《某地区购电成本的经济研究.doc》由会员分享，可在线阅读，更多相关《某地区购电成本的经济研究.doc（56页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、【精品文档】如有侵权，请联系网站删除，仅供学习与交流某地区购电成本的经济研究.精品文档.毕 业 论 文 题目 某地区购电成本的经济性研究专 业：电气工程及其自动化学 院： 电气工程学院 年 级：学习形式：学 号：论文作者：指导教师：职 称：完成时间： 郑 重 声 明本人的学位论文是在导师指导下独立撰写并完成的，学位论文没有剽窃、抄袭、造假等违反学术道德、学术规范和侵权行为，否则，本人愿意承担由此而产生的法律责任和法律后果，特此郑重声明。 学位论文作者（签名）：摘 要随着我国的电网改革，原本统一的电力公司被分解成为独立的发电企业和管理输电配电的电网公司两大部分。本文在此背景下进行了针对某地区的中
2、长期负荷预测和电网公司购电的优化策略。首先根据某地区的过去十年的最高负荷数据与经济数据之间的关系，运用多元线性回归和Elman神经网络建立了中长期电力负荷预测的模型，取得了满意的结果。其次分析了某地区的小水火电站的分布和线路约束，建立了功率传输模型，使用线性规划法进行建模，建立该地区的97个小水火电站购电优化策略的数学模型，经济成本较没有优化之前的有了明显的降低。关键词: 电力负荷预测，购电优化，多元线性回归，Elman神经网络，线性规划法AbstractWith the development of electric power reform in China,The unified pow
3、er company has been decomposed into power generation enterprise and the management of transmission and independent distribution Power Grid Corp.In the background,this paper is aimed at the certain area of mild long term load forecasting of power and power purchase optimization strategy of Power Grid
4、 Corp.Firstly,according to the relation between the maximum load data and economic data over the past ten years in certain areas, using multiple linear regression and Elman neural network to establish the long medium term power load forecasting model, and satisfactory results are obtained.Secondly a
5、nalyzes the distribution and line in a certain area of small water power plant constraints, established the power transmission model, using the linear programming method in modeling, the establishment of 97 small hydro power station in the area of power purchase optimization mathematical model of st
6、rategy, the economic cost is not before optimization have been reduced significantly.Key Words power load forecasting，power purchasing optimization，Multiple linear regression，Elman neural network，linear programming method.目 录摘 要IIAbstractIII目 录11 引言11.1 电力市场下的负荷研究及购电优化的购电模式研究的背景11.1.1电力市场下负荷预测的意义21.
