資源描述：
《基于rbf神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測_畢業(yè)論文.doc》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、四川理工學(xué)院本科畢業(yè)論文四川理工學(xué)院畢業(yè)論文基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測研究學(xué)生：周路堯?qū)W號：09021040324專業(yè)：電氣工程及其自動化班級：2009.3指導(dǎo)教師：曾曉輝四川理工學(xué)院自動化與電子信息學(xué)院二〇一三年六月II四川理工學(xué)院本科畢業(yè)論文基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測研究摘要：隨著電力市場的不斷發(fā)展，對電力負(fù)荷科學(xué)管理的迫切要求以及對準(zhǔn)確和適應(yīng)性強的負(fù)荷預(yù)測模型的渴望，使得負(fù)荷預(yù)測的重視程度越來越高。本文采用了基于RBF(RadialBasisFunction)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測方法，簡單討論了影響負(fù)荷的各
2、種因素，并根據(jù)電力負(fù)荷的特點主要針對負(fù)荷值設(shè)定7個輸入節(jié)點，1個輸出節(jié)點以及48點負(fù)荷值，將1999年1月3日至9日負(fù)荷數(shù)據(jù)作歸一處理并作為訓(xùn)練數(shù)據(jù)預(yù)測10日負(fù)荷值。該方法訓(xùn)練速度快，收斂性好，而且可以大大地減少隱含層神經(jīng)元的數(shù)目，有效地提高了預(yù)測精度和預(yù)測速度。最后根據(jù)預(yù)測結(jié)果和實際負(fù)荷進(jìn)行比較，表明其誤差在允許范圍之內(nèi)，預(yù)測精度是符合要求的，從而說明了該方法的正確性和實用性。關(guān)鍵詞：電力系統(tǒng)；負(fù)荷預(yù)測；RBF神經(jīng)網(wǎng)絡(luò)；預(yù)測模型I四川理工學(xué)院本科畢業(yè)論文TheResearchofShort-TermLoadForecastingBa
3、sedonRBFNeuralNetworksZHOULuyao(SichuanUniversityofScienceandEngineering,Zigong,China,643000)Abstract：ThispaperusesabriefdiscussionofthevariousfactorsaffectingtheloadbasedonRBF(RadialBasisFunction)neuralnetworkshort-termloadforecastingmethod，andaccordingtothecharacteris
4、ticsofthemainpowerloadfortheloadsettingseveninputnodes,oneoutputnodes,and48pointloadvalue,theyear1999January3to9forthenormalizedloaddataprocessedandusedastrainingdatatopredictthe10thloadvalue.Thismethodtrainingspeed,goodconvergence,andcangreatlyreducethenumberofhiddenne
5、urons,effectivelyimprovethepredictionprecisionandpredictspeed.Basedontheresultandtheactualload,comparedtheerrorthatthescopeofthepermit,theforecastingaccuracyistosatisfytherequirements,whichshowsthatthemethodiscorrectandpractical.Keywords：Electricpowersystem;Loadforecast
6、ing;RBFneuralnetwork;PredictionmodelIII四川理工學(xué)院本科畢業(yè)論文目錄摘要IAbstractII第1章前言11.1負(fù)荷預(yù)測研究的背景和意義11.2負(fù)荷預(yù)測的研究現(xiàn)狀21.3本論文研究的主要工作51.4本章小結(jié)5第2章電力負(fù)荷預(yù)測概述62.1負(fù)荷預(yù)測的概念和原理62.2負(fù)荷預(yù)測的分類72.3負(fù)荷預(yù)測的基本步驟92.3.1負(fù)荷預(yù)測的基本要求92.3.2負(fù)荷預(yù)測的基本步驟102.4電力負(fù)荷的特性分析122.4.1負(fù)荷的周期性122.4.2負(fù)荷的隨機性132.4.3負(fù)荷的影響因素分析132.5影響負(fù)荷預(yù)測的
7、因素及誤差分析152.5.1影響負(fù)荷預(yù)測的主要因素152.5.2負(fù)荷預(yù)測的誤差分析152.6本章小結(jié)17第3章人工神經(jīng)網(wǎng)絡(luò)183.1人工神經(jīng)網(wǎng)絡(luò)183.1.1人工神經(jīng)網(wǎng)絡(luò)簡介183.1.2人工神經(jīng)網(wǎng)絡(luò)的模型183.2RBF神經(jīng)網(wǎng)絡(luò)203.2.1RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)213.2.2RBF神經(jīng)網(wǎng)絡(luò)的具體實現(xiàn)22四川理工學(xué)院本科畢業(yè)論文3.2.3RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法233.3RBF神經(jīng)網(wǎng)絡(luò)與BP網(wǎng)絡(luò)的比較263.3.1BP網(wǎng)絡(luò)存在的問題263.3.2RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)之間的差別263.4本章小結(jié)27第4章基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測
8、實例分析284.1RBF神經(jīng)網(wǎng)絡(luò)的建立284.2RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練294.2.1樣本的選取294.2.2數(shù)據(jù)預(yù)處理304.2.3神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的歸一化處理314.3短期負(fù)荷預(yù)測結(jié)果與分析324.4本章小結(jié)39第5章結(jié)
