短期电力负荷预测器设计.docx

短期电力负荷预测器设计The Design of Short Term Power Load Prediction毕业设计任务书一、设计内容结合人工神经网络模型的特点和学习方式，根据其学习方法，编写算法进行MATLAB仿真，对仿真预测结果的精度进行分析。二、基本要求1选择适合电力负荷预测的人工神经网络的模型。2利用MATLAB软件用于人工神经网络模型的仿真。3得到仿真结果，对电力负荷预测结果的精度进行分析。三、主要技术指标利用现有的人工神经网络模型，编写MATLAB程序，对人工神经网络进行训练，实现电力负荷预测。四、应收集的资料及参考文献1 韩力群.人工神经网络理论、设计及应用M. 北京:化学工业出版社 2 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计M. 北京: 清华大学出版社 3 朱大奇.人工神经网络原理及应用M. 北京:科学出版社 五、进度计划 第1-2周 开题报告 第3-6周 人工神经网络的研究内容，仿真软件的学习 第7周 中期检查 第8-11周 用于电力负荷预测的MATLAB仿真 第12-13周 撰写毕业设计说明书 第14-15周 答辩 教研室主任签字时 间 年 月 日毕业设计开题报告题目短期电力负荷预测器设计一、 研究背景当前，我国正处在一个严重的电力短缺时期。据有关部门统计，最近五年来，电力短缺己经给国家带来总值约为一万亿人民币的直接和间接损失。全国范围内的大规模拉闸限电，不仅严重影响了工业生产，给人民生活带来极大的不便，还导致了一系列的社会问题。要解决电力短缺的问题，就要继续深化电力市场改革。这就要求电力企业在现有的情况下深入挖掘自身潜力，合理的调度电力资源，尽量降低电力短缺所带来的经济损失。对于电力企业来说，短期负荷预侧是一项十分重要的工作。短斯负荷预测的结果，将对发电机组生产计划的制定、水火发电的合理配置、燃料配置和安全分析设备的短期维修及电网能量的传播等产生很大的影响。传统的负荷预测都是人工完成的。预测人员通过历史负荷数据，采用一定的预测算法加以计算，得到预测结果后，结合自己的经验加以修正，形成最后发布的预测数据。在整个过程中，历史数据的选择，预测算法的选用和预测人员的经验，都会对预测结果产生很大的影响，预测的精度难以保证。因此，电力企业迫切需要建立自己电力负荷预测系统。这种系统必须能够结合企业现有的资源，能够克服人工预测的各种弊端，不仅要有较高的预测精度，还要有自动化和智能化的特性。二、 国内外研究现状1. 国内研究现状当前国内电力短期负荷预测研究也备受瞩目，很多学者提出自己的看法。东南大学的单渊达教授采用径向基函数(RBF)为神经网络预测系统前向网络的学习提供了一种新颖而有效的手段。RBF网络具有良好的推理能力，而且在学习方面比误差反向传播(BP)方法快得多。华北电力大学的牛东晓教授则引入了小波神经元网络电力负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成荃于人工神经网络的电力短期负荷预测系统研究的小波网络，从而到达全局最优的逼近效果。清华大学张伯明教授采用共辘梯度法训练预测系统的神经网络，在学习算法上有所突破。国内著名人工智能学者蔡自兴教授则结合多层感知神经网络和多分辨率遗传算法来进行电力负荷预测。华南理工大学的吴捷教授运用模糊逻辑和时序特性来进行最优模糊逻辑推理汇，该系统的输入量通过对历史数据的自相关分析而建立，再通过最近邻聚类法对历史数据的学习得到若干数据对，进一步由最优模糊逻辑系统建立短期电力负荷的预测模型。国家电力科学研究院的胡兆光老师将AI推理和模糊系统结合起来，建立AI规则库对电力负荷进预测，也取得了较好的效果。2. 国外研究现状西方发达国家如美国、英国随着电力市场的日益成熟，电力供应商为了获取最大利润，十分重视电力负荷预测工作。为此，科研工作者一直在研究电力负荷预测的新方法以提高预测精度。自从美国学者Park.D.C等人提出使用神经网络预测电力负荷以来，人们对此表现出广泛的关注。