7、1.2电力市场下购电优化的意义21.2 负荷预测和购电优化的方案选择31.2.1负荷预测的方案选择31.2.2购电优化的方案选择41.3本文研究的主要任务41.3.1负荷预测模型41.3.2购电模式52 多元线性回归在电力负荷预测中的应用62.1多元线性回归的原理62.2电力负荷预测多元线性回归模型的建立72.2.1 某地区经济发展现状和未来经济发展规划72.2.2 多元线性回归的模型建立102.3多元线性回归建模的结果分析与电力负荷预测112.3.1 多元线性回归建模的结果分析112.3.2 基于多元线性回归模型的电力负荷预测143 人工神经网络在负荷预测中的应用153.1神经网络的发展与特
8、点153.2 Elman神经网络的原理153.2.1 Elman神经网络概述153.2.2 Elman神经网络结构163.2.3 Elman神经网络的学习过程173.3 基于Elman神经网络的电力负荷预测183.3.1 输入数据的归一化处理183.3.2 隐含层数目的选择183.3.3 基于Elman神经网络的电力负荷预测193.4 小结234 基于线性规划法的购电成本优化244.1 线性规划法在购电优化中的应用244.1.1 线性规划法的原理244.1.2 线性规划法在购电优化中的应用264.2 某地区的装机容量简介264.3 某地区电网分布和地理接线情况274.4 某地区购电情况简介31
9、4.5 建立购电优化的数学模型314.5.1 构建购电优化的功率传输模型314.5.2 购电优化的数学模型324.5.3 某地区小水火电站的购电优化数学模型344.6 小结425 总结43参考文献44致 谢461 绪 论1.1 课题研究背景我国电力体制改革从1998年开始，已经经过十多年的改革，基本实现厂网分离，一定程度上实行了竞价上网的机制，基本摆脱计划经济的束缚。原有的电力公司由过去的发电、输电、配电一体的公司，已经基本分解为独立的发电企业和管理输电、配电的电网公司两大部分。随着电力改革的深入，各发电企业的竞争机制已经形成，电力市场已经形成电网公司为买方，发电企业为卖方的买卖关系，为实现资
10、源的优化配置，电能作为商品进入市场竞争成为必然。电能是一种特殊的商品，电能的独特性在于它不能大量存储，电能的生产、传输、使用必须在短时间内进行，其次电网是一个整体，其频率和电压必须维持在一个稳定的值，所以对于供电要求必须要很稳定，不能有剧烈的波动。所以有必要对负荷进行预测，并且建立购电优化的数学模型，才不会造成电量和电价发生巨大的波动。市场的本质是竞争，通过竞争，使得电力资源得到最大程度的使用，这和可持续发展战略一致，而且随着经济的发展，社会对资源的节约更加重视，所以合理的竞争能带来更大的收益；但是此外，市场需要有公平的法则才约束竞争才能使竞争是良性的，竞争的前提是需要保证公平。所以需要有一套
11、对所有参与电力市场竞争的成员的公平的保障规则，以此为前提从而使整个电力市场以经济性效益最高为目标。随着经济的发展，地区之间的经济快速发展，产业结构的变化，用电量在逐年增加，所以有必要对某个地区的电力市场状况进行分析并且预测未来的负荷增长率。而且随着目前我国电力市场改革的进行，已经实现厂网分离，所以作为经济合作的成员，有必要实现购电优化，才能保证系统安全稳定运行，实现电网公司和发电企业双方的经济利益达到最优化。所以针对以上问题，尝试用某个地区的数据来进行研究。通过过去几年的负荷数据预测某地区未来的中长期电力负荷进行预测，建立电力市场下购电优化的数学模型，应用于某地区的97个小型水电站的购入电量。
12、1.1.1 电力市场下负荷预测的意义前面说到，电能是一种非常独特的能源，现有的技术不能使电能大量存储，电能的生产、传输、使用必须在同一时间完成。并且电网是一个整体，现在所有的用电设备都是根据电网的设定而设计的额定电压、额定频率，所以供电要求必须是十分稳定的，不能有剧烈的波动。因此，就需要负荷预测来预测可能需要的电能，来控制电能的生产，从而使电能的利用效率更高。电力市场中决策所参考的数据中，电力负荷预测的结果可以作为最好的参考依据。不同的时间长度的负荷预测，有着不同的意义。负荷预测按预测的周期可以分为超短期负荷预测、短期负荷预测和中长期负荷预测。短期和超短期负荷预测是对电网运行的瞬时变化和短时间
13、内的负荷需求作出判断，保证日常正常的供电需求，保证电网的稳定运行，以及及时采取电网发生波动时候的紧急处理措施；中长期期负荷预测主要用于电网的建设规划，比如电网的改建，新电厂的投建规划，以及预测相关政府政策和经济发展对经济增长对用电需求的影响。准确的负荷预测，既可以保证用户的用电需求，还可以尽可能的节约社会资源，有效地降低发电成本，提高电力系统的用电效率。电力市场下的负荷预测是根据已有的社会发展情况、社会经济条件、人口、负荷的历史数据等，结合未来的政策、指标，从而对未来的负荷进行估计。1.1.2电力市场下购电优化的意义传统的电力市场交换，是统一调度的，电力不属于商品的范畴，电力交换是根据指令和指
