4.3 BP网络训练及预测的实现
BP训练及预测界面，用户能够通过导入样本数据，并适当调整参数，可以训练出BP网络结构。在此行程的网络基础上，通过导入前两个小时的负荷数据，来预测下个小时的负荷值。同时还能求出输入层到中间层以及中间层到输出层的各个权值和阈值，最后还可以得出全局误差变化曲线，具体如图4.3所示：
图4.3 BP网络训练及预测界面
（注：上图中的第1层是指输入层到隐含层；第2层是指隐含层到输出层）
图4.4是网络结构参数设置界面，跟图4.3一起构成了可以调整多个参数的BP网络界面组。本程序为了减少繁琐的工作，一般默认为输入层神经元数目为2，输出层神经元数目为1，隐层层数为1，隐含层的神经元数目为3。学习因子、动量矩、系统允许误差以及最大学习次数，都可以根据实际情况手动修动，使得全局误差变化曲线得到最佳收敛效果，并使其尽可能逼近于0，因而最后得到的负荷预测值也越精确，相对误差和绝对误差也越小，详细请参看图4.4。
·28·
图4.4 网络结构参数设置界面
4.4实际预测举例的实现
实例1：应用湖南鑫电公司电力系统监控软件，对绥龙110 kV变电局所采集来的负荷数据，进行于2006年5—8月负荷预测，现仅列出其中一天节点的预测结果和实际值来进行分析。
·29·
表4.1预测值、实际值及误差
小时 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 实际值（A） 28.50 28.50 28.50 28.50 43.50 37.50 42.00 42.00 42.00 39.00 40.50 45.00 54.00 54.00 52.50 91.50 84.00 82.50 78.00 76.50 67.50 61.50 39.00 34.50 预测值（A） 31.75 26.13 26.20 31.63 47.32 41.01 49.50 56.75 48.79 45.13 32.90 59.00 50.25 57.88 64.00 99.13 95.25 89.50 70.38 70.97 62.75 54.25 35.75 30.49 绝对误差 -3.25 2.38 2.30 -3.13 -3.82 -3.51 -7.50 -14.75 -6.79 -6.13 7.60 -14.00 3.75 -3.88 -11.50 -7.63 -11.25 -7.00 7.63 5.53 4.75 7.25 3.25 4.01 相对误差 -0.10 0.09 0.09 -0.10 -0.08 -0.09 -0.15 -0.26 -0.14 -0.14 0.23 -0.24 0.07 -0.07 -0.18 -0.08 -0.12 -0.08 0.11 0.08 0.08 0.13 0.09 0.13 （注：上表中的学习因子为0.6，动量矩为0.8，系统允许误差为0.01，学习次数为1000）
1）实验分析
在构建BP网络的程序运行之前，有个程序会先对学习样本数据进行预处理-即数
·30·
据归一化。本文所用的归一化方法是：程序自动取出学习样本中的最大值，然后把每一个数据都除以最大值，最后得到的学习样本数据都介于[0，1]之间。然后再进行BP网络的训练过程，此过程是通过与目标数据的对比，反复正向、反向来进行计算，使得最终的误差能符合标准为止，并将所求得的权值和阈值在文本框里显示出来。 2）结果分析
训练完成之后，程序在获取了待预测小时之前的两个小时的负荷数据后，首先，这两个数据同样要进行归一化处理。再通过训练所求出的权值和阈值，正向进行计算，得出结果，乘以之前求取的最大值，就是最终的预测结果。用BP神经网络训练结束再进行预测后，从预测结果可以看出：表4.1中，其相对误差最大为13%，最小为1%，数据的误差都达到精度要求，比较精确。
实例2：下面的表4.2以用一组河北省2004年7月24日的负荷值做预测实验，结果如下。
·31·
表4.2预测结果及误差
小时 1：00 2：00 3：00 4：00 5：00 6：00 7：00 8：00 9：00 10：00 11：00 12：00 13：00 14：00 15：00 16：00 17：00 18：00 19：00 20：00 21：00 22：00 23：00 24：00 实际值/MW 316.0 320.5 324.3 322.2 323.9 355.1 360.0 403.1 429.3 402.2 392.1 406.0 382.6 391.7 483.6 417.1 435.5 473.4 483.7 456.2 436.4 408.9 348.4 379.4 预测值/MW 330.7 334.9 322.5 349.3 328.9 337.9 371.0 384.4 390.3 391.1 401.2 396.7 384.8 393.2 392.3 400.4 416.5 494.3 457.7 428.2 407.8 408.6 376.2 378.0 误差 -4.66 -4.99 0.56 -8.41 -1.54 4.84 -3.06 4.64 9.08 2.76 -2.32 2.29 -0.58 -0.38 -2.27 4.00 4.36 -4.41 5.38 6.14 6.55 0.07 -7.98 0.37 （注：上表中的学习因子为0.6，动量矩为0.8，系统允许误差为0.01，学习次数为1000）
1）实验分析
·32·