小行范围更大。但实际工作时的输入信号很难事先给定，因为控制目标是使系统输出具有期望的运动，对于未知控制系统期望输入不可能给出。另方面，在系统预报中，为保证参数估计算法的致收敛，必须使用定的持续激励的输入信号。对于神经网络，这是个仍有待于进步研究的问题。电力系统短期负荷预测建模及实现负荷预测对电力系统控制运行和计划都有着重要的意义。电力系统负荷变化受多方面的影响，方面，负荷变化存在着由未知不确定的因素引起的随机的波动另方面，又具有周期变化的规律性，这也使得负荷曲线具有相似性。同时，由于受天气节假日等特殊情况的影响，又使负荷变化出现差异。由于神经网络所具有的较强的非线性映射等特性，它常被用于负荷预测。本文采用软件编程仿真，具体过程如下所示问题描述电力系统负荷短期预报问题的解决办法和方式可以分为统计技术专家系统法和神经网络法等。众所周知，负荷曲线是很多因素相关的个非线性函数。对于抽样和逼近这种非线性函数，神经网络是种合适的方法。神经网络的优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假设的能力。它不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽样和逼近隐含的输入输出非线性的关系。近年来的研究表明，相对于前两种方法，利用神经网络技术进行电力系统短期负荷预报可获得更高的精度。在对短期负荷进行预报前，个特别重要的问题是如何划分负荷类型或日期类型。纵观已经发表的文献资料，大体有以下几种划分模式将周的天分为工作日星期到星期五和休息日星期六和星期天等两种类型将周分为星期星期二到星期四星期五星期六星期天等种类型。将周的天每天都看做种类型，共有种类型。本文采用第种负荷划分模式，将周的天分为工作日星期到星期五和休息日星期六和星期天等两种类型。输入输出向量设计在预测日的前天中，每个小时对电力负荷进行次测量，这样来，天共测得组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后时刻的值必然和前时刻的值有关，除非出现重大事故等特殊情况。所以这里将前天的实时负荷数据作为网络的样本数据。此外，由于电力负荷还与环境因素有关，如最高和最低温度等。因此，还需要通过天气预报等手段获得预测日的最高和最低温度。这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。因此，输入变量就是个维的向量。显而易见，目标向量就是预测日当天的个负荷值，即天中每个整点的电力负荷。这样来，输出变量就成为个维的向量。获得输入和输出变量后，要对其进行归化处理，将数据处理为区间，之间的数据。归化方法有许多种形式，这里采用如下公式在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。如果从提高网络精度的角度出发，方面可以增加网络训练样本的数目，另方面还可以增加输入向量的维数。即，或者增加每日的测量点，或者把预测日前几天的负荷数据作为输入向量。目前，训练样本数目的确定没有通用的方法，般认为样本过少可能使得网络的表达不够充分，从而导致网络外推能力不够而样本过多可能会出现样本冗长现象，既增加了网络的训练负担，也可能出现信息量过剩使得网络出现过拟合现象。总之，样本的选取过程需要注意代表性均衡性和用电负荷的自身特点，从而选择合理的训练样本。网络的设计本文依据人工神经网络来建模，根据网络来预测点负荷。如图预测点负荷的网络。图预测点负荷的网络网络是系统预测中应用特别广泛的种网络形式，因此，本文采用网络对负荷值进行预报。根据网络来设计网络，般的预测问题都可以通过单隐层的网络实现。本文由于输入向量有个元素，所以网络输入层的神经元有个，经过多次训练网络中间层的神经元可以取个。而输出向量有个，所以输出层中的神经元应该有个。网络中间层的神经元传输函数采用型正切函数，输出层神经元传递函数采用型对数函数。