在此基础上，美国的Khotanzad博士领导的科研小组经过几年的艰苦研究，提出了人工神经网络电力负荷短期预测系统(ANNSTLF)。这个系统己经在实用化方面取得了空前的成功。北美洲有35个大发电系统(公司)，根据天气预报、工业和居民用电统计资料，利用ANNSTLF系统预测发电站必须提供的发电量，大大提高了电站的经济效益和安全运转系数。但该系统有一个弱点，即不能处理不确定性信息，且需要大量的历史数据进行训练和学习。三、主要工作和所采用的方法、手段1. 主要工作在阅读大量相关文献资料的基础上，结合国内电力企业的现状，采用人工神经网络算法进行电力系统短期负荷预测，研究了基于人工神经网络的负荷预测模型，并开发实现了基于该模型的短期负荷预测系统原型。2. 采用的方法、手段(1)选择人工神经网络进行短期电力负荷预测。影响电力负荷的因素有很多，相互之间的关系错综复杂，是一种非线性关系。传统的预测方法难以处理这种非线性关系，因此预测精度都不高。人工神经网络具有很好的非线性一处理能力，非常适合于处理这类预测问题。因此，初步确定采用人工神经网络进行负荷预测。(2)采集国内某电力企业的历史负荷数据，建立基于人工神经网络的负荷预测模型。通过对历史数据的分析，确定神经网络的结构与学习算法。通过Matlab神经网络工具箱进行模型仿真计算，将预测结果与实际数据进行比较，确定神经网算法的可行性。四、预期结果可以进行电力系统的短期负荷预测。相对于传统的人工预测来说，预测结果的精度会有很大程度的提高，完全能够满足企业的生产需要，证明人工神经网络在电力短期负荷预测领域的有效性、可行性。指导教师签字时 间 年 月 日摘要传统的短期电力负荷的预测往往存在几个特点，预测结果不准确，预测条件复杂多变，预测时间缓慢、周期长，需要多种方案作为技术支持。因此在相关预测技术的不断发展下，人工神经网络作为一种优秀的预测和逼近算法被引用到电力负荷预测当中，获得了巨大的成功。在对网络进行训练时，尽可能多的覆盖负荷值的样本，而且把训练得到的网络权值保存起来。这样做使得训练得到的网络通用性会增强，同时可以方便用户在近期进行预测时随时取用。关键词：电力负荷神经网络网络权值AbstractThere are several features in the way of forecasting of traditional short-term power load forecasting, prediction results are not accurate to predict complex and changeable, prediction time is slow, long cycle and need a variety of programs as a technical support. So in the development of correlation forecasting technology, artificial neural network is a kind of excellent forecasting and approaching algorithm, which is cited to power load forecasting, and has got great success.对于BP神经网络来说，首先载入训练数据，接着输入测试数据，将数据归一化后开始训练网络，训练1500次。训练结束后，保存网络。然后调用保存的网络进行预测，绘制神经网络预测图，以及神经网络训练误差曲线。而对于RFB神经网络来说，依旧是载入训练数据，接着输入测试数据，归一化后设置神经网络参数，训练后做一次仿真。训练结束后，保存网络。然后调用保存的网络进行预测，绘制神经网络预测图，以及神经网络训练误差曲线。