都是我最坚定的支持者。

最后还要感谢担任本论文评审和评阅的各位专家教授，谢谢他们对本论文提出的宝贵建议和意见。

郭祝帆年月日于广东工业大学是不同的，因此学习般分为两个层次进行，常用的有以下几种方法随机选取中心直接计算法，这是种最简单的方法。

在此方法中，隐层单元传递函数的中心是随机地在输入样本数据中选取的，且中心固定。

在的中心确定以后，则方差计算公式为其中，中心之间的最大距离，即基函数宽度的最大值隐含层单元中心数。

在中心和方差都确定以后，隐层单元的输出就是已知的，从而网络的连接权值完全可以通过求线性方程组来确定。

对于给定的问题，如果样本数据的分布具有代表性，则此方法是种简单可行的方法。

自组织非监督学习选取中心。

在这种方法中，的中心是可以移动的，并通过自组织学习确定其位置。

而输出层的线性权值则通过有监督学习规则计算。

由此可见，这是种混合的学习方法。

自组织学习过程是在种意义上对网络的资源进行分配，学习目的是使的中心属于输入空间的重要区域。

这种方法由于计算过程简单，速度较快，便于应用，且具有较好的逼近性能。

这种方法由两个阶段构成是自组织学习阶段，即学习隐层基函数的中心与方差的阶段二是有监督学习阶段，即学习输出层权值的阶段。

学习中心。

自组织学习过程要用到聚类算法，常用的聚类算法是均值聚类算法。

假设聚类中心有个，设是第次迭代时基函数的中心。

均值聚类算法具体步骤如下第步初始化聚类中心，通常将设置为最初的个样本，并设迭代步数第二步随机输入训练样本第三步寻找训练样本离哪个中心最近，即找到使其满足下式式中，是第次迭代时基函数的第个中心。

第四步调整中心，用下式调整基函数的中心为第五步判断是否学完所有的训练样本且中心的分布不再变化，是则结束，否则转到第二步。

最后得到的即为网络最终的基函数的中心。

确定方差。

中心旦学完后就固定了，接着要确定基函数的方差。

本文选用的是高斯函数，则方差计算公式为式中，为隐含层的个数，为所取中心之间的最大距离。

学习权值。

权值的学习可以用算法，步骤如下第步设置变量和参量如下为输入向量，或称训练样本。

为权值向量为实际输出为期望输出为学习效率为迭代次数。

第二步初始化，赋给各个较小的随机非零值，。

第三步对于组输入样本和对应的期望输出，计算。

第四步判断是否满足条件，若满足，算法结束若不满足，将值增加，转到第三步重新执行。

注意在以上学习算法的第四步需要判断是否满足条件，这里的条件可以指的是误差小于我们设定的值，即或者是权值的变化已很小，即。

另外，在实现过程中还应设定最大的迭代次数，以防止算法万不收敛时，程序进入死循环。

有监督学习选取中心。

在这种方法中，的中心以及网络的其他自由参数都是通过有监督学习来确定的，这是网络学习的最般化的形式。

对于这种情况，有监督学习可以采用简单有效的梯度下降法。

简单来说，考虑具有般性的单变量输出网络，首先建立如下的误差目标函数为式中，为对应于输入样本的输出样本表示整个网络的传递函数。

对网络的学习要求是，通过优化网络的自由参数使误差目标函数达到最小。

通过对上述优化问题利用梯度下降法进行求解，从而可得到网络参数的优化计算公式。

对于递推算法来说，初始化取值是个极为重要的问题，为了减小学习过程收敛到局部极小的可能，搜索应始于参数空间个有效的区域。

为了达到这目的，可以先用网络实现个标准的高斯分类算法，然后用分类结果作为搜索的起点。

正交最小二乘法选取中心神经网络的另种重要的学习方法是正交最小二乘，法。

方法来源于线性回归模型，其基本思想是将网络的输入输出关系用回归模型来表示，通过正交化回归算子，分析其对降低残差的贡献。

学习选择合适的回归算子向量及其个数，使网络输出满足二次性能要求而回归算子是直接由函数来构成，在确定了回归算子之后，也就确定了函数的参数。

因该方法计算较为复杂，所以不作详细说明。

上述所说的方法是在网络结构尽可能简单即隐含层单元数尽可能小的前提下，通过优化的参数特别是的中心来改善网络的性能，这些方法可以实现无限逼近效果，但计算起来较为复杂繁琐。

