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，最机，点击文件图标，这样就可以将编写出的程序加载到单片机中，实现总体设计的仿真。以上是利用进行初级汇编的编程者所要注意的问题。陕西理工学院毕业设计第页共页其它器件介绍太阳能电池如下图所示，太阳能电池是利用半导体光伏效应制成的，能够直接将太阳辐射转换成电能的器件。具有很强的光伏效应半导体材料，当吸收定能量的光子后其内部导电的载流子分布和浓度发生变化。光照在半导体结上，就会在其两端产生光生电压，当外部接通电路时，在该电压的作用下，将会有电流流过外部电路产生定的输出功率。在这个过程中，光电池本身不发生任何化学反应，也没有转动磨损，因此使用太阳能电池的过程中没有噪声，没有环境污染，这是其他方式发电所不能比拟的。图太阳能电池产生光伏效应蓄电池蓄电池分类蓄电池有不同类型和大小。通常手电筒用的干电池，称为次电池原电池。还有类可充电电池，称为二次电池，例如汽车起动用的铅酸电池，手电筒收音机使用的镉镍充电电池等。铅酸蓄电池用铅和二氧化铅作为负极和正极的活性物质即参加化学反应的物质，以浓度为的硫酸水溶液作为电解液的电池，称为铅蓄电池俗称铅酸蓄电池。铅蓄电池不仅具有化学能和电能转换效率较高充放电循环次数多端电压高，容量大高达的特点，而且还具备防酸防爆消氢耐腐蚀的性能。同时随着工艺技术的提高，铅蓄电池的使用寿命也在不断提高。近年来还开发出具有免维护特点的密封式铅蓄电池。密封式铅酸电池，维护简便，运输方便，但价格较贵，般是开口铅电池的倍。密封式铅电池在高温的气候条件下，容易因过充而损坏。碱性蓄电池碱性蓄电池按其极板材料，可分为镉镍蓄电池铁镍蓄电池等。碱性蓄电池与铅蓄电池相比具有体积小，可深放电，耐过充，过放电，以及使用寿命长，维护简单等优点。碱性蓄池的缺点是内阻大，电动势较低，造价高。同低成本的铅电池比较，镉镍电池初始成本比铅电池高倍，因此在光伏系统中较少采用。由于铅蓄电池的性能价格比仍优于镉镍电池，目前在伏系统中铅蓄电池仍在大量使用。蓄电池容量蓄电池容量是蓄电池储存电能的能力，通常以蓄电池充满电后放电至规定的终止电压时，电池放出的总电量表示。当蓄电池以恒定电流放电时，它的容量等于放电电流值陕西理工学院毕业设计第页共页和放电时间的乘积，即。如果放电电流不是常量，则蓄电池的容量等于不同放电电流值与相应放电时间的乘积之和。蓄电池容量不是固定不变的常数，它与充电的程度放电电流大小放电时间长短电解液比重环境温度蓄电池效率及新旧程度等有关。通常在使用过程中，蓄电池放电率和电解液温度是影响容量的最主要因素。放电率对蓄电池容量影响。蓄电池容量的大小随放电率不同而不同，般规定小时放电率的容量为固定型蓄电池的额定容量。若使用高于小时的放电率，则可得到高于额定值的电池容量若使用低于小时的放电率，所放出的容量要比蓄电池的额定容量小。图展示出放电率对蓄电池容量的影响，由曲线可以看出，随着到放电率的加大，蓄电池容量在减小。电解液对蓄电池容量影响。电解液温度的影响电解液温度高时在允许的温度范围内，离子运动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