As the BP neural network, the first, loading data of training, then, inputing the data of test, training network after analysis of data, training 1500 times. After the training, save the network. Then call the saved network to predict, draw the neural network forecast map, and neural network training error curve. For the RBF neural network, it is still loading training data, and then the input of the test data, after the normalized set of neural network parameters, after training to do a simulation. After the training, save the network. Then call the saved network to predict, draw the neural network forecast map, and neural network training error curve.在对网络进行训练时，尽可能多的覆盖负荷值的样本，而且把训练得到的网络权值保存起来。这样做使得训练得到的网络通用性会增强，同时可以方便用户在近期进行预测时随时取用。When the network is trained, the sample of the load value can be as much as possible, and the weights of the network are preserved. This makes the training of the network will be enhanced, while the user can easily predict when the user at any time to use.:Electric loadNeural networkWeight of network目录第1章绪论11.1研究背景11.2国内外研究现状11.3论文研究内容3第2章短期电力负荷预测基本理论52.1电力负荷预测的分类52.1.1依照预测周期来分类52.1.2按行业分类52.1.3依照负荷预测特性分类62.2预测电力系统负荷基本原理62.3预测负荷基本模型7第3章神经网络算法83.1神经网络算法83.2BP神经网络模型93.2.1节点输出模型93.2.2作用函数模型93.2.3误差计算模型93.2.4自学习模型93.2.5BP神经网络的应用优缺点及解决方法103.3RBF神经网络模型123.3.1RBF神经网络预测的原理123.3.2基于RBF神经网络的短期电力负荷预数据归一化133.3.3基于RBF神经网络的短期电力负荷预测流程13第4章软件介绍及仿真分析144.1MATLAB简介144.1.1强大的处理能力154.1.2软件程序接口以及发布154.2MATLAB软件的结构组成154.2.1MATLAB语言154.2.2软件工作环境164.2.3图形的操作模块164.2.4MATLAB数据库的功能特点164.3仿真过程分析164.3.1BP仿真过程及结果164.3.2RBF仿真过程及结果20第5章结论25致谢27附录28附录A外文资料28附录B源程序381.1研究背景电力的短期负荷研究具有重大的意义，这是由于当今市场经济的开放发展模式要求本设计对电力方面的短期负荷做出更高精度的准确预测作为市场的指导方向。在我国开放式经济发展的大形势下，短期负荷的预测结果直接关系到电力市场的相关决策，这是由于预测的结果关系到供需关系的分析结果，其精度的高低则决定着市场走向的优劣，决定了市场消息的指导意义。在由市场进行自由调控的环境下，只有实现对电力负荷的较精确预测才能够有效地保障电力输出系统和电力消费系统等相关实体的经济利益。