这是因为函数的输出位于区间，中，正好满足网络输出的要求。利用以下代码创建个满足上述要求的网络其中，变量用于规定输入向量的最大值最小值，规定了网络输入输出层隐层输入层向量的最大值为，最小值为。表示设定网络的训练函数为,它采用算法进行网络学习。网络训练计算出预测日点的归化系数网络经过训练后才可以用于电力负荷预测的实际应用。考虑到网络的结构比较复杂，神经元个数比较多，需要适当增大训练次数和学习速率。训练参数的设定如表所示。表训练参数训练次数训练目标学习速率训练代码如下为输入向量，为目标向量休息日训练结果为,,,工作日训练结果为,,,可见，经过次训练后，网络误差达到要求，结果如图休息日训练结果所示,图工作日训练结果所示。图休息日训练结果图工作日训练结果训练好的网络还需要进行测试才可以判定是否可以投入实际应用。休息日测试代码如下工作日测试代码如下有赵老师的悉心指导，本论文也不可能完成得如此顺利。在为期几个月的设计中，同学们的团结互助，无私帮助让我十分的感动，如果在这几个月中，我单凭己之力要完成本设计是十分困难的，因为本设计的知识和内容大部分是以前未曾接触的，有许多新的东西要求我在短短几个月内消化吸收。但我们小组做为个团队，大家相互帮助，相互鼓励，互相监督，共同讨论和解决问题，使论文能高质高效的完成。此外，我还要感谢我所列参考文献的作者，正是他们的许多研究成果给了我很大的帮助，在此表示诚挚的谢意这里利用仿真函数来计算网络的输出。预报误差曲线如图休息日预报误差曲线所示,图工作日预报误差曲线所示。图休息日预报误差图工作日预报误差结论分析电力负荷预测是电力调度用电计划规划等部门的重要工作，国内外关于短期负荷预测的文献很多，但是由于电力负荷受诸多因素的影响和负荷本身的不确定性，使得迄今还没有种十分满意的方法。本文介绍的基于神经网络的预测方法，在综合考虑天气情况历史负荷和日类型等对未来负荷影响的因素后，使用了神经网络的非线性拟合等功能，取得了较好的负荷预测效果。如表休息日预测结果对照所示，如表工作日预测结果对照所示。表休息日预测结果对照预测时段实际值预测值误差从表可见，个点的误差的绝对百分误差于，的累积权值的累积,输入信号物理电气信息学院本科毕业设计,与的收敛曲线,次平均后与的收敛曲线,误差曲线学习曲线次平均误差曲线学习曲线下面对结果进行分析图为与的收敛曲线，比较平滑的为次平均求得的收敛曲线，而另外种起伏较大的为单次实现的收敛曲线，权初值为。输入信号物理电气信息学院本科毕业设计与的收敛曲线图为初始权值为，时的误差曲线，即所谓的学习曲线，收敛速度较快的为次集平均学习曲线，而起伏较大的为单次实现的学习曲线物理电气信息学院本科毕业设计平方误差曲线学习曲线修改值，则实验结果如下与的收敛曲线物理电气信息学院本科毕业设计平方误差曲线学习曲线由以上分析可知，当收敛步长值变小时，收敛曲线的起伏变小，但收敛速度也减慢,物理电气信息学院本科毕业设计参考文献张思玉自适应均衡算法的研究硕士论文成都电子科技大学，吴碧自适应均衡技术的研究与实现硕士论文北京中国科学院声学研究所，李强，王其申消除噪声的自适应滤波方法研究安庆师范学院学报自然科学版蔡泽鉴，葛建华改进的半盲自适应信道均衡技术数字电视与数字视频夏云非，唐桃波，宋洪运自适应信号处理在通信中的应用仪器仪表学报，无线通信原理与应用蔡涛，李旭，杜振民译第版，北京电子工业出版社，王彬，邱新芸自适应均衡器及其发展趋势仪器仪表学报韩明秋自适应均衡技术的应用研究硕士论文兰州兰州大学，荣雅君,杨秋霞自适应滤波器的设计及其应用河北大学学报自然科学版何振亚自适应信号处理北京科学出版社，孙洪标自适应均衡器的设计硕士论文天津南开大学，董昕通信系统自适应均衡技术研究硕士论文成都电子科技大学，张璞，黄瑞光自适应噪声抵消系统的算法讨论与实现研究电声技术，曹达仲，王尤翠数字移动通信中的自适应均衡技术通信技术李芳，黄志勇，陈红伟种高性能低运算量自适应滤波器算法微电子学与计算机梁廷页，谢胜利短波通信中的自适应信道均衡技术通信技术王庆平无线通信中的自适应均衡理论及应用研究硕士论文昆明昆明理工大学，物理电气信息学院本科毕业设计测器匹配滤波器中频部分射频接收前端发射机，信道和接收机的射频中频部分的合成冲激响应等效噪声重建的信息数据据均衡器判决器使用自适应均衡器的通信系统结构框图ˆ物理电气信息学院本科毕业设计若是原始信息信号，是等效的基带冲激响应，即综合反映了发射机信道和接收机的射频中频部分总的传输特性，则均衡器收到的信号可表示为若均衡器的冲激响应是，在不考虑噪声的情况下，均衡器的输出为ˆ其中，是发射机，信道，接收机和均衡器四者的等效冲激响应。