基于遗传算法改进BP神经网络电力系统负荷短期预测研究
发布时间:2021-08-03 10:46
电力系统短期负荷预测是保障电力系统高效运行的重要工作之一,对电力系统的稳定、经济、和安全运行起着关键性的作用。对于负荷预测的精度问题,在电力系统中有着非常重大的意义,是保证电力系统合理调度的基础,电力负荷的高精度预测是学者们关注的重点方向之一。鉴于此,本文在分析电力负荷短期预测需求的基础上,对BP神经网络预测算法的原理与关键技术进行了总结,建立了一个考虑日气象特征的BP神经网络的电力系统短期负荷预测模型,并分别对隐含层个数为10、20、30的BP神经网络模型进行了预测结果分析和误差分析。此外,针对BP神经网络模型训练过程中的权重和阈值初始化而产生的精度不足,采用遗传算法对BP神经网络算法进行改进,然后建立了考虑日气象特征的以及遗传算法改进的BP神经网络电力负荷短期预测模型。针对构建的模型,以11月份芜湖市某个区为样本对模型进行了训练,对11月21日的日负荷进行了预测结果分析和误差分析,得出的主要结论如下:(1)建立了一个考虑日气象特征的BP神经网络电力系统短期负荷预测模型,应用BP神经网络对电力系统短期负荷预测进行了实例分析,通过对BP神经网络模型进行了应用分析,结果表明所构建的BP神...
【文章来源】:华北水利水电大学河南省
【文章页数】:78 页
【学位级别】:硕士
【部分图文】:
BP神经网络结构图
华北水利水电大学硕士学位论文30度上能够使得网络的训练能力有点提高,但会一定程度增加计算量,降低模型的训练速度。对于本文所研究的电力系统短期负荷预测问题,选取单隐含层比较合适,可以防止建模过程变得复杂化。对于隐含层问题,隐含层的隐含层确定方法前文中已经讲述,单对于一个BP神经网络来说,要确定最佳隐含层,通常需要采取试凑的方法,隐含层太小将影响预测的精度,隐含层过多也会是的网络变得复杂,有可能使得预测的误差增大,训练也会变得过长。在这里我们将隐含层的隐含层分别确定为10、20、30进行各自对比分析。综上所述,我们得到了与日特征相关因素的三层BP神经网络,如下图所示,输入层由24个电力负荷数据和三个气象特征向量组成27个神经元,输出层即为预测日的24个电力负荷数据。图4-1研究区电力负荷BP神经网络拓扑结构图Fig.4-1Topologicalstructureofneuralnetworkforpowerloadinresearcharea(3)BP神经网络权重和阈值的初始化阈值的初始权值的选取在BP神经网络中是一个很关键的问题,选取不合适将会对计算结果产生深远影响。初始值不能选取过大,初始化值一般情况下选取在(0,1)或(-1,1)之间。激活函数与初始权值有关,S函数的初始化区间为(0,1),正切函数权值为(-1,1)[114]。(4)传递函数的设计
4基于BP神经网络模型的电力系统负荷短期预测31BP神经网络隐含层的神经元传递函数选取双曲正切函数tansig(),双曲正切函数可以将样本数据中的输入变量映射在(-1,1)的区间上,尽量使输入变量处在最大的阈值范围。BP神经网络输出层的神经元传递函数选取S型对数函数logsig()。S型对数函数与S型正切函数相同,只不过S型对数函数映射的区间为(0,1)。因为输出的函数值在[0,1]之间,符合网络输出的要求[115]。(5)训练参数的确定BP神经网络的训练参数包括训练次数、训练目标误差和学习率。学习率影响网络收敛速度,当学习率取值过大时,将会造成系统震荡及网络不收敛。而该值过小增加网络训练的步长,致使计算速度降低,收敛过慢,此外也会增加产生局部最小的可能。因此,学习速率的选取要按照从大到小逐个进行尝试,当网络不收敛就往小龋当收敛速度太慢的时候就往大值取[116]。本文中学习率确定为0.000001。训练样本大小和训练次数选取息息相关。当训练次数过大时,网络收敛的速度将会明显降低。训练的次数过少,则会造成网络不收敛。本文中训练次数的选取20000。训练目标误差的选取要根据设计的要求,目标参数要在设计所要求的误差范围之内。如果设定了过大的目标误差,会导致预测结果的精度无法满足。而过小时,会导致计算时间过长,收敛速度过慢,甚至达不到误差设定值。本文中训练目标误差为0.00001。(6)Matlab建模与编码模型构建和预测结果的仿真在matlab2018b中实现,代码域局部如下图所示:图4-2.Matlab2018b建模的BP神经网络模型代码局部展示Fig.4-2.PartialdisplayofBPNNmodelcodemodeledbyMATLAB2018b
【参考文献】:
期刊论文