国家对电力市场的要求是逐渐向透明化、市场化发展，因此更需要一个电力供需关系的有效参考依据，假如在今后的研究应用中能够比较准确地进行电力负荷的评估预测，那么就能够为市场竞争中的发电商提供竞价依据，使得电力生产方和电力消耗方在进行合同签订时对合同内容进行合理评估，使工程量和电力价格更趋于正确的市场走向，负荷市场规律，避免不必要的损失1。另外，在电力输送过程中，对电力负荷进行准确有效的判断能够对市场需求进行正确的分析，在保证用户正常用电和电网安全运行的前提下尽量减小不必要的电力损耗，避免冗余的设备运行，降低生产运行的成本。而在电网之间进行沟通合作时，准确的负荷预测则能够为双方提供比较公平的参照标准。在大的电力市场环境中，电力负荷预测可以为投资者提供较有说服力的决策依据。因此可以说负荷预测的结果在一定程度上影响了市场的走向和电力交易的的市场基础，是一项影响到电力相关行业经济利益的预测工作。1.2国内外研究现状电力负荷的研究方向主要分为三个方面，即电力负荷的预测影响因素、相关数学模型的设计建立、相关算法的研究和应用。这三个研究方向中又以算法的改进和创新为主，因为随着计算机技术的不断发展使得算法的更新和仿真更方便简捷，促使了各种新型预测算法技术的产生，同时也推进了相关数学理论知识的发展2。在自动化、科技化发展的社会经济形势下，要求本设计国家的电力系统改变传统运营模式，不断改革创新，向着自动化的运营和管理模式发展。在这个前提下，人们逐渐开始重视对电力系统的短期负荷进行预测分析。长久以来，短期电力负荷都是电力生产部门中调度运营等相关部门负责的一项非常重要的工作任务。通过对电力负荷的分析预测，能够有针对性地调整生产单位的运行规模、确定电网系统的安全系数、维持系统间资金流向的合理性。与此同时，电力负荷的预测准确性也是考核电厂电网等企事业单位现代化合理化发展的一个重要参照标准。随着国民经济的腾飞，社会各个领域的用电量在不断发生变化，电力市场需要一种更为合理更为科学的管理运营模式，所以对电力负荷预测的研究是本设计电力相关专业的重要研究任务。传统的短期电力负荷的预测往往存在几个特点，预测结果不准确，预测条件复杂多变，预测时间缓慢、周期长，需要多种方案作为技术支持。因此在相关预测技术的不断发展下，研究人员将先进科学的一些算法函数引进到电力系统的预测工作中，比如人工神经网络技术、最小绝对值滤波算法等技术。这些技术的引入使的原本复杂多变的天气、环境等复杂影响因素的检测和排除成为了可能3。电力负荷的预测工作中存在很多复杂多变的影响因素，所以使用常规的定量分析很难对复杂的无规律影响因素进行有效的描述，无法通过常规方式寻找一种通用规律作为预测依据。现有电力体系中的电力负荷预测在很大程度上依赖于相关工作人员的分析经验，根据市场规律和工作经验提出的一种人工预测方法。一些欧美发达国家是最早开始重视电力系统负荷预测分析工作的，这是由于这些发达国家工业化、自动化发展较快，电力市场的成熟也较早，有相关技术作为有利支持，电力工作者为了将电力系统中的效益最大化而将提高电力负荷预测精度作为一个重要研究目标。上世纪90年代，随着计算机算法技术的普遍推广，神经网络技术深入到工业科学的各个领域，1991年最早由美国科学家Park等人提出神经网络在电力系统负荷预测中的应用，由于神经网络技术的引入获得了显著的研究促进效果，越来越多的人开始关注新技术在电力负荷中的应用。在这个基础上，美国的很多科研机构开始研究神经网络的应用，其中Khotanzad博士所提出的人工神经网络电力负荷短期预测系统由于设计较合理，得到了较好的实用效果，已经得到了广泛的应用。该系统已经应用在北美的大部分发电系统中，在系统训练中引入了大量的天气数据，工业和民用电量数据作为学习样本，提高了预测系统的准确性。通过准确的预测，大大地提高了相关企业的经济效益，提高了生产安全系数。但是该系统有一定的局限性，对于庞大的电力系统中随机出现的无序信息不能够有效的处理，而且该系统在设计和应用过程中都需要整理非常庞大的数据库来对系统进行训练，使其具有有效的算法规则4。