14、标统一进行，没有等价交换，不容许商量，由电网的调度部门统一发出指令和执行。电力市场化是我国电力体制改革的成果，电网公司和发电企业作为市场的成员，有明显的买方和卖方的关系，电网作为购电商和电力调度、分配的供应商，有责任对电网的稳定性进行保证，以及用户电力需求的满足，所以电力调度有着至关重要的地位，不仅是电网稳定、安全的中心，而且是电能的交易的中心。而发电企业和电网都希望自身利益能达到最大化，这就需要有购电优化的研究，保证企业的可持续发展。因此，电力企业的商业化运行应运而生，研究电网的购电优化策略也是需要解决的首要问题。根据市场经济的客观要求，电网的上网电价越低越好。合理的购电方案能实现企业利益的
15、最大化，竞价上网能让各发电企业不断降低成本，降低维护和运行，能使技术更优更稳定，调动企业和电力市场各个参与者的积极性，促进企业的发展。供电局在购电时所需要考虑的就是经济安全的购电模型。合理的购电模型可以有效的提高供电企业的购电成本，实现企业利润的最大化可以使用竞价的机制，还可以降低上网电价。同时发电企业为了能竞价上网，会不断改进削减自己的成本，研究更节省能源的运行方式，降低运行与维修费用，从而提高整个社会的经济效益和社会效益。 1.2 负荷预测与购电优化1.2.1负荷预测的方案选择负荷预测的方法有非常多种，每种负荷预测方法都有各自适用的条件，有的通过研究随机序列的统计规律进行分析，例如时间序列
16、分析法；有的可以根据历史数据的变化寻找规律，寻找自变量和因变量的关系，确定构建的数学模型的参数，从而构建一个数学模型进行预测，例如回归预测；有的有庞大的经验方法知识进行指导，例如专家系统法；有的模仿生物的神经元，采用适当的算法，进行构建数学模型，具有非常强的非线性预测能力，例如神经网络负荷预测等；等等非常多可以用于负荷预测的方法，针对不同的适用条件都可以发挥很大的用处。本文选用回归预测法和神经网络法进行预测，负荷预测的各种方法预测可以让负荷预测的结果更加可靠，并且可以检验某一种负荷预测是否出现较大的误差。回归预测法可以构建实现多输入单输出的数学模型，本文所掌握的资料信息较多，用回归预测是一个很
17、好地选择；人工神经网络具有极强的非线性映射能力和完美的逼近历史数据的能力，所以是一种十分理想的负荷预测方法，本文尝试使用人工神经网络进行预测。1.2.2购电优化的方案选择购电优化的主要方法是建立相关的数学模型。模型中包括电价、线损、各电厂分配比例等，构造出购电成本优化的数学模型要综合地考虑电价和这些线损之间的影响，要求电价低的且线损小的多供电，而电价高且线损大的少供电，即获得最好的经济效益。于是，在构造优化购电成本的目标函数时，应把这两部分都综合进行考虑，二者缺一不可。 购电优化的最终目标是购电成本最小，所以需要在现实的条件下考虑约束条件，约束条件比如变压器容量约束、发电站供电约束、线路限流约
18、束和供求平衡约束。这是典型的线性规划问题，所以采用线性规划法能很好的解决这个问题，本文采用线性规划法来进行购电成本的优化。1.3 本文研究的主要任务本文的主要任务是根据某地区的情况建立负荷预测模型及购电模式。 1.3.1负荷预测模型本文主要是针对某地区的负荷预测，由于每个国家地区不同时期的实际经济发展状况、经济发展政策都不同，所以不可能有能针对所有国家地区都适用的负荷预测模型，所以需要针对某地区单独进行负荷数据的分析和进行负荷预测。由于近几年某地区的产业结构不断优化，GDP增长十分迅速，根据历史的数据和对未来的指标，建立起适合某地区的负荷模型，提高预测的精度。本文负荷预测研究的任务是：（1）
19、通过对某地区经济发展情况及负荷变化的情况分析，分析多元线性回归的优势运用多元线性回归的理论，得出多元线性回归模型，进行负荷预测。（2） 由于一种负荷预测有的时候会出现较大的误差，所以需要有第二种负荷预测进行横向的对比，才能保证准确度，所以决定使用神经网络来进行第二种的负荷预测。通过研究神经网络的理论，根据负荷数据选择Elman神经网络，并且进行训练和预测。1.3.2购电模式针对某地区的具体情况，本文拟建立一个适用于某地区的购电模型。由于某地区小水火电资源丰富，这些小水火电不具备有进入省网竞价上网的能力，所以都是被地区的电业局收购，一般地区购电分为两部分：一部分是从省网直接购电，一部分是从地方小