横向滤波均衡器的基带复数冲激响应可以描述如下其中，是横向滤波的系数。均衡器的期望输出值为原始信号。假定，则为了使公式中的ˆ，必须要求均衡的目的就是实现这公式。其频域表达式为上式表明，均衡器实际上就是信道的反向滤波器。若传输信道是频率选择性的，则均衡器将小行范围更大。但实际工作时的输入信号很难事先给定，因为控制目标是使系统输出具有期望的运动，对于未知控制系统期望输入不可能给出。另方面，在系统预报中，为保证参数估计算法的致收敛，必须使用定的持续激励的输入信号。对于神经网络，这是个仍有待于进步研究的问题。电力系统短期负荷预测建模及实现负荷预测对电力系统控制运行和计划都有着重要的意义。电力系统负荷变化受多方面的影响，方面，负荷变化存在着由未知不确定的因素引起的随机的波动另方面，又具有周期变化的规律性，这也使得负荷曲线具有相似性。同时，由于受天气节假日等特殊情况的影响，又使负荷变化出现差异。由于神经网络所具有的较强的非线性映射等特性，它常被用于负荷预测。本文采用软件编程仿真，具体过程如下所示问题描述电力系统负荷短期预报问题的解决办法和方式可以分为统计技术专家系统法和神经网络法等。众所周知，负荷曲线是很多因素相关的个非线性函数。对于抽样和逼近这种非线性函数，神经网络是种合适的方法。神经网络的优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假设的能力。它不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽样和逼近隐含的输入输出非线性的关系。近年来的研究表明，相对于前两种方法，利用神经网络技术进行电力系统短期负荷预报可获得更高的精度。在对短期负荷进行预报前，个特别重要的问题是如何划分负荷类型或日期类型。纵观已经发表的文献资料，大体有以下几种划分模式将周的天分为工作日星期到星期五和休息日星期六和星期天等两种类型将周分为星期星期二到星期四星期五星期六星期天等种类型。将周的天每天都看做种类型，共有种类型。本文采用第种负荷划分模式，将周的天分为工作日星期到星期五和休息日星期六和星期天等两种类型。输入输出向量设计在预测日的前天中，每个小时对电力负荷进行次测量，这样来，天共测得组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后时刻的值必然和前时刻的值有关，除非出现重大事故等特殊情况。所以这里将前天的实时负荷数据作为网络的样本数据。此外，由于电力负荷还与环境因素有关，如最高和最低温度等。因此，还需要通过天气预报等手段获得预测日的最高和最低温度。这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。因此，输入变量就是个维的向量。显而易见，目标向量就是预测日当天的个负荷值，即天中每个整点的电力负荷。这样来，输出变量就成为个维的向量。获得输入和输出变量后，要对其进行归化处理，将数据处理为区间，之间的数据。归化方法有许多种形式，这里采用如下公式在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。如果从提高网络精度的角度出发，方面可以增加网络训练样本的数目，另方面还可以增加输入向量的维数。即，或者增加每日的测量点，或者把预测日前几天的负荷数据作为输入向量。目前，训练样本数目的确定没有通用的方法，般认为样本过少可