还可以采用另外种方法就是用增加网络结构单元来实现，即中心固定增加隐含层的神经元，这时网络就只有输出层权值为个自由参数，它可以用线性优化策略进行调整，而且这种方法可以同时实现网络结构即隐含层单元数和逼近精度的最佳组合，隐含层单元数根据用户的误差精度要求来对应设定，但这种方法的效果与输入的样本数有关，在有限的样本的前提下，增加隐含层单元最多只能是达到样本的数目，再继续增加则不会改善网络的性能。

神经网络与网络的比较网络存在的问题自从提出了有效的训练多层感知器网络的反向传播，算法以来，人们已将网络成功地运用于语音识别图像处理等领域。

但是它使用恒定的训练步长，因此它的收敛过程非常缓慢，而且经常需要附加的优化算法。

在实际应用中网络还存在以下几个问题网络的学习算法的学习步长及动量因子很难事先选定。

过小的会引起收敛速度过慢，过大的会引起收敛振荡过小的起不了平滑作用，过大的会使修正远离梯度最大方向。

算法是算法的推广。

因而存在着算法的局部最小值问题，且易受到输入模式协方差矩阵特征值散布的影响。

算法的初值选择也影响算法的收敛速度，有时甚至会导致算法收敛于局部极小值。

网络与网络之间的差别网络只有三层，网络则可以是两层，三层或者多层。

最重要的是神经元的计算功能不样，神经元是先计算输入与中心之间的距离，然后再对这距离进行种非线性变换，而网络神经元则是先对其输入进行加权求和，然后再对计算结果进行种非线性变换。

神经元通常只对输入刺激起局部反应，即只有当输入落在输入空间的个局部区域时，它们才产生个重要的非零响应。

所以通常对于网络训练时，样本集是必须进行仔细选择的，而且样本的数据个数也要求不多。

网络般都在较大的范围内对输入产生非零响应，对于训练样本集的选择，条件不是很苛刻，因为该网络是容许有定噪声的。

网络输出般都是线性单元，而网络的输出可以是线性单元也可以是非线性单元。

本章小结本章主要介绍了径向基函数神经网络的结构及其学习算法，并将神经网络与网络进行了详细的对比，提出了网络存在的问题，体现了两种网络之间的区别。

由于网络能够逼近任意的非线性函数，可以处理系统内在的难以解析的规律性，并且具有极快的学习收敛速度，因此本文中采用神经网络进行短期负荷预测。

基于神经网络的短期负荷预测实例分析神经网络的建立从分析负荷特性可以知道，负荷同日期类型季节天气等因素密切相关，如雨雪等天气情况会明显改变负荷的大小与形状，同样高温和严寒天气也会改变负荷的峰值和曲线形状，特别是近年来，随着人们生活水平的提高，空调和取暖负荷的比重明显上升，气象因素产生的作用也越来越大了，通常对负荷影响较大的天气因素主要有温度大气状况如阴晴雨雪等些异常因素如寒流大雨大雪等，还有湿度和风力等因素。