[1]基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测[J]. 赵会茹,赵一航,郭森. 中国电力. 2020(06)
[2]电力系统负荷预测综述[J]. 王栋. 电气开关. 2020(01)
[3]基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测[J]. 李国庆,刘钊,金国彬,权然. 电网技术. 2020(02)
[4]基于Wide&Deep-LSTM模型的短期台区负荷预测[J]. 吕海灿,王伟峰,赵兵,张毅,郭秋婷,胡伟. 电网技术. 2020(02)
[5]电力系统短期负荷预测的改进BP神经网络算法比较[J]. 程超. 科技风. 2020(02)
[6]考虑气象因素的短期电力负荷预测研究[J]. 黄文思. 计算机应用与软件. 2020(01)
[7]基于遗传BP神经网络的搅拌摩擦焊温度模型[J]. 张喆,张永林,陈书锦. 热加工工艺. 2020(03)
[8]基于EEMD-GRU-MLR的短期电力负荷预测[J]. 邓带雨,李坚,张真源,滕予非,黄琦. 电网技术. 2020(02)
[9]基于遗传算法优化BP神经网络的YG8硬质合金耐磨性预测模型[J]. 李帆,闫献国,陈峙,郭宏,姚永超,董良,陈玉华. 金属热处理. 2019(12)
[10]基于趋势变化分段的电力负荷组合预测方法[J]. 谭风雷,张军,马宏忠. 华北电力大学学报(自然科学版). 2020(02)
博士论文
[1]电力系统精细化预测理论与方法[D]. 李龙.湖南大学 2017
[2]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
[3]灰色预测模型及中长期电力负荷预测应用研究[D]. 王大鹏.华中科技大学 2013
硕士论文
[1]基于深度学习的智能电网短期电力负荷预测研究[D]. 常峰铭.湘潭大学 2019
[2]基于改进BP神经网络的微电网短期负荷预测[D]. 朱云丰.南昌大学 2019
[3]基于改进BP神经网络的负荷预测问题研究[D]. 李灿.西安理工大学 2018
[4]基于BP神经网络的区域配电网中期电力负荷预测[D]. 陈宇杰.吉林大学 2017
[5]基于组合预测模型的电力系统短期负荷预测研究[D]. 程晶晶.安徽理工大学 2015
[6]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
[7]大数据技术在负荷预测与负荷特性分析中的应用[D]. 杜明建.东南大学 2015
[8]电力系统短期负荷预测的研究[D]. 梁京伟.山东大学 2014
[9]基于遗传算法优化BP神经网络的变压器故障诊断[D]. 段侯峰.北京交通大学 2008
[10]电力系统负荷分类研究[D]. 张忠华.天津大学 2007
本文编号:3319484
【文章来源】:华北水利水电大学河南省
【文章页数】:78 页
【学位级别】:硕士
【部分图文】:
BP神经网络结构图
华北水利水电大学硕士学位论文30度上能够使得网络的训练能力有点提高,但会一定程度增加计算量,降低模型的训练速度。对于本文所研究的电力系统短期负荷预测问题,选取单隐含层比较合适,可以防止建模过程变得复杂化。对于隐含层问题,隐含层的隐含层确定方法前文中已经讲述,单对于一个BP神经网络来说,要确定最佳隐含层,通常需要采取试凑的方法,隐含层太小将影响预测的精度,隐含层过多也会是的网络变得复杂,有可能使得预测的误差增大,训练也会变得过长。在这里我们将隐含层的隐含层分别确定为10、20、30进行各自对比分析。综上所述,我们得到了与日特征相关因素的三层BP神经网络,如下图所示,输入层由24个电力负荷数据和三个气象特征向量组成27个神经元,输出层即为预测日的24个电力负荷数据。图4-1研究区电力负荷BP神经网络拓扑结构图Fig.4-1Topologicalstructureofneuralnetworkforpowerloadinresearcharea(3)BP神经网络权重和阈值的初始化阈值的初始权值的选取在BP神经网络中是一个很关键的问题,选取不合适将会对计算结果产生深远影响。初始值不能选取过大,初始化值一般情况下选取在(0,1)或(-1,1)之间。激活函数与初始权值有关,S函数的初始化区间为(0,1),正切函数权值为(-1,1)[114]。(4)传递函数的设计