而我国的电力负荷研究起步较晚，数据库整理方面明显不足，不能形成大型的完整的数据库进行训练，所以该系统虽然在美国获得了很大的成功，但在我国引进使用时在信息方面会有很大的阻力。随着算法函数的不断扩展，Hiroyuki等科学家将自适应模糊算法引入到负荷预测的设计研究中。Srinivasan等人则将模糊神经的不需要庞大数据库支持的算法应用到电力负荷系统中。这些方法的引用使的电力系统预测设计变得更有选择性，而我国人口分布不均匀，各地区间由于经济差距产生了电力供需的不平衡关系，在负荷研究过程中面临更复杂多变的形势，需要根据特殊情况选取有针对性的算法作为系统支持。近年来我国经济呈快速增长的趋势，在金融、经济、工业、电力等方面都取得了长足的进步。这意味着本设计需要对经济社会的各个领域进行科学的管理。所以在这个时期我国的科研机构及相关科研人员在电力负荷预测的研究方面取得了不同程度的成果。例如东南大学的单渊达教授根据自己的研究经验，将RBF 神经网络应用到该类型系统中，这是一种前向网络学习方式，对预测系统的研究提出了有效的预测可能。该算法在推理方面的能力较好，且在学习训练方面具有较好的运算速度。牛东晓教授以及他的科研团队将小波神经元网络算法应用到电力负荷预测的系统设计中。以非线性小波算法作为基础的神经网络是对小波函数中的因子进行伸缩或平移处理从而使的系统具有更好的逼近效果。清华大学的张伯明教授科研团队则采用共辘梯度算法作为预测系统神经网络的训练方式，在算法的学习方面有了新的进展。我国著名的神经网络相关学者蔡自兴在系统设计中采用了多层感知形式的神经网络以及多分辨率的遗传算法5。华南理工吴捷教授科研团队引用了应用效果较好的模糊逻辑进行推理算法，选取时序特性进行最优处理，在其团队研究的预测系统中输入模块是根据历史采集数据库而进行调整，根据其子相关程度而建立。之后通过近邻聚类分析使用历史数据库作为训练依据，根据最优化模糊逼近建立逼近效果较好的电力负荷预测模型。以胡兆光教授为代表的电科院科研团队将较先进的AI算法以及模糊预测相结合，建立了新型的以AI逻辑作为逼近规则的预测系统，该系统在应用也有较好的适用性。1.3论文研究内容首先，介绍国内外预测方法的发展过程及研究现状，对常用的几种短期负荷预测方法进行分析比较，通过对各种方法优缺点的比较，结合某地区的电力负荷变化特性选择BP神经网络以及RBF神经网络预测模型作为短期电力负荷预测的方法。其次，对BP神经网络以及RBF神经网络进行深入的研究，进行针对特定地区的电力负荷建立BP网络以及RBF网络预测模型的研究。并且不断分析和改善在用BP神经网络以及RBF神经网络进行短期负荷预测时存在的问题，为BP神经网以及RBF神经网络络泛化能力和负荷预测精度的提高奠定基础。最后，根据以上的研究编写BP神经网络以及RBF神经网络实现电力系统短期负荷预测的程序，软件通过调试，达到预期的精度要求和使用要求。2.1电力负荷预测的分类 目前我国在电建电力方面采用类型分法千奇百怪，每种类型的方法根据研究目的不同，可用于各行各业。其主要方法有，预测其特殊性，预测其周期、大千世界各行各业等等。2.1.1依照预测周期来分类 电力系统负荷预测目前可以按预测周期能分成几种不同类型的负荷预测，即超短期负荷预测、短期负荷预测、中期负荷预测以及长期负荷预测6。 工作时间长负荷预测是说能预测前十年的负荷，其之间的时间差段为一年，这个工作负荷，纯属电网设计部门依据民生、民态以及生活前景的发展态势和对用电负荷的供需，做出的电网改造和扩建工作的宏伟计划。一方面针对短期负荷的估算，必须做到对电网负荷变化规律的充足的研究，另一方面对负荷的相关因子做出充足的分析和研究。更针对目前大气环境那些变化的气象原因，日照类型以及短期负荷变化的相互依赖的关系。可用依据：德珥菲法、专家系统法， 作为那些超长期负荷预测法7。(1)基于长、短期之间的估算将来1至12月的负荷值负荷预测，估算的时差段为一个月，其作用是大坝水库调度、车间机组检修、大型企业转换计划、燃料计划等。 总之，介于长、短期之间的负荷预测合适的办法为：回归分析法、专家系统法。