（定稿）大功率LED封装及照明应用项目立项申报材料0

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，最掩蔽组和组对应组，对应组。

例如，当组的掩蔽位时，组的显示禁止写入。

因此从写入显示器的数据不会影响的显示。

这种情况通常在采用双四位显示时使用。

因为两个四位显示器是相互独立的，为了给其中毕业论文第页个四位显示器输入数据，而又不影响另个四位显示器，因此必须对另组的输入实行掩蔽。

位是消隐特征，要消隐两组显示输出，必须设置两个位。

若。

则执行此命令后，对应组的显示输出被消隐。

若，则恢复显示。

清除命令命令特征位。

该命令字用来清除和显示。

三位用来设定清除显示的方式。

其意义如下表清除方式将显示全部清将显示置即组组将显示全部置不清除若，则仍有效位用来清空存储器。

时，执行清除命令后，被清空，使中断复位。

同时，传感器的读出地址也被清位是总清的特征位，它兼有和的联合有效。

在时，对显示的清除方式由的编码决定。

清除显示大约需要的时间。

在此期间，状态字的最高位，表示显示无效。

不能向显示写入数据。

结束中断方式设置命令命令特征位。

这个命令有两个不同的应用作为结束中断命令。

在传感器工作方式中，每当传感器状态出现变化时，扫描检测电路接将其状态写入传感器，并启动中断逻辑，使变高，向请求中断。

并且禁止写入传感器。

此时，如传感器读出地址的自动递增特征没有置位，则中断请求在第次从传感器读出数据时就被清除。

若自动递增特征已置位，则对传感器的读出并不能清除，而必须通过给写入结束毕业论文第页中断方式设置命令才能使变低。

因此，在传感器工作方式中，此命令用来结束传感器的中断请求。

作为特定方式的设置命令。

在已被设定为键盘扫描键轮回方式以后，如果给又写入结束中断方式设置命令。

则的消振周期内，如果发现有多个键被同时按下，则状态字中的特征位将置位。

并产生中断请求信号和阻止写入。

特征位在读出状态字时被读出。

而在执行的清除命令时被复位。

的状态字，主要用于键盘和选通工作方式，以指示中的字符数和是否有发生，其字位意义如下显示无效传感器信号结束特征码出现溢出出现不足表示已满为中的字符数对的操作可能出现两种溢出和不足。

当已满时，若其它的键盘数据企图写入，则出现溢出，状态字位被置位。

当已被清空时，若还企图读出，则将会出现不足的，状态字位被置位。

对于状态字的位，当工作在传感器工作方式时，若，表示传感器的最后个传感信号进入传感器。

当工作在特殊方式时，若，表示出现了多键同时下按的。

当显示由于全清命令尚未完成时，状态字的最高位被置位。

毕业论文第页第四章系统使用说明按键说明快进使计量车以快速方式向前进。

慢进使计量车以慢速方式向前进。

快退使计量车以快速方式向后退。

慢退使计量车以慢速方式向后退。

去皮使电脑取得称重零点数据。

料斗秤的校准本称量车上的电子料斗秤设计量程为，考虑到生产的实际要求，同时为使计量精度达到最佳状态，我们把该秤的最大量程调整到。

为了使料斗秤称重所得数值等于物料的实际重量，料斗秤在投入使用前必须先进行校秤，校准过的料斗秤在使用过程中如发现计量不准应及时重新校秤。

配料线全线校秤为了保证称量车在整条配料线的任何位置都有较高的计量精为输入信号。

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