基于改进脊波神经网络的电力系统短期负荷预测研究

发布时间：2021-07-25 18:26

　　随着我国电力行业的高速发展以及智能电网建设的推进,电能已经成为人民日常生活工作中不可或缺的能源。各种分布式电源的接入和微网的并网运行,使电力系统的复杂程度急剧上升,也使系统负荷的随机性和非线性大大增加,对电力系统负荷预测的准确度和稳定性提出了严峻的挑战。电力系统短期负荷预测是一项繁琐复杂的课题,其影响因素种类繁多,预测方法也层出不穷。本文通过研究国内外学者的优秀研究成果,分析了影响预测结果的因素,并对神经网络的原理进行了详细的阐述。针对传统神经网络预测精度低下的问题,本文将脊波神经网络应用到短期负荷预测领域中,并取得了不错的预测效果。但对于波动随机性较大的负荷来说,常规脊波神经网络具有很大的局限性,预测稳定性较差。由此,本文将常规脊波神经网络进行了改进,提出一种基于脊波递归神经网络的短期负荷预测模型。在常规脊波神经网络模型中引入承接层,以此来存储网络隐含层神经元内部当前时刻的状态信息,并在下一时刻传递给隐含层自身,进而增强了网络模型的反馈连接。采用脊波变换函数作为隐含层神经元内部的激励函数,增强了网络模型对于非线性负荷的优化处理能力。最后采用粒子群优化算法对脊波参数和连接权值进行优化,... 

【文章来源】：青岛大学山东省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景和意义
    1.2 短期负荷预测研究现状
        1.2.1 传统经典预测方法
        1.2.2 现代智能化预测方法
    1.3 本文主要研究内容
第二章 人工神经网络在短期负荷预测中的应用
    2.1 短期负荷预测
        2.1.1 短期负荷预测的特点
        2.1.2 影响短期负荷预测的因素
        2.1.3 短期负荷预测基本步骤
    2.2 人工神经网络
        2.2.1 人工神经网络概述
        2.2.2 人工神经网络分类及应用
    2.3 BP神经网络
        2.3.1 BP神经网络预测模型及算法
        2.3.2 BP神经网络分析
    2.4 Elman神经网络
        2.4.1 Elman神经网络模型
        2.4.2 Elman神经网络算法分析
    2.5 本章小结
第三章 基于脊波递归神经网络的短期负荷预测模型
    3.1 脊波神经网络短期负荷预测模型
        3.1.1 RNN预测模型及算法
        3.1.2 算例分析
    3.2 脊波递归神经网络短期负荷预测模型
        3.2.1 RRNN预测模型的构造
        3.2.2 RRNN预测模型的训练优化
        3.2.3 算例分析
    3.3 本章小结
第四章 基于深度脊波神经网络的短期负荷预测模型
    4.1 深度神经网络
        4.1.1 神经网络与深度学习
        4.1.2 受限的玻尔兹曼机模型结构
        4.1.3 深度神经网络模型
    4.2 深度脊波神经网络短期负荷预测模型
        4.2.1 DRNN预测模型的构造
        4.2.2 DRNN预测模型的训练算法
        4.2.3 算例分析
    4.3 深度脊波递归神经网络短期负荷预测模型
        4.3.1 DRRNN预测模型的构造
        4.3.2 DRRNN模型的优化训练
        4.3.3 算例分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读学位期间的研究成果
致谢


【参考文献】：
期刊论文
[1]复杂数据源下基于深度卷积网络的局部放电模式识别[J]. 宋辉,代杰杰,张卫东,毕凯,盛戈皞,江秀臣.  高电压技术. 2018(11)
[2]基于BP神经网络的四旋翼双闭环PID轨迹跟踪控制[J]. 刘凯.  工业控制计算机. 2018(11)
[3]基于GRNN网络的短期负荷预测研究[J]. 李宗熹,傅晓锦.  机电信息. 2018(33)
[4]基于BP神经网络的空中机器人传感控制研究[J]. 杨辉,吴赛燕.  中国电子科学研究院学报. 2018(04)
[5]动态相似与静态相似相结合的短期负荷预测方法[J]. 方八零,李龙,赵家铸,王坚,赵习猛,黎灿兵,李奇远.  电力系统保护与控制. 2018(15)
[6]基于自适应动量因子的区间神经网络建模方法[J]. 陈实,易军,李倩,黄迪,李太福.  四川大学学报(自然科学版). 2017(05)
[7]基于DSP和自组织竞争神经网络的数粒机控制系统[J]. 蔡锦达,唐静,齐建虹,李祥伟.  控制工程. 2017(03)
[8]基于改进模糊神经网络的废旧零部件再制造工艺方案决策方法[J]. 李聪波,冯亚,杜彦斌,李玲玲.  计算机集成制造系统. 2016(03)
[9]基于深层神经网络的电力负荷预测[J]. 何琬,刘进,朱肖晶.  环境与可持续发展. 2016(01)
[10]基于混沌时间序列法的微网短期负荷预测[J]. 李东东,覃子珊,林顺富,郑小霞,王天祥.  电力系统及其自动化学报. 2015(05)

硕士论文
[1]基于SARIMA与SVR的短期电力负荷预测[D]. 刘龙龙.东华理工大学 2018
[2]基于机器学习的短期电力负荷预测算法研究[D]. 牟丰.西安科技大学 2018
[3]基于混沌鲸鱼群优化人工神经网络的短期电力负荷预测[D]. 袁超.华北电力大学 2018
[4]基于回归分析的短期负荷概率密度预测方法研究[D]. 蒙园.华北电力大学(北京) 2018
[5]基于CSO-BP神经网络的电力系统短期负荷预测[D]. 苏舟.西安理工大学 2017
[6]基于深度置信网络的时间序列预测方法及其应用研究[D]. 张国辉.哈尔滨工业大学 2017
[7]基于小波—灰色模型的电力负荷预测研究[D]. 韩文婧.山东大学 2017
[8]电力系统短期负荷预测方法的研究与应用[D]. 付宏宇.东华大学 2017
[9]基于视觉生理机制的深度学习网络改进研究[D]. 喻杨洋.电子科技大学 2017
[10]基于组合模型的最大电力负荷预测[D]. 刘玉东.兰州大学 2017



本文编号：3302540