基于神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究

《基于神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究》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、分類號：ＴＭ７１５單位代碼：１０７４９巧級：公開學(xué)號：１２０１４１３０４７０寧夏大舉■４專業(yè)碩±學(xué)位論文’‘－．先基于神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究－ＮｅｕｒａＲｅｓｅａｒｃｈｏｎｏｗｅｒｓｈｏｒｔｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｂａｓｅｄｏｎｌｐｇＮｅｔｗｏｒｋ■．：．、．，乂一’、、＾：學(xué)位申請人：趙銘揚＇■？，．指導(dǎo)教師：率萍教授申請學(xué)位類別：工程碩女專業(yè)領(lǐng)域名稱：由子與通信工稻－、、’

2、一一研巧方向力系統(tǒng)及通信巧術(shù)：電所在學(xué)院：物巧由氣信烏學(xué)院１論文完成日期：２０６年４月獨創(chuàng)性聲明本人聲明所呈交的論文是我個人在導(dǎo)師指導(dǎo)下進行的研巧工作及取得的研巧成果。盡我所知，，除了文中特別加標(biāo)注和致謝的地方外論文中不包含其他人己經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得寧夏大學(xué)或其它教育機構(gòu)的學(xué)位或證書而使用過的材料一同工作的同志對本研巧所做的任何貢獻均已在論文中作了。與我明確的說明并表示了謝意。研巧生簽名：接私挽時間：＞１＾年＾月日關(guān)于論文使用授權(quán)的說明本人完

3、全了解寧夏大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)保留送，交論文的復(fù)印件和磁盤，允許論文被查閱和借閱可采用影印、縮印或掃描等復(fù)制手段保存、匯編學(xué)位論文。同意寧夏大學(xué)可Ｗ用不同方式在不同媒體上發(fā)表、傳播學(xué)位論文的全部或部分內(nèi)容。（保密的學(xué)位論文在解密后應(yīng)進守此協(xié)議）研究生簽名：時間：年月Ｖ曰／導(dǎo)師簽名：時間：年ｙ月日ｙｉ漆摘要一電力系統(tǒng)短期負(fù)荷預(yù)測是電力部ｎ日常調(diào)度工作中項十分重要的內(nèi)容，短期負(fù)荷預(yù)測的準(zhǔn)確度對電力系統(tǒng)運行的安全性，短期負(fù)荷預(yù)測方法的研、可靠性和經(jīng)濟性都有著直

4、接影響。因此一直是國內(nèi)外學(xué)者研究的一個重點方向究。一人工神經(jīng)網(wǎng)絡(luò)作為種智能算法，近年來在短期電力負(fù)荷預(yù)測領(lǐng)域得到了廣泛的研究與應(yīng)用，學(xué)習(xí)規(guī)則等方面進行介紹后，。本文對人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)分別基于ＢＰ神經(jīng)網(wǎng)絡(luò)和Ｅｌｍａｎ神經(jīng)網(wǎng)絡(luò)建立短期負(fù)荷預(yù)測的數(shù)學(xué)模型。在ＢＰ神經(jīng)網(wǎng)絡(luò)的建模過程中，首先對數(shù)據(jù)進行預(yù)處理，包括采用橫向?qū)Ρ确ê涂v向?qū)Ρ确ǎ崳娨粚Ξ惓?shù)據(jù)進行修正，，化及對數(shù)據(jù)進行歸化處理隨后采用非線性阻尼最小二乘法對學(xué)習(xí)算法進行優(yōu)化，。訓(xùn)練過程中，網(wǎng)絡(luò)采用數(shù)據(jù)循環(huán)輸入的方法Ｗ提高樣本的利用率及網(wǎng)絡(luò)訓(xùn)練的效率

5、一組應(yīng)用到模型中去并在合理的取值范圍內(nèi)選取多組網(wǎng)絡(luò)參數(shù)，將訓(xùn)練效果最好的。Ｅ一個承接ｌｍａｎ神經(jīng)網(wǎng)絡(luò)是典型的動態(tài)網(wǎng)絡(luò)，它是在ＢＰ神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)的基礎(chǔ)上，增加層來存儲巧部狀態(tài)ｌｍａｎ，，從而使系統(tǒng)具有適應(yīng)時變特性的能力。本文在Ｅ神經(jīng)網(wǎng)絡(luò)建模過程中分別從網(wǎng)絡(luò)算法、激勵函數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)等方面對模型進行優(yōu)化，Ｗ提離網(wǎng)絡(luò)的收斂速度和預(yù)測精度。，通過仿真過程中，Ｗ上兩個數(shù)學(xué)模型均采用相同的數(shù)據(jù)樣本進行短期電力負(fù)荷預(yù)測預(yù)測誤差及預(yù)測精度間的對比得出結(jié)論，Ｅｌｍａｎ神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果優(yōu)于ＢＰ神經(jīng)網(wǎng)絡(luò)模型。關(guān)鍵詞

6、：短期電力負(fù)荷預(yù)測，神經(jīng)網(wǎng)絡(luò)，數(shù)學(xué)模型，預(yù)測精度ＩＡＢＳＴＲＡＣＴＰｏｗ－ｅｒｍｍｍｅｎｅｒｓｙｓ化ｍｓｈｏｒｔｔｌｏａｄｆｏｒｅｃａｓ巧ｎａｖｅｒｒｔａｎｃｏｎｅｒａｒａＵｇｉｓｙｉｏｔｔｅｎｔｏｆｐｏｗｄｅｔｔｄｙｐｐｗｏ－ｅｒａｄｆｏｒｒｋｓｃｈｅｄ山ｉｎｔｈｓｈｏｒｔｔｍｌｏｒｅｃａｓｔｉｎｈａｄｉｒｅｃｉｎｆｌｕｅｎｃｅｏｎｔｈｅｓｅｃｕｉｔｇ，ｅａｃｃｕｒａｃｙｏｆｇｓａｔｙ，ｒｅｌｉａｂ＂ｉｔｙａｎｄｅｃｏｎｏｍｙｏｆｐｏｗ燈ｓｙ

7、ｓ化ｍ．Ｔｈｅｒｅｆｏ巧，化ｅｓｔｕｄｙｏｆｓｈｏｒｔ－ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｉｓａｎ＇＇ｉｍｏｒｔａｎｔ出［１０戸６３１＜：１１５沈〇１３巧３１１１０１１１６３。（１３１）１０３１．ｐ說村０１巧５（Ａｋｌｌｓａｉｎｄｏｆｉｎｔｅｉｅｎｔａｌｏｒｉ化ｍａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｈａｓｂｅｅｎｗｉｄｅｌｕｄｉｅｄａｎｄａｌｉｅｄｉｎｇｇ，ｙｓｔｐｐｅｒｅｎ－ｗｏｒｋ化ｐｄｉｃｔｉｏｏｆｓｈｏｒｔｔｅｒｍｅｌｅｃｔｒｉｃ

8、ｐｏｗｅｒｌｏａｄｆｏｒｅｃａｓｔｉｎｇｉｎｒｅｃｅｎｔｙｅａｒｓ．Ｉｎｔｈｉｓａｅｒ，ｔｈｅｎｅｔｐｐｓｔｒｕｃｔｕｒｅａｎｄｌｅａｒｎｉｎｇｒｕｋｓｅｔｃ．ｏｆ化ｅａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｒｅｉｎｔｒｏｄｕｃ