达到节能。但随着校园建筑物新建,招生数量的增多,或者用电设备增多,未能真正得到今后一段时间的校园每个月的用电数据,本文就通过预测对最近几年校园某个校区的用电量来。目前对电量预测的方法主要有回归模型预测、灰色预测等传统方法,其具有原理相对简单,理论比较成熟,但它对参数设定问题存在一定的困难而不能得到很好的预测效果。而BP神经网络即误差反向传播网络(Back Propagation Net-work)是目前人工神经中应用最为广泛的一种模型,具有自学习、自组织、自适应 和很强的非线性映射能力,其结构简单,可操作性强,能模拟任意的非线性输入输出关系。利用Matlab仿真相关实验数据能够较好的得到预测的结果。
2 模型建立
2.1 神经网络结构
BP神经网络多个网络层构成,一般BP神经网络模型由一个输入层、多个中间层和一个输出层组成。在神经元中,一层包含多个隐含和一个输出层构成,并且一层含有多个神经元,在每层神经元是由权值和阈值连接的,而同层的神经元没有必然的联系。
2.2 神经网络原理
BP 神经网络的学习过程利用信号的正向和反向传播来实现学习训练。在正向传播学习过程时,输入信息经输入层之后,在隐含层学习训练再传播到输出层。一般情况下,都不能达到预测的结果,所以在输出层通过误差变化值又逆向传播,重新进入隐含层学习,通过正向和反向的反复迭代,当预测结果达到期望值时,将其结果输出,最终完成学习训练。
2.3 BP神经网络输入、输出层神经元数和样本数据归一化
校园用电量影响因素很多,存在温度、节假日、天气等影响。本文主要考虑温度的影响,其输入层的神经元个数为5个,输出层神经元数的确定为1即校园用电量。
神经网络在学习过程中有温度、用电量等量纲的不同,会对神经网络学习效果造成影响,因此在这里考虑对数据统一归一化,再进行学习。
(1)将已知的历史数据利用归一化函数归一到[-1,1]之间,其函数为:
(2)将历史数据归一到[0,1]之间,对应的归一化函数为:
(3)历史数据归一到[0.1,0.9]之间,对应的归一化函数为:
利用网络模型预测后得到的结果,再通过反归一化函数求出预测结果,其函数为:
2.4 BP神经网络隐含层和神经元数的相关数据的确定
隐含层数的层数及其神经元数的确定是整个网络模型建立的关键。理论已经证明:任意一个连续的函数都可以只用一个隐含层的网络以任意精度进行逼近。因此,本文选择根据实际情况考虑采用一个隐含层,而隐含层神经元数选用的个数目前也没有比较成熟的理论,通用的隐含层神经无数的确定经验公式有:i=+a
3 预测实现
BP模型包括三层,分别为:输入层、隐含层能及输出层。输入层为4个神经元,即2010年和2011年每月的用电量和每月平均温度作为训练输入,输出层为1个神经元,即2012年每月的用电量。隐含层1层且神经元数设为12,传递函数为tansig,purelin,训练函数traingdx,学习函数learngdm。学习速度lr=0.05,目标误差goal=0.01,训练步骤设定最大为10000。
4 结论
基于BP神经网络的电量预测得到的结果误差的绝对值最大值为0.05327,最小值为0.005195,平均绝对误差为0.0677。其数据基本满足预测要求。利用BP神经网络实现了对校园用电的预测能够掌握今后学校用电情况,希望通过本文的分析能够满足预测校园电力需求,为校园后勤、电力业局等相关部门提供有效决策依据,为校园节能用电提供更为可靠的数据,降低高校用电开支,在部分设备落后、线路老化而需进行改建的建筑提供参数依据。
参考文献:
[1] 叶世伟.神经网络原理[M].北京:机械工业出版社,2004.
[2] 高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003:1-6,43-62.
[3] 唐巍,高春成.并行自适应混沌优化方法在中长期电量预测中的应用[J].电网技术,2005,29(11):30-31.
[4] 牛东晓,曹树华,赵磊,等.电力系统负荷预测及其应用[M].北京:中国电力出版社,1998.
[5] 毛李帆,姚建刚,金永顺,等.中长期电力组合预测模型的理论研究[J].中国电机工程学报,2010,30(16).
[6] 张保航.高校电能预测算法及系统的研究[D].天津理工大学,2012.
[7] 周开利,康耀红.神经神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005.