20、水火电购电。前者一般是不可改变的，但是后者可以通过一定的购电策略来进行优化，本文的目的就是以某地区的实际数据和电站地理分布情况造成的损耗进行研究，使这部分的购电成本得到优化。可以实现经济效益的提升。本文购电模式的研究任务是：（1） 分析某地区的地理接线图，得到功率传输模型。（2） 运用线性规划法对某地区已有的小水火电数据和线路约束条件进行建立购电优化的模型。2 多元线性回归在电力负荷预测中的应用2.1多元线性回归的原理在数据分析中，自变量和因变量都是存在一定的关系的，这种关系可以是确定的函数关系或者是不确定的相关关系。当预测对象y受到多个因数a，X2，Xm影响时，如果各个影响因素Xj（j=1,
21、2，m）与y的相关关系近似为线性的关系，就可以采取线性回归的方式进行数据拟合。假定因变量y与自变量Xj（j=1,2，m）之间的关系可以表示为 （2.1）式中b0、bj（j=1,2，m）回归模型系数i除自变量xj（j=1,2，m）以外对结果产生影响的随机误差。该结论基于如下的假设：随机误差i的期望值为零，E(ij）=0（i，j=1,2，n，ij）当满足假设时，就称（2.1）为多元线性回归预测模型，这时可写成：（2.2）多元线性回归主要反映了如何使用输入的数据分析输出的数据，建立输入变量的样本和输出变量的线性函数关系的模型，建立模型后可以进行分析和预测。为了表述和分析简便，对多元线性回归模型需要利
22、用矩阵表示和运算，在实际工作中，使用SAS、SPSS、和EViews等专业软件求解多元线性回归模型十分方便。2.2电力负荷预测多元线性回归模型的建立2.2.1 某地区经济发展现状和未来经济发展规划某地区是一个经济迅猛发展的商业城市,2002年以后，某地区经济继续迅猛发展，2002、2003、2004年GDP每年分别增长10.6%、14.0%、14.2%，2004年达1602.97亿元。该地区产业结构不断优化，第一产业比重不断下降，第二产业比重由快速上升转为逐步趋缓，第三产业逐步成为国民经济的重大产业。进入“十五”后，某地区生产总值中的第一产业比重继续呈逐年下降态势，第二产业比重变化不大，第三产
23、业则呈稳步上升趋势。随着经济的快速增长，某地区的用电量也在大幅度的提高。据统计，某地区全社会用电量由1999年的76.89亿千瓦时增长到2004年的163.92亿千瓦时，年均增长速度为16.35%。年最高负荷由1999年的1118.80MW增长到2004年的2491.50MW，年均增长速度为17.37%。网供售电量由1999年的61.97亿千瓦时增长到2004年的143.19亿千瓦时，年均增长速度达18.23%，高于全社会用电量增速1.88%。网供售电量占全社会用电量的比重由1999年的80.60%增长止升到2004年的87.35%。目前，该地区最高负荷已突破3500MW大关，这一负荷水平已比
24、去年全年最高值3373MW高出167MW ，比去年增长32.9，同日该地区供电量达7457万千瓦时，比去年增长30.04，创下历史新高。 目前，该地区电网安全稳定运行，电力供应尚能保持正常，但该区主要变电站已处于满负荷运行。 以下是某地区的负荷数据和经济数据。表2-1 某地区最高负荷年份实际最高负荷数据（万千瓦）199125.62199229.71199336.84199453.72199565.24199673.61199784.251998100.791999111.882000139.5992001150.9992002177.862003217.4表2-2 某地区1991-2003年社
25、会经济主要指标年份GDP（亿元）第一产业（亿元）第二产业（亿元）第三产业（亿元）年末总人（万人）199179.3222.0635.7921.47591.711992127.1224.6962.9939.44598.681993233.9231.86124.7677.30605.991994384.3045.65201.79136.87612.631995518.9659.72266.44192.80625.921996629.0167.99325.38235.64645.021997746.2874.17385.63286.48650.131998863.8879.04455.84329.00