(2)针对那些超短期负荷估算将来1至60分钟的负荷值，其估算的时差为1至5分钟，其用图是负荷频率操作、安全因素监视、预防系统的控制、出现紧急状况的应急等。针对那些短期负荷估算将来1至7天的负荷，估算的时差段是15分、30分或60分，其作用是统筹部署工作计划，内容囊括：火电发电出力分配、水、火电的之间内部协调、机组效益组合、互换功率计划等8。另外针对那些超短期负荷估算可行的办法是：时间有序分析法、灰色模型法、回归分析法、神经网络法、还有人工智能网络技术等等。2.1.2按行业分类 负荷估算按类，按照居住类别和区域，分成城镇市民民用负荷、商业负荷、乡村负荷、工业负荷以及各行各业负荷的负荷估算。综上所述，城镇市民民用负荷估算，其实说城市居民的家庭使用用电负荷估算；商业负荷估算以及工业负荷估算分为，在商业和工业这两大区域的作业用电的负荷进行估算；以及乡村负荷分配电网策划的回归数据分析，来确定负荷估算办法。探究负荷估算是指那些具有广阔天地的乡村，一切负荷(囊括乡村居民用电、生产作业与排灌用电以及商业用电等)的估算；另外不同类型的估算，分别囊括行政用电(道路照明等)、以及政府部门的办公、铁路系统运行中路段与电车、军事或国防等方面负荷的估算9。 2.1.3依照负荷预测特性分类 如果按照负荷估算体现的不同特征，不同规格。完全能按类分成最高值负荷、最低值负荷、平均值负荷、高峰负荷值平均、负荷峰谷差、低谷负荷平均、平峰负荷平均、全网负荷、母线负荷、负荷率等不同类型的负荷估算，可以用来完成各行各业供电、用电的管理工作的督导和需求。2.2预测电力系统负荷基本原理 负荷估算工作完全是依据电力负荷的各种发展规律，来准确判断其将来前景以及发展态势和活动规律，所以一定要高要求严标准的概括出估算工作的基本要理，用来督导负荷估算工作。但是因为负荷估算具有及其不确定性、条件性、时间性、多方案性等特性，组建负荷估算各种模型和实施估算办法，通常情况下，可按照如下几个基本原理： (1)可知性原理：其一是电力负荷的发展规律，完全能让人类所认可的它的未来规划，发展前景和现状。因为人类不仅可以认知它的过去和现在，同时利用聪明才智，还可以依据它的过去和现在来推算出它的未来。这将是一个伟大的创举，意味这负荷估算活动的基本原理诞生了。(2)可能性原理：本设计的生活是受规律的制约，世界万物的发展变化是受其事物的内因和外因的影响，内因是受外因的变化而变化，内因和外因是相辅相成的10。外因是通过内因而变化的，所以电力系统负荷的估算，也受规律的制约，必须依照其规律的发展变化的而变化，它会随着其变化，灵活机动，进行多方多案来估算的。 (3)全面性原理：估算是从过往的历史的来估算将来，所以一定要做到估算量的历史行为中完全囊括了完全的信息。假使历史的行为，没有预测到全部各种影响原因，让历史行为记载的单单是部分却不是内容的全部，因此而得到的结果自然会出现各种蔽端和问题。序列估算技术完全是根据完全性原理产生的，如果其从单纯的估算量本身的历史行为来考究，那准确地找到其内在的、隐蔽性强的规律，来估算其量的历史行为的规律性就越强，顺其自然地得到的序列预测技术的精确度绝对高。2.3预测负荷基本模型 负荷预测是依据负荷过往的各种历史材料，成立标准的数学模型对将来的负荷进行估算。一般在对电力系统的短期负荷估算时，按照负荷变化的特性和规律，既要做到理性分析、同时还要掌握其发展规律，做到统筹兼顾面面俱到。基于影响电力负荷的因素，电力负荷的预测模型，大体可分成四个分量模型情况如下： H(t)=A(t)+B(t)+C(t)+D(t) H(t)：时刻t的总负荷； A(t)：时刻t的基本正常负荷分量； B(t)：时刻t的天气敏感负荷分量； C(t)：时刻t的特别事件负荷分量； D(t)：时刻t的随机负荷分量；综上所述，各种负荷分量，针对日负荷估算，气象原因影响明显，假设准备预测明天的和今日属于同种类型日量，那次日预测的气象因素和今天会存在特别明显的差别，其结果是，明天的负荷和今天会产生不同程度的数据报告。