資源描述：
《畢業(yè)設(shè)計(jì)（論文）-基于rbf神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)》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(kù)。
1、本科畢業(yè)設(shè)計(jì)（論文）基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)學(xué)院自動(dòng)化學(xué)院專業(yè)電氣工程及其自動(dòng)化___（電力系統(tǒng)自動(dòng)化方向）年級(jí)班別2007級(jí)（3）班學(xué)號(hào)學(xué)生姓名郭祝帆指導(dǎo)教師彭顯剛2011年5月基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)郭祝帆自動(dòng)化學(xué)院摘要電力系統(tǒng)負(fù)荷預(yù)測(cè)的水平已成為衡量電力系統(tǒng)運(yùn)行管理現(xiàn)代化的標(biāo)志之一。精確的短期負(fù)荷預(yù)測(cè)，對(duì)電力系統(tǒng)的生產(chǎn)安排、經(jīng)濟(jì)調(diào)度和安全分析都起著十分重要的作用，也直接影響著電力企業(yè)的經(jīng)濟(jì)效益。因此，短期負(fù)荷預(yù)測(cè)結(jié)果成為制定電力市場(chǎng)交易計(jì)劃的重要依據(jù)，這就對(duì)短期負(fù)荷預(yù)測(cè)提出了更高的要求。由于常規(guī)算法不能較好地反映氣象條
2、件等外界因素對(duì)負(fù)荷的影響，而近年來(lái)人工神經(jīng)網(wǎng)絡(luò)法等智能算法具有高度的非線性映射能力，可以較好地考慮氣象條件等因素對(duì)電網(wǎng)負(fù)荷的影響，所以本文采用了基于RBF(RadialBasisFunction)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法。該模型訓(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(cè)精度。本文在分析了目前短期電力負(fù)荷預(yù)測(cè)的現(xiàn)狀及各種預(yù)測(cè)方法、預(yù)測(cè)模型的基礎(chǔ)上，根據(jù)電力負(fù)荷特性的變化規(guī)律，通過(guò)對(duì)河源地區(qū)的歷史負(fù)荷數(shù)據(jù)分析，考慮了日期類型、溫度、天氣狀況等影響負(fù)荷預(yù)測(cè)的因素，結(jié)合神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法，建立RBF神經(jīng)網(wǎng)
3、絡(luò)的短期負(fù)荷預(yù)測(cè)數(shù)學(xué)模型，并在此基礎(chǔ)上，利用面向?qū)ο蟮木幊谭椒▽?shí)現(xiàn)短期負(fù)荷預(yù)測(cè)程序。本文討論了影響負(fù)荷的各種因素，在輸入變量中考慮臨近日負(fù)荷特點(diǎn)，以及各種氣象因素，對(duì)輸入負(fù)荷值進(jìn)行歸一化處理，對(duì)溫度、天氣和日期等因素進(jìn)行了量化處理。利用河源地區(qū)的歷史負(fù)荷數(shù)據(jù)比較未含天氣因素的神經(jīng)網(wǎng)絡(luò)和具有天氣因素的神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果，根據(jù)本文所介紹的方法編程，其結(jié)果表明預(yù)測(cè)精度是符合要求的，從而說(shuō)明了該方法的可行性和實(shí)用性。關(guān)鍵詞：短期負(fù)荷預(yù)測(cè)，RBF神經(jīng)網(wǎng)絡(luò)，編程IIAbstractThelevelofloadforecastingisoneofthem
4、easuresofmodernizationofPowersystemmanagement.Accurateshort-termloadforecastingplaysanimportantroleforplanning,economicalschedulingandsecurityanalysisinproduction,whichdirectlyinfluencestheprofitoftheelectricutilityenterprises.Therefore,short-termloadforecastingreseultbeco
5、meimportancebasisofdrawinguptheelectricpowermarketbargainplan.Sotheseputshort-termloadforecastingforwardahigherrequest.Thenormalcalculatewaycannotreflectgoodlyweatherconditionandotheroutsidefactorstotheinfluenceforloadforecasting.Inrecentyears,theartificialneuralnetworkmet
6、hodetchaveheightnonlineartoreflecttheabilityofshoot,canreflectgoodlytheweatherfactoretc.Sothispaperpresentsashort-termloadforecastmethodbasedonRBF(RadialBasicFunction)neuralnetworkforpowersystem.Thismodelspeedsrapidly,improvesconvergencepropertyintrainingprocessandthenumbe
7、rofneuronsinthehiddenlayercanbesignificantlydecreased.Sotheforecastingaccuracycanbeincreasedeffectively.Thistextanalyzethepresentconditionandvariousmethodsandmathematicsmodeloftheshort-termloadforecasting.Accordingtotheruleofchangeofloadcharacteristic,theRBFmodelsforthesho
8、rt-termloadforecastingareproposedbycombiningtheartificialneuralnetworksandelectricloadcha