经大量数据统计分析表明，温度和天气状况对负荷变化的影响较其他因素的影响要大，本文对气象因素的考虑也主要是这两方面。

另外不同的日期类型其负荷曲线也不尽相同。

除了上述的影响因素外，还有其它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。

然而，对于日负荷曲线而言，社会经济因素是种相对变化缓慢的影响因素。

对较长时期的负荷历史记录分析可以发现，负荷是按照种固定的变化趋势发展的，如逐步增长或逐步减少。

这些因素在中长期的负荷预测中要加以考虑，而对于短期负荷预测，由于是用近期的历史负荷数据训练网络，可以认为负荷受这些发展因素影响而增大的趋势基本为零，可忽略不计。

本文在建立神经网络时，充分考虑了日期类型温度和天气状况等因素，尽可能使输入元素包含更多的影响因素。

在短期负荷预测中，对于日期类型的处理般可以有两种方法是在神经网络模型的输入端增加输入节点，将日类型作为模型的输入变量，综合考虑日类型对负荷曲线形状的影响另类是分别考虑各个日类型，针对各日类型分别建立神经网络模型，以分解日类型对负荷曲线形状的影响。

本文采取的是前种方法，并考虑到休息日与工作日的负荷特性迥然不同，作为过渡的周五的负荷特件和其它工作日又不尽相同，而周六日的负荷特性也不完全相同，因此，把握负荷的规律，针对各个特征日建立不同的预测模型，是必须的。

本文将日期类型分为类周周二到周五周六周日，其对应的映射值为。

另外，为了充分体现温度气候对负荷的影响，我们把预测日前天及预测日的最高温度最低温度当作神经网络的四个输入节点。

由于天气状况是个无法定量分析的模糊因素，考虑到天气预报的实际情况，并按照神经网络归化要求，本文对天气状况进行了分类并赋予了对应的度量值，具体如下晴多云图年月日周负荷预测曲线由表和图可知，利用神经网络方法对天连续点的日负荷预测结果还是令人满意的，其平均预测误差为，最大预测误差为，最小预测误差为。

因此，采用神经网络的短期负荷预测方法确实可以提高预测预测的精度，满足了实际运行的需要。

本章小结本章主要介绍了神经网络的建立和训练过程，最后给出了预测结果和预测曲线，并对其进行分析。

结论电力系统短期负荷预测是电力系统运行调度的基础，关系到整个电力系统的效率效益和安全。

特别是随着电力市场改革的深入，它已经成为电力市场技术支持系统的重要组成部分，是电力交易市场的主要数据来源，其预测精度对电力系统有着非常重要的意义。

因此本论文就是基于对负荷预测精度的重要性运用神经网络对电力系统短期负荷预测进行了研究。

总结全文，可以得出以下几个主要结论通过对河源地区年月日至月日的数据处理，预测了月日的小时点个点负荷，负荷预测误差值在预定的误差范围内，说明本文所建立的神经网络模型是正确的，运用神经网络进行短期负荷预测具有可行性。

本文采用的是基于神经网络的短期负荷预测，它与通常采用的算法相比具有训练速度快推广能力强全局收敛好的优点。

分析和总结了电力系统负荷特征，提出将温度天气状况日期类型等因素作为神经网络的输入变量，有利于提高预测精度。

并对历史负荷数据中的坏数据或不良数据进行了预处理，使得负荷数据不会超过正常的误差范围。

本论文虽然进行了电力系统短期负荷预测的些研究，但是很多方面还是有待完善的。

在以下几个方面可以进行更深入的探讨和研究由于时间有限和计算量大，本文只是针对了河源地区的正常日负荷进行了预测，未能针对节假日的负荷变化规律与正常日负荷变化规律的差异进行预测。

利用神经网络对电力系统短期负荷预测的研究中，网络结构和隐含层节点数各种天气因素的影响隶属函数的科学选取等方面还需要进步的探讨，选取更加相关的输入节点，引入模糊控制，可能使负荷预测更加精确。

收集齐全的连续的历史负荷数据和相应的天气资料。

历史负荷数据应包括尽可能多的节日负荷数据，天气资料应包括地区的最高气温最低气温天气状况降雨量相对湿度风力和风向等因素。

进步研究天气信息和其它