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没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小于，最小绝对百分误差为，最大绝对百分误差为，平均绝对百分误差为，表明预测取得了较满意的结果。表工作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小于，最小绝对百分误差为输入信号。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，最干的质量管理小组，制定落实操作岗位责任制，每个操作者在操作前做到三个知道，即知道质量标准知道操作程序知道检验方法。在操作中做到三定操作工作面实行定人定岗定责由工长确定施工部位和所负责任完成任务后，各劳务队实行人名数据评定结果三上墙制度。通过抓三层次入手，强化质量管理组织保证体系，使每个参建人员有章可循，有责可尽，杜绝了责任不清现象的发生。施工操作措施确定工程的关键工序与质量控制点共项地下工程质量控制主体工程质量外檐石材干挂楼地面镶贴施工装饰细部的特色屋面工程水暖电工程在地下及主体工程施工中主要控制混凝土施工。对定位放线混凝土制备钢筋选购合格分供方钢筋加工焊接④模板选择架子搭设混凝土浇筑和养护，六道工序进行逐个分析，制定措施，分别控制。做到线准两加强。即绝对标高线。结构定位线。模板双道控制线。④混凝土墙柱中心线。楼梯踏步控制线。室内线。垂直度控制线。门窗套口线。准定位准。预埋预留准。钢筋位置准。④混凝土断面尺寸准。层高准。在面砖镶贴施工中首先确立质量目标标准粘接牢固，面砖不出块空，无脱落，无破砖。排列合理美观，协调统。颜色致，确保建筑风格。控制措施是结合建筑物外观造型，用计算机排列布缝。弹出基准线，将底灰全部做完，依布砖方案，弹出各层各部分的区域控制线，依次施工。针对不同形式门窗装饰物等绘制排砖图，用以实施。制定施工工艺，制定作业指导书，确定质量标准。针对作业队伍多，操作手法不，施工部位不同的情况做好培训，统工艺，统标准。规定技术评定规则，现场交底统制作面砖勾缝专用工具，对所有检验工具进行统标定和校准。施工中认真贯彻执行三自三检制，即自检自控自评，自检互检交接检。为保证底灰与墙面基层的粘接强度，采用刷界面剂。从底子灰开始设置变形缝温度缝，即每层楼在竖砖处设断缝，后用防水塑性砂等充填，面砖镶贴在同部位设温度变形缝。表面仍用同勾缝法处理。保证面砖在结构变形温度变化时不起鼓不脱落且保持外檐整体效果。选砖设专人在同条件下，同时间内进行规格颜色的挑选，保证砖的颜色致规格准确。保证建筑物外檐面砖的质量和效果运用我们创造的多种面砖施工方法，即分隔法冲筋填空法对称法等施工。具体是分隔法即对整体墙面进行区域性分割，把独立性的装饰进行分解，单独处理，便于把握区域内的整体效果和质量。对于施工人员也便于管理和控制。冲筋填空法为保证墙面垂直平整，缝隙均匀统，在每层镶贴时，先贴竖向砖和柔性缝两侧的砖使之形成巾。以此，将墙面平整垂直控制在标准内，在镶中间。大面砖时依巾而镶，有效的保证了质量标准。对称法即对于对称形的结构进行双向共同排砖布缝，同时对称施工，解决单向施工易出现的不统问题。楼地面地砖镶贴的控制措施为保证达到创优标准，首先从选材入手，在镶贴前，对地砖进行颜色规格的挑选。第二是预排试拼，绘制排布图，编号分类存放，确定质量标准，均上误差控制。第三是精选施工队伍，挑出技术能手，集中做样板间，找出规律。研究对策，制定操作工艺方法和易发生问题的解决办法。为达到创精品的目标，从底子灰开电负荷的自身特点，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没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小于，最小绝对百分误差为，最大绝对百分误差为，平均绝对百分误差为，表明预测取得了较满意的结果。表工作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小于，最小绝对百分误差为