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(huì)員上傳分享，免費(fèi)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(hào)：ＴＭ７１５單位代碼：１０７４９巧級(jí)：公開學(xué)號(hào)：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(yáng)＇■？，．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(dú)創(chuàng)性聲明本人聲明所呈交的論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)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(jī)構(gòu)的學(xué)位或證書而使用過的材料一同工作的同志對(duì)本研巧所做的任何貢獻(xiàn)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(shí)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(jìn)守此協(xié)議）研究生簽名：時(shí)間：年月Ｖ曰／導(dǎo)師簽名：時(shí)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(xiàng)十分重要的內(nèi)容，短期負(fù)荷預(yù)測的準(zhǔn)確度對(duì)電力系統(tǒng)運(yùn)行的安全性，短期負(fù)荷預(yù)測方法的研、可靠性和經(jīng)濟(jì)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(gè)重點(diǎn)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(jìn)行介紹后，。本文對(duì)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(duì)數(shù)據(jù)進(jìn)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?duì)異常數(shù)據(jù)進(jìn)行修正，，化及對(duì)數(shù)據(jù)進(jìn)行歸化處理隨后采用非線性阻尼最小二乘法對(duì)學(xué)習(xí)算法進(jìn)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(gè)承接ｌｍａｎ神經(jīng)網(wǎng)絡(luò)是典型的動(dòng)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(chǔ)巧部狀態(tài)ｌｍａｎ，，從而使系統(tǒng)具有適應(yīng)時(shí)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(lì)函數(shù)及網(wǎng)絡(luò)結(jié)構(gòu)等方面對(duì)模型進(jìn)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(gè)數(shù)學(xué)模型均采用相同的數(shù)據(jù)樣本進(jìn)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(duì)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