其次，对于时间负荷分量完全属于非常规性的负荷变动，最好先预测出待预测日特别事件会出现的时刻，还有那些对负荷有影响程度的值，才会改正预测的负荷的准确性，最后一定能获得精准的预测值11。3.1神经网络算法人工神经网络(ANN)算法被认为是短期负荷预测最为理想的方法之一人工神经网络是由处理单元组成的一种并行、分布式信息来处理结构，处理单元之间可以按连接的单向信道相互连接。人工神经是神经网络的基本计算单元，它模拟了人脑中神经元的基本特征，一般是多输入、单输出的非线性单元，可以有一定内部状态和阈值。在短期负荷预测的研究中，应用最多的神经网格模型是BP(反向传播)算法，它是多层感知器的一种有效学习算法，它把一组样本的输入输出问题变成非线性优化问题，使用了最优化问题和其中最普遍的梯度下降算法，用迭代算法求解权值，加入隐节点使优化问题的可调参数增加，从而可得到精确解。BP网络如图3-1所示。输出层隐层输入层人工神经网络方法能够充分逼近任意复杂的非线性关系，而且可以不必预先知道输入量和预测值之间的数学关系模型，因此可以方便地考虑温度、湿度、风力、降雨量、电价等对电力系统负荷起影响的因素。另外神经网络还具有联想记忆的功能，即使输入一个从未训练的输入信息，它也能找到相应的输入。但是神经网络也有自身的缺点，在训练过程中，常用训练算法收敛速度缓慢、容易陷入局部极小的缺点。解决的办法是用不同的初值对权值初始化，对网络多次训练，直到每次训练后的误差基本稳定，此时可认为网络已收敛于全局极小点12。为此，许多研究者利用最优化方法提出了各种不同的改进BP算法，如动量法、共轭梯度法等，但大都基于克服训练错误。从概率统计的角度说，神经网络的学习算法采用经验风险最小化原理(ERM)，仅仅试图使经验风险最小化，并没有使期望风险最小化，与传统的最小二乘法相比，在原理上缺乏实质性的突破，同时也缺乏理论依据。总之，神经网络学习算法缺乏定量的分析与机理完备的理论结果。3.2BP神经网络模型 采用BP神经网络进行短期电力负荷预测，首先需要建立BP神经网络模型，模型包括节点输出模型、作用函数模型、误差计算模型和自学习模型。3.2.1节点输出模型 隐节点输出模型如式(3-1)所示： (3-1)输出节点输出模型如式(3-2)所示： (3-2)f：非线形作用函数；q：神经单元阈值。3.2.2作用函数模型 作用函数，又称为刺激函数，它的作用是反映下层输入对上层节点的刺激脉冲强度，取值一般为0至1之间的连续取值Sigmoid函数，计算公式如式(3-3)所示： (3-3)3.2.3误差计算模型 误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数，计算如式(3-4)所示： (3-4)tpi：i节点的期望输出值；Opi：i节点计算输出值。3.2.4自学习模型 本设计神经网络的学习过程，就是求取下层节点和上层节点之间的权重矩阵，以及不断的误差修正的过程。BP网络的学习方式分为两种，有师学习方式，顾名思义，该种方式需要设定期望值；无师学习方式，该种方式则不需要输入期望值，只要有输入模式的区分就可以。自学习的模型为式(3-5)所示： (3-5)h：学习因子；i：输出节点i的计算误差；Oj：输出节点j的计算输出；：动量因子。3.2.5BP神经网络的应用优缺点及解决方法随着智能化技术的不断发展，人工的技术发展形势正在逐渐被智能化形式所取代，网络及自动化技术正在逐步进驻到企业生产的各个领域。BP神经网络就是一种被广泛应用到相关各个行业的先进的网络技术。BP神经网络的推广应用取得了巨大的成效，在本设计中所重点研究的造价分析就可以利用这种网络技术进行优化设计和智能化改进。由现有的神经网络应用实例可以看出，BP网络设计方式能给为设计者提供便捷的使用特性和非常准确的设计效果。对于造价研究人员来说，造价的预算过程是非常繁复且容易出错的设计过程，如果能够有效地引入BP网络作为技术支持，那么就能够大大减轻相关工作人员的日常工作量，由于网络技术的准确性能够减少预算过程中的人为失误，减少施工方的投资预算错误。那么如何才能使用先进的网络技术准确有效地代替常规的造价估算体系呢？