4基于BP神经网络模型的电力系统负荷短期预测31BP神经网络隐含层的神经元传递函数选取双曲正切函数tansig(),双曲正切函数可以将样本数据中的输入变量映射在(-1,1)的区间上,尽量使输入变量处在最大的阈值范围。BP神经网络输出层的神经元传递函数选取S型对数函数logsig()。S型对数函数与S型正切函数相同,只不过S型对数函数映射的区间为(0,1)。因为输出的函数值在[0,1]之间,符合网络输出的要求[115]。(5)训练参数的确定BP神经网络的训练参数包括训练次数、训练目标误差和学习率。学习率影响网络收敛速度,当学习率取值过大时,将会造成系统震荡及网络不收敛。而该值过小增加网络训练的步长,致使计算速度降低,收敛过慢,此外也会增加产生局部最小的可能。因此,学习速率的选取要按照从大到小逐个进行尝试,当网络不收敛就往小龋当收敛速度太慢的时候就往大值取[116]。本文中学习率确定为0.000001。训练样本大小和训练次数选取息息相关。当训练次数过大时,网络收敛的速度将会明显降低。训练的次数过少,则会造成网络不收敛。本文中训练次数的选取20000。训练目标误差的选取要根据设计的要求,目标参数要在设计所要求的误差范围之内。如果设定了过大的目标误差,会导致预测结果的精度无法满足。而过小时,会导致计算时间过长,收敛速度过慢,甚至达不到误差设定值。本文中训练目标误差为0.00001。(6)Matlab建模与编码模型构建和预测结果的仿真在matlab2018b中实现,代码域局部如下图所示:图4-2.Matlab2018b建模的BP神经网络模型代码局部展示Fig.4-2.PartialdisplayofBPNNmodelcodemodeledbyMATLAB2018b
【参考文献】:
期刊论文
[1]基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测[J]. 赵会茹,赵一航,郭森. 中国电力. 2020(06)
[2]电力系统负荷预测综述[J]. 王栋. 电气开关. 2020(01)
[3]基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测[J]. 李国庆,刘钊,金国彬,权然. 电网技术. 2020(02)
[4]基于Wide&Deep-LSTM模型的短期台区负荷预测[J]. 吕海灿,王伟峰,赵兵,张毅,郭秋婷,胡伟. 电网技术. 2020(02)
[5]电力系统短期负荷预测的改进BP神经网络算法比较[J]. 程超. 科技风. 2020(02)
[6]考虑气象因素的短期电力负荷预测研究[J]. 黄文思. 计算机应用与软件. 2020(01)
[7]基于遗传BP神经网络的搅拌摩擦焊温度模型[J]. 张喆,张永林,陈书锦. 热加工工艺. 2020(03)
[8]基于EEMD-GRU-MLR的短期电力负荷预测[J]. 邓带雨,李坚,张真源,滕予非,黄琦. 电网技术. 2020(02)
[9]基于遗传算法优化BP神经网络的YG8硬质合金耐磨性预测模型[J]. 李帆,闫献国,陈峙,郭宏,姚永超,董良,陈玉华. 金属热处理. 2019(12)
[10]基于趋势变化分段的电力负荷组合预测方法[J]. 谭风雷,张军,马宏忠. 华北电力大学学报(自然科学版). 2020(02)
博士论文
[1]电力系统精细化预测理论与方法[D]. 李龙.湖南大学 2017
[2]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
[3]灰色预测模型及中长期电力负荷预测应用研究[D]. 王大鹏.华中科技大学 2013
硕士论文
[1]基于深度学习的智能电网短期电力负荷预测研究[D]. 常峰铭.湘潭大学 2019
[2]基于改进BP神经网络的微电网短期负荷预测[D]. 朱云丰.南昌大学 2019
[3]基于改进BP神经网络的负荷预测问题研究[D]. 李灿.西安理工大学 2018
[4]基于BP神经网络的区域配电网中期电力负荷预测[D]. 陈宇杰.吉林大学 2017
[5]基于组合预测模型的电力系统短期负荷预测研究[D]. 程晶晶.安徽理工大学 2015
[6]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
[7]大数据技术在负荷预测与负荷特性分析中的应用[D]. 杜明建.东南大学 2015
[8]电力系统短期负荷预测的研究[D]. 梁京伟.山东大学 2014
[9]基于遗传算法优化BP神经网络的变压器故障诊断[D]. 段侯峰.北京交通大学 2008
[10]电力系统负荷分类研究[D]. 张忠华.天津大学 2007
本文编号:3319484
本文链接:https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3319484.html