26、654.191999951.8380.57505.41365.85658.0520001045.0880.69559.62404.77654.6220011125.1081.71594.38449.00657.0820021223.0683.14645.88494.04659.0320031380.1084.04734.83561.24662.62表2-4和表2-5为某地区2004到2008的未来发展规划目标和经济指标：表2-4 2010年某地区国民经济和社会发展规划主要目标主要指标2004年2005年2006年GDP增长速度%14.2139.5-11三次产业结构比重（%）5.8；53.5；4
27、0.75.5；53.5；412.5；52.3；45.2年末总人口（万人）756760804注b：增长率按可比价计算，其它项目均为当年价，总人口为年末全市常住人口表2-5 某地区2004-2008年的主要经济指标年份GDP（亿元）第一产业（亿元）第二产业（亿元）第三产业（亿元）年末总人（万人）20041602.9792.97857.58652.4668.5220051844101.39986.53756.04672.9820062110109.71124.53875.7677.5220072407104.921278.311023.69681.982.2.2 多元线性回归的模型建立上文提到，实际
28、工程应用中使用专业软件求解多元线性回归模型十分方便，本文拟采用SPSS软件进行多元线性回归模型的建模。SPSS是一款专业的统计分析软件，它可以进行多种多样的统计分析，还可以通过自带的功能强大的绘图软件进行数据结果的绘制。本文采用SPSS的多元线性回归分析功能作为负荷预测的函数拟合和分析。在SPSS软件中，菜单中选择分析回归线性可以进行多元线性回归分析，本文即采用SPSS的这个功能进行多元线性回归建模。首先将数据导入SPSS中，因变量选择最高负荷，自变量选择年份、GDP、第一产业、第二产业、第三产业、年末总人口。需要注意的是，做线性回归时中有一个步骤是回归变量的选择，默认为进入法。解释如下：进入
29、法：你输入什么自变量，回归模型中就有什么自变量；其余四种方法：你输入什么自变量，它们只是“候选”性质的，软件在分析过程中会根据这些自变量在回归模型中系数的显著性情况，自动决定到底是保留还是剔除个别变量。结果是，如果你输入的所有变量的系数都显著，则全部都保留，跟进入法得到的自变量数目一致；如果你输入的某些变量系数不显著，最终回归模型可能会不再包括该变量。因为研究的是最高负荷和所有输入的变量的线性关系，所以，所以选择进入模式。在设置多元线性回归时添加共线性诊断一项。选择预测值未标准化，残差未标准化，在此说明一下，标准化的意思是生成的多元线性回归模型中不包含常数项，而我们需要的模型中是包含常数项的，
30、所以选择未标准化。残差的意思就是预测值与实际值的差值占实际值的百分比。所有设置完毕之后，点击确定，SPSS软件会生成统计结果。2.3多元线性回归建模的结果分析与电力负荷预测2.3.1 多元线性回归建模的结果分析使用SPSS线性建模以后，得出报告，现在开始分析这份报告。图2.1 输入/移去的变量图2.2 已排除的变量首先根据图2.1，输入的变量为：年末总人口、第一产业、第二产业、第三产业、年份。方法为之前选定的输入。因变量为最高负荷底下的提示已达到容差=0.000限制，以及图2.2中GDP的共线性统计量，容差为9.061*10-7，已经超过了可以接受的最小容差。表示输入数据中有出现共线性的状态，
31、GDP被排除在输入的变量中，可以知道GDP和其中一个输入变量有多重共线性的问题。这里需要解释一下多重共线性的概:多重共线性是多元线性回归中输入变量的存在高度相关关系，有可能会造成结果严重失真，不符合所要求的建立的模型，从而建模失败。多重共线性的解决方法有：1）排除引起共线性的变量。2）差分法，将原模型变成差分模型。3）减小参数估计的误差：例如岭回归法。由于出现了多重共线性所以分析数据中采用了第一种方法解决，将GDP排除在外。图2.3 模型汇总继续分析报告，模型汇总中，R=0.998，R2=0.997，调整R2=0.995，标准估计的误差=4.347296。根据该表可以进行拟合优度的检验。参考调
32、整R2，其拟合度较高，说明最高负荷的99.5%由年末总人口、年份、第一产业、第二产业、第三产业决定。模型可靠性高。图2.4 方差分析表明最高负荷的总的离差平方和为42699.362，回归平方和以及均方为42699.069和8539.814，残差平方和和均方为132.293和18.899，F检验的统计观测值为451.866。对应大于F的概率为0.000，结果表明最终的回归方程应该包括总年末人口、年份、第一产业、第二产业、第三产业。而且拟合效果非常好。图2.5 多元线性回归各变量的系数图2.5中依次为非标准化的回归系数、回归系数的标准误差、标准化回归系数、回归系数显著性检验t、对应的概率sig、还