神经网络技术在现有的应用中存在哪些优缺点，本设计应当有针对性的进行校正和改进。由BP神经网络的应用历史来看，该技术具有几个明显的优势：(1)BP神经网络通常是作为一种数学函数功能出现在相关的软件应用中，其实质是由输入模块到输出模块中的一种映射运算过程。经过理论验证和实际应用，该技术能够实现任意形式的复杂形势或者非线性的运算过程。其强大的数学运算能力，造就了该技术能够适应一些复杂地内部机制求解问题，对于本设计所研究的工程造价系统研发也具有比较好的适用性。(2)BP神经网络具有良好的自我训练能力，能够借助于具有正确性的已有样本进行学习和训练，不断校正运算过程，最终提出最符合运算要求的运算规则，求得合适的权值。所以说该神经网络技术在应用中具有很好的可信度。(3)BP神经网络能够进行有效地概括、且有良好的推广性能。其数据运算是根据正确样本进行训练得出的，因而其运算过程是值得信赖的，在推广方面可以有效应用，且能够根据已有条件概括得出新条件下的最优结果。BP神经网络作为一项先进的计算机技术同样具有其需要注意的局限性：(1)神经网络的自我训练学习过程比较缓慢。这是由于以下几个原因造成的。该算法使用的是一种呈梯度下降的模式，当算法所针对的目标函数比较复杂时，其优化过程是一种锯齿形的优化模式，也就是说计算机运算结果出现走形，导致整体算法效果降低；根据目标函数的复杂性，在某些特殊运算过程中，在一些得到0输出的区域内，权值变化会变的非常不明显，对于训练过程不利；为了获得有效的学习训练，需要随时根据需要增加补偿规则，对整个网络进行校正训练，这有别与传统方式的搜索迭代，这样的算法有更强的准确性但是运算效率较低。(2)BP算法具有准确有效的训练过程，但同时也有较高的训练失败概率。失败的原因从数学角度来看是由于该算法的优化模式属于对局部进行搜索的方式，而其针对的问题又往往是较复杂的非线性函数全局机制求解，因此运算进行过程中容易进入局部运算循环，导致最终的训练失败。BP神经网络的训练效果往往取决于其训练所使用的样本的准确度和数据量。而这个学习样本的选取和校正是一个比较重要且困难的过程。(3)神经网络作为一种以计算机为载体的批量数据处理函数相对于常规的算法已经有了长足的进步，但其运算规模依然有着一定的局限性，当实际工程造价体系的规模超过网络所能承受的极限时，算法也会出现一定程度的失效。(4)神经网络的推广和预测能力好坏取决于其训练过程的严密性。当网络进行过较好程度训练的条件下，往往具有较好的预测能力；假如训练过程不够严密准确，则其预测能力也会随之降低。但这个趋势是有一定局限性的，当训练能力超过极限时，其预测的效果会出现反弹，也就是神经网络常见的过拟合现象。这种情况的产生原因是对于样本细节的学习过度，对于样本的总体趋势和含义不能够明显体现。基于以上所提到的几种BP神经网络的优缺点，在进行本设计所设计的基于BP神经网络的工程造价预估系统中需要结合实际情况进行以下几个改进：(1)针对BP神经网络技术进行复杂函数解算时会面临的失效现象，即当数据量过大超过网络承受极限、函数图像在绘制时出现错误特征。造价设计人员在选择该算法进行工程预估时应当将工程细节的复杂程度考虑在内，对于大型的、复杂的工程预算应当使用局部预估方法，以免出现崩溃现象。对于简单的小型工程造价问题，则可以直接使用BP算法进行预估。总而言之，在实际应用中应当注意工程的整体运算规模和网络所能承受的规模大小的关系，保证运算规模在BP算法承受能力内。(2)由于BP网络的预估能力是决定于其训练过程的，所以对于训练样本数据的采集十分重要。在样本选取时首先要对工程模块进行分解，选取具有代表性和决定性的特征模块作为关键要素，这样做出的样本才具有更好的真实趋势。另外，选取已有的工程估价时一定要选取时间相近，特征相似的工程作为样本。这个过程中有必要的话需要做出相似评估，差距较大的工程不能互相作为样本使用。(3)针对之前所介绍的神经网络过拟合现象，在造价预估过程中应当注意训练样本的选择应当具有针对性，避免过大数据量的引入。这就避免了BP网络由于无关细节的影响而偏离了主要的