关键词:BP神经网络 预测 校园用电量
中图分类号:TM715 文献标识码:A 文章编号:1007-3973(2013)012-052-02
1 引言
现在许多高校开始建立校园监测平台,用以观察高校的能耗特点,实现校园用量达到节能。但随着校园建筑物新建,招生数量的增多,或者用电设备增多,未能真正得到今后一段时间的校园每个月的用电数据,本文就通过预测对最近几年校园某个校区的用电量来。目前对电量预测的方法主要有回归模型预测、灰色预测等传统方法,其具有原理相对简单,理论比较成熟,但它对参数设定问题存在一定的困难而不能得到很好的预测效果。而BP神经网络即误差反向传播网络(Back Propagation Net-work)是目前人工神经中应用最为广泛的一种模型,具有自学习、自组织、自适应 和很强的非线性映射能力,其结构简单,可操作性强,能模拟任意的非线性输入输出关系。利用Matlab仿真相关实验数据能够较好的得到预测的结果。
2 模型建立
2.1 神经网络结构
BP神经网络多个网络层构成,一般BP神经网络模型由一个输入层、多个中间层和一个输出层组成。在神经元中,一层包含多个隐含和一个输出层构成,并且一层含有多个神经元,在每层神经元是由权值和阈值连接的,而同层的神经元没有必然的联系。
2.2 神经网络原理
BP 神经网络的学习过程利用信号的正向和反向传播来实现学习训练。在正向传播学习过程时,输入信息经输入层之后,在隐含层学习训练再传播到输出层。一般情况下,都不能达到预测的结果,所以在输出层通过误差变化值又逆向传播,重新进入隐含层学习,通过正向和反向的反复迭代,当预测结果达到期望值时,将其结果输出,最终完成学习训练。
2.3 BP神经网络输入、输出层神经元数和样本数据归一化
校园用电量影响因素很多,存在温度、节假日、天气等影响。本文主要考虑温度的影响,其输入层的神经元个数为5个,输出层神经元数的确定为1即校园用电量。
神经网络在学习过程中有温度、用电量等量纲的不同,会对神经网络学习效果造成影响,因此在这里考虑对数据统一归一化,再进行学习。
(1)将已知的历史数据利用归一化函数归一到[-1,1]之间,其函数为:
(2)将历史数据归一到[0,1]之间,对应的归一化函数为:
(3)历史数据归一到[0.1,0.9]之间,对应的归一化函数为:
利用网络模型预测后得到的结果,再通过反归一化函数求出预测结果,其函数为:
2.4 BP神经网络隐含层和神经元数的相关数据的确定
隐含层数的层数及其神经元数的确定是整个网络模型建立的关键。理论已经证明:任意一个连续的函数都可以只用一个隐含层的网络以任意精度进行逼近。因此,本文选择根据实际情况考虑采用一个隐含层,而隐含层神经元数选用的个数目前也没有比较成熟的理论,通用的隐含层神经无数的确定经验公式有:i=+a
3 预测实现
BP模型包括三层,分别为:输入层、隐含层能及输出层。输入层为4个神经元,即2010年和2011年每月的用电量和每月平均温度作为训练输入,输出层为1个神经元,即2012年每月的用电量。隐含层1层且神经元数设为12,传递函数为tansig,purelin,训练函数traingdx,学习函数learngdm。学习速度lr=0.05,目标误差goal=0.01,训练步骤设定最大为10000。
4 结论
基于BP神经网络的电量预测得到的结果误差的绝对值最大值为0.05327,最小值为0.005195,平均绝对误差为0.0677。其数据基本满足预测要求。利用BP神经网络实现了对校园用电的预测能够掌握今后学校用电情况,希望通过本文的分析能够满足预测校园电力需求,为校园后勤、电力业局等相关部门提供有效决策依据,为校园节能用电提供更为可靠的数据,降低高校用电开支,在部分设备落后、线路老化而需进行改建的建筑提供参数依据。
参考文献:
[1] 叶世伟.神经网络原理[M].北京:机械工业出版社,2004.
[2] 高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003:1-6,43-62.
[3] 唐巍,高春成.并行自适应混沌优化方法在中长期电量预测中的应用[J].电网技术,2005,29(11):30-31.
[4] 牛东晓,曹树华,赵磊,等.电力系统负荷预测及其应用[M].北京:中国电力出版社,1998.
[5] 毛李帆,姚建刚,金永顺,等.中长期电力组合预测模型的理论研究[J].中国电机工程学报,2010,30(16).
[6] 张保航.高校电能预测算法及系统的研究[D].天津理工大学,2012.
[7] 周开利,康耀红.神经神经网络模型及其MATLAB仿真程序设计[M].北京:清华大学出版社,2005.