摘要：神經網絡在系統辨識、模式識別、智能控制等領域有著廣泛而吸引人的前景，特別在智能控制中，人們對神經網絡的自學習功能尤其感到興趣，并且把神經網絡這一重要特點看作是解決自動控制中按制器適應能力這個難題的關鍵鑰匙之一。本文旨是就淺析電力電量預測的神經網絡方法展開探討。

　　關鍵詞：基本概況;電力電量預測;神經網絡;BP神經網絡模型

　　一.神經網絡和電力電量預測的基本概況

　　1.神經網絡。神經網絡的基礎在于神經元，神經元是以生物神經系統的神經細胞為基礎的生物模型。在人們對生物神經系統進行研究，以探討人工智能的機制時，把神經元數學化，從而產生神經元數學模型。大量的形式相同的神經元連結在一起就組成了神經網絡，神經網絡是一個高度非線性動力學系統。神經網絡主要有以下四個特征：

　　(1)非線性。非線性關系是自然的普片特性，大腦的智慧就是一種非線性現象。人工神經元處于激活或抑制兩種不同的狀態，這種行為在數學上表現為一種非線性關系。

　　(2)非局限性。一個神經網絡通常由多個神經元廣泛連接而成的，一個系統的整體行為不僅取決于單個神經元的特征，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。人工神經網絡具有自適應、自組織、自學習能力。神經網絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統本身也在不斷變化。

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

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

　　二.神經網絡模型中的BP神經網絡模型

　　BP(Back Propagation)網絡是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前，應用最為廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入/輸出模式映射關系，而不需要事情揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過方向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層、隱層、輸出層。

　　BP神經網絡模型的分類：

　　1.節點輸出模型。節點輸出模型又可以分為：

　　(1)隱節點輸出模型：οj=f(∑Wij×Xi-qj) (1)

　　(2)輸出節點輸出模型：Yk=f(∑Tjk×οj-qk)(2)

　　(3)f-非線形作用函數;q -神經單元閾值

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

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

　　Tpi- i節點的期望輸出值;○pi- i節點計算輸出值。

　　4.自學習模型。神經網絡的學習過程，即連接下層節點和上層節點之間的權重矩陣Wij的設定和誤差修正過程。自學習模型為：△Wij(n+1)= h×Ф i×○j + a×△Wij(n) (5)

　　在這個式子中H為學習因子，Ф i為輸出節點i的計算誤差，○j為輸出節點j的計算輸出，a為動力因子。

　　三.電力電量預測的神經網絡方法

　　1.電力電量預測的神經網絡方法中數據的標準化。上面我們說了下層輸入對上層節點刺激脈沖強度的函數又稱刺激函數，一般取為(0,1)，因此，要想把數據標準化，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，當把這些數據進行標準化后，要列一表格，在表格中要清楚的寫好需要被電力電量預測的項目的時間和標準化值，這樣才能保證神經網絡方法在電力電量預測中得出的結論是準確的。

　　2.電力電量預測的神經網絡方法中的網絡訓練。由于電力電量預測的內容不是非簡單的線性關系，而且關系非常的復雜，因此在進行電力電力預測時，需要對其進行輸入、輸出的分類，例如：在全年的電力電量預測時，需將前六個月中所用的電量作為六個電力電量預測的輸入，然后把第七個月所用的電量作為電力電量預測的輸出，以此類推。

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

　　4.電力電量預測中的神經網絡方法中出現誤差的原因。(1)實際數據統計出現誤差。對于實際電力電量數據的統計也有可能出現誤差，這也就會導致電力電力預測中神經網絡方法中出現誤差。(2)神經網絡方法中樣本不斷的增多。隨著我國科學技術的不斷進步，我國神經網絡方法中網絡訓練的方法也在不斷的進步，網絡訓練的樣本也就越來越多。然而，隨著這個神經網絡方法中網絡訓練的樣本越來越多，電力電量的預測也就會存在一些誤差，雖然會存在誤差，但是也導致了神經網絡方法的技術越來越高，那么，預測的精準度度也就會越來越高。

　　四.總結

　　綜上所述，由于，神經網絡方法的技術越來越高，對電力電量的預測結果也越來越精準，因此，有效的將神經網絡的方法應用在電力電量的預測中，可以有效的為電力電量的預測帶來更精準的電力電量預測值。

　　參考文獻：

　　[1]張喆，吳知非，禹建麗.電力電量預測的神經網絡方法[J].統計與決策，2008，(4).

　　[2]萬星，周建中.改進灰色神經網絡模型在電量預測中的應用[J].水力發電，2007，33，(6).

　　[3]張喆，吳知非.電力電量預測的神經網絡方法[J].電腦知識與技術(學術交流)，2007,4，(20).

　　[4]俞達，綦方中.基于灰色神經網絡的公路物流需求量預測模型[J].軟科學，2009，(11).

　　[5]錢龍霞，劉明國，黃占峰，高雄，王紅瑞.基于自相關性分析的等維灰數遞補動態預測模型及其應用[J].北京師范大學學報(自然科學版)，2008，(6).