33、有共线性统计量。其中第三产业的非标准化回归系数为0.620，对应概率为0.016还有第一产业的非标准化的回归系数为-1.039，对应概率为0.054，说明第一产业和第三产业的存在具有统计学意义。最终得出的方程为：最高负荷=17144.722-8.456*年份-1.039*第一产业+0.069*第二产业+0.620*第三产业+0.461*年末总人口经过测试，第二产业和GDP呈现多重共线性，预测的结果相同，所以表达式中GDP和第二产业只需出现其中一个。表2-3 多元线性回归拟合效果年份最高负荷（万千瓦）拟合数据（万千瓦）残差（%）199125.6229.494-3.874199229.7128.1
34、1436.584199336.8436.5840.2553199453.7253.0020.718199565.2462.9452.2949199673.6167.7235.8867199784.2586.179-1.9291998100.79102.01-1.2231999111.88116.46-4.5842000139.599137.3492.24912001150.599156.526-5.52752002177.860177.1740.685752003217.400213.9483.4522数据拟合的残差表明拟合的结果普遍的残差在5%以下，多元线性回归建模的准确度还是比较高的，可以
35、作为电力负荷预测的模型。2.3.2 基于多元线性回归模型的电力负荷预测根据2.3.1节建立的基于某地区1991至2003年的最高负荷数据和经济数据所建立的多元线性回归的模型，结合2004-2008年某地区的经济数据规划指标，可以进行对2004年至2008年的负荷预测，最终负荷预测结果如表2-6所示：表2-6 2004-2008年负荷预测数据年份20042005200620072008负荷（万千瓦）258.51312.43376.98473.83576.422.4 小结本章主要研究了多元线性回归在电力负荷预测中的应用。研究了多元线性回归的理论，并且针对某地区的过去1991至2003年的各项经济数
36、据、人口和最高电力负荷之间的关系进行了多元线性回归的数学建模。运用SPSS软件进行多元回归模型的构建，并且根据2004-2008年的经济数据指标和人口进行了2004至2008年的电力负荷预测。得到了比较准确的负荷预测的数值。3 人工神经网络在负荷预测中的应用3.1神经网络的发展与特点近年来，人工神经网络发展迅速，是现代人工智能技术发展的一个方向，通过模仿人类神经元的特性进行构建模型，在非线性信息处理方向有一个特殊的地位，通过训练和学习原始数据，可以高精度无限地逼近非线性函数；由于其具有特殊的并行结构，使其有优秀的并行处理能力，对实时控制和动态控制有很大的帮助。人工神经网络克服了传统方法在非结构
37、化信息处理方面所具有的缺陷，是人工智能的一个重要发展方向。人工神经网络具有如下特性：（1） 并行分布处理（2） 非线性映射（3） 通过训练进行学习（4） 适应与集成3.2 Elman神经网络的原理3.2.1 Elman神经网络概述神经网络分为前馈式神经网络和反馈式神经网络，二者最大的不同就是在输出层之前是否有反馈环节，具有反馈环节的神经网络。前馈式网络不具有反馈环节，它通过结构中的隐藏层和非线性转移函数，可以进行复杂的非线性映射，但是它当前输出的结果与之前的结果无关，仅跟当前输入有关；而反馈式神经网络包含有输入延迟和之前状态输出的反馈，反馈的过程类似于自动控制原理中的反馈机制，最终会达到一个动
38、态稳定。Elman神经网络是典型的反馈型神经网络，具有反馈式神经网络的基本特征和优势。3.2.2 Elman神经网络结构Elman神经网络的主要结构是前馈连接，具有输入层、隐含层、输出层、承接层。相对于前馈式神经网络，承接层是其最特殊的一部分。承接层虽然属于隐含层，但是它不同于一般的隐含层，它具有输入延迟和动态反馈的功能，是Elman神经网络能进行反馈最重要的一个结构。图3.1就是Elman神经网络的结构图3.1 Elman网络结构3.2.3 Elman神经网络的学习过程以图3.1为例，Elman神经网络的非线性状态空间表达式为：（3.1）（3.2）（3.3）式中，y为m维输出节点向量；x为n
