BP神经网络：提高气象经济学效果

2023-08-25 理论教育版权反馈

【摘要】：（一）非模糊化过程BP神经网络输出的结果也是位于0～1之间的值，并不是真实的电力负荷值，因此，本步骤就是将模糊值转化为真实值，可以用以下公式来实现式中L'为真实的电力负荷值，l'为神经网络的输出值。

神经网络采用物理上可实现的器件或采用现有计算机来模拟生物神经网络的某些结构和功能。它的自学习能力、大规模并行机制及很强的容错性，使得它非常适于处理实际中由不确定性、不精确性等引起的系统难以控制的问题，映射输入、输出关系。本书设计了一个三层的反向传播网络（BP）神经网络，它大致包括：①输入已知学习样本，从网络的底部向上进行计算，计算每一层的输出；②对权的修正，根据实际输出值和期望输出之间的误差从最高层（输出层）向下进行计算和修正，两个过程反复交替，直到收敛为止。本书分别选择陕西省9个地市的8个气象指标，因此输入层一共有72个节点；输出层有一个节点为日电力负荷总量；隐含层的节点太少，网络不能很好地学习，训练精度较低，而节点太多，增加循环次数，会增加训练时间，本书根据不断地试验确定隐含层为15个节点。虽然BP神经网络得到广泛地应用，但它存在自身的限制与不足，主要表现在：①需要较长的训练时间；②网络可能出现麻痹现象；③可能陷入局部最小值。本书采用附加动量法来修正BP神经网络，在原有网络基础上在每一个权值的变化上加上一项正比于前次权值变换量的值，并根据反向传播法来产生新的权值变化，带有附加动量因子的权值调节公式为

式中wij为权值分量；bi为偏差；η为学习速率；δi为输出节点的误差；pj为输入分量；k为训练次数；mc为动量因子（从爽1998），结合多次训练测试结果，本书选择0.95。

（一）非模糊化过程（defuzzification process）

BP神经网络输出的结果也是位于0～1之间的值，并不是真实的电力负荷值，因此，本步骤就是将模糊值转化为真实值，可以用以下公式来实现

式中L'为真实的电力负荷值，l'为神经网络的输出值。

（二）模糊化过程推理机制（fuzzy inference machine）

经过模糊化处理后，BP神经网络的预测值和真实的符合值之间会存在一定误差，而模糊化过程推理机制（fuzzy inference machine）恰恰可以被用来处理这一问题，本书采用IF-THEN规则更加精确地控制使经过模糊化处理的BP神经网络预测误差的波动（刘秀玉等2001）。预测的准确程度有三个主要的影响因素：Ed-1，ΔT和ΔPave。Ed-1表示上一期电力负荷真实值和预测值之间的预测误差，ΔT表示上一期和预测期的温度等气象数据的变化值，ΔPave表示一周电力负荷变化的平均值。设置了五个模糊变量参考点来描述Ed-1，ΔT和ΔPave，它们分别为：负的大（negative large，NL）、负的小（negative small，NS）、零（zero，ZE）、正的小（positive small，PS）和正的大（positive large，PL），见图4-8。

模糊化过程推理机制中有以下两个判断规则：

规则1：假如ΔT属于NS，并且ΔP ave属于NS，那么Z（电力负荷的纠偏值）属于NS。

规则2：假如Ed-1属于PS，那么Z属于PS。

两个规则的数学表达式为

式中μ为模糊化隶属函数，Λ为模糊化最小化运算符号。

最后，模糊化过程推理机制能对模糊化BP神经网络的预测结果进行修正，可以用公式（4-17），（4-18）表达

式中Ed为模糊化过程控制机制的修正误差，L为最终的预测电力负荷值。

图4-8　E d-1，ΔT和ΔPave模糊隶属函数图

BP神经网络：提高气象经济学效果

相关推荐