39、维中间层节点单元向量；u为r维输入向量；xc为n维反馈状态向量。3为中间层到输入层的连接权值；2为出入层到中间层连接权值；1为承接层到中间层的连接权值。g（*）为输出神经元的传递函数，是中间层输出的线性组合。f（*）为中间层神经元的传递函数，常采用S函数。Elman神经网络采用的是优化的梯度下降的学习算法，即自适应学习速率动量梯度下降反向传播算法，这种学习算法最大的优势在于能够提高网络的训练速度，还能有效的防止网络陷入无法收敛的局部最小点，反馈机制通过比较网络实际输出和训练样本之间的差值，来调整参数的权值和阈值。3.3 基于Elman神经网络的电力负荷预测3.3.1 输入数据的归一化处理因为反
40、馈型神经网络大多采用sigmoid函数作为每层神经元节点的激活函数，所以对输入的数据有较大的要求，Sigmoid函数如图3.2所示，太大的或者太小的数值对结果都不会造成太大的影响，大部分数据应该落入中间区域。所以必须进行归一化处理，将数据处理为0，1之间的数值。图3.2 Sigmoid函数图形本文的归一化处理采取3.4的形式，采用数据的最大值为最大值增加1，数据的最小值为最小值减去1，防止最大值和最小值变成1和0。（3.4）3.3.2 隐含层数目的选择隐含层是神经网络一个十分重要的参数，可以说在很大程度上决定了训练结果的好坏。但是隐含层并不是越多越好，在一定程度内，隐含层增加时，训练结果精度提
41、高、训练次数减少，但是超过某个值以后，增加隐含层，反而训练精度降低、训练次数增加。所以有必要寻找最优的隐含层数，提高结果的可靠度。但是Elman神经网络不同于BP神经网络，没有一个现成的公式可以确定隐含层的神经元数，所以本文拟分别采用7、11、14、18个隐含层神经元数进行仿真，尝试比较结果3.3.3 基于Elman神经网络的电力负荷预测首先进行数据的归一化处理。原始数据如表3.1所示。表3.1 某地区1991-2008年的社会经济主要指标和负荷数据年份GDP（亿元）第一产业（亿元）第二产业（亿元）第三产业（亿元）年末总人口（万人）最高负荷（万千瓦）199179.3222.0635.7921.
42、47591.7125.621992127.1224.6962.9939.44598.6829.711993233.9231.86124.7677.30605.9936.841994384.3045.65201.79136.87612.6353.721995518.9659.72266.44192.80625.9265.241996629.0167.99325.38235.64645.0273.611997746.2874.17385.63286.48650.1384.251998863.8879.04455.84329.00654.19100.791999951.8380.57505.4136
43、5.85658.05111.8820001045.0880.69559.62404.77654.62139.59920011125.1081.71594.38449.00657.08150.99920021223.0683.14645.88494.04659.03177.8620031380.1084.04734.83561.24662.62217.4020041602.9792.97857.58652.4668.5220051844101.39986.53756.04672.9820062110109.71124.53875.7677.5220072407104.921278.311023.
44、69681.9820082730103.71441.41184.8685归一化结果如表3.2所示：表3.2 原始数据归一化结果年份GDP第一产业第二产业第三产业年末总人口最高负荷0.727360.039350.001560.015680.007000.213320.003410.727730.078750.004200.038470.020970.216020.006040.728100.134230.009290.066890.042940.218470.01227年份GDP第一产业第二产业第三产业年末总人口最高负荷0.728470.183910.014480.090750.063580.223370.016520.728840.224510.017530.112490.079380.230420.019610.729200.267770.019810.134720.098140.232300.023530.729570.311160.021610.160620.113830.233800.029630.729940.343610.022170.178910.127420.235220.033720.730310.378010.022220.198910.141780.233960.043950.