基于深度学习神经网络的地区电网负荷预测
发布时间：2021-08-27 07:13
电力负荷预测是电网发展规划、运行维护的关键,其准确性是保证电网稳定运行、地区经济稳定发展的前提。但在实际工作中,模型精度不足成为影响负荷预测结果的一大因素。因此,研究提高模型精度以实现更加精准高效的负荷预测具备重大理论意义和工程价值。本文研究内容具体如下:1.叙述了电力负荷及其预测的方法步骤,BP神经网络的模型结构、求解过程;分析深度学习基本原理,利用大量样本数据对多层网络结构进行训练,获得数据集最根本的特征,有效提高数据处理的准确度;针对以往神经型网络不能满足深度学习训练,采用逐层训练的方法,将训练过程分成从下至上借助无监督学习模式、从上至下借助监督学习模式两个环节,使网络的性能更加优化;深入分析深度学习的深度置信网络（Deep Belief Network,DBN）、卷积神经网络（Convolutional Neural Networks,CNN）和自动编码器（Auto-Encoder,AE）三种基本方法,详细叙述DBN法、CNN法与AE法的计算过程。2.以山东潍坊地区两年内单日电力负荷均值数据、气温单日均值数据、节假日和非节假日的负荷均值变化,选用Matlab仿真验证日期、节假日...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图２．?１?ＢＰ神经网络模型??
?山东大学硕士学位论文???（?幵始?）????ｒ?ｒ???Ｉｚｉｇ化参数???ｊｒ???■．给—输１＾．．．．．．???＾?；???求取各层各神经元的ｉ??输出??１??求取期销输出和实际??Ｅ是否满足要求?—－？—｜??，达到最大训练＼???＼次数?ｖ??Ｎ??＇Ｗ??计兑隐含＾误差???＞???取—运差梯度???Ｊ?＞???——ｉ?调整权值??图２．２?ＢＰ神经网络训练流程图??２．３深度学习??２００６年，以Ｈｉｎｔｏｎ为首的研究人员率先提出深度学习这一概念【３Ｗ７］，并被视??作机器学习领域的新大陆，人工智能的研宄和发展也因此进入新的篇章。随着非监??督型贪婪算法的面世，实现深层结构网络的参数更加优化的可能性大幅提升。同时，??各类以深度置信网络模型为基础的网络模型纷纷面世并且快速发展，这其中以卷积??型神经网络和堆栈自编码器型网络为常见代表。??２．３．１深度学习的基本原理??自深度学习这一概念被提出之后，许多研宄和应用领域均能可见其身影％３９］。??在语音识别领域，己经确认卷积神经型网络在含噪语音识别方面具有着非常好的效??果；在图像识别领域，卷积神经型网络同样在图像分类环节能够发挥出巨大作用；??在文本识别领域，以深度学习为设计基础的各类工具正被大规模引用。??深度学习可模仿人脑神经元对数据进行非线性的学习，具备许多优势。一方面，??各特征数据均共用相同的网络结构，有利于深层特征的提取与网络记忆能力的提升；??９??
?山东大学硕士学位论文???另一方面，能够借助对非线性网络构造的学习来逼近复杂函数，并将数据进行分布??式的显示。??此前各类神经网络多借助反向传播性算法进行数据的学习，同人工规则机制相??比，该方式有一定优势，但根本来讲还处于浅层模型范畴。在研宄层次愈加深入与??并行计算水平快速提升的背景下，研究人员观察到相比于单层网络，多层神经网络??的最终效果更好，借助深层网络所提取的特征来进行分类，最终分类的效果更好。??在深层网络中有许多参数，因此在记忆特征表示方面的能力十分强大。??深度学习型神经网络的结构同传统网络有着诸多相似之处，网络中包含有输入、??输出层与多个隐含层，同层的神经元没有连接，层层之间进行连接，其模型结构如??图２．３所示。??，？一??識??（）（）ｉ?）（）??？?隐含层??（Ｊ?Ｏ?（Ｊ?ｏ??圆??：）（）??、－，?乂？一－Ｚ??图２．３深度学习网络结构??深度学习网络模型利用大量样本数据对多层网络结构进行训练，从而获得数据??集最根本的特征，从而为信息分类处理或预测奠定基础，能够有效提高数据处理的??准确度。??２．３．２深度学习的训练过程??由于网络模型若干个隐含层的存在，此前的神经型网络训练算法并不能满足深??度学习的要求，其主要因素为［４（），４１］：??（１）网络结构较为复杂，包含的层数较多，导致误差信号在从上至下传递时不??断衰减，抵达最底层之后十分微弱，起到的调节作用不合格。??（２）网络层数较多时，传统算法容易出现收敛至局部最优情况。??（３）此前的算法仅能对有标签的样本进行相应训练，人脑却能够在无标签的样??１０??
【参考文献】：
期刊论文
[1]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)
[2]配电网规划中电力负荷预测方法研究综述[J]. 邓永生,焦丰顺,张瑞锋,王将平. 电器与能效管理技术. 2019(14)
[3]考虑小样本统计的BP神经网络配电系统可靠性预测方法[J]. 王宏刚,田洪迅,李浩松,王越,施明泰,万涛,李金,康泰峰. 电力科学与技术学报. 2019(02)
[4]基于偏最小二乘法的电力负荷预测运用分析[J]. 李维鹏. 电子制作. 2019(12)
[5]基于GA-RBF神经网络的电力系统短期负荷预测[J]. 李婧,田龙威,王艳青. 上海电力学院学报. 2019(03)
[6]受限玻尔兹曼机研究综述[J]. 张健,丁世飞,张楠,杜鹏,杜威,于文家. 软件学报. 2019(07)
[7]基于配用电信息分区分类的短期空间负荷预测[J]. 吴争荣,孔祥玉,董旭柱,俞晓勇,袁枭枭. 电力系统及其自动化学报. 2019(02)
[8]基于混沌理论的电力系统负荷预测应用[J]. 张超,陈杰睿,冯平. 计算机与数字工程. 2018(11)
[9]采用长短期记忆深度学习模型的工业负荷短期预测方法[J]. 杨甲甲,刘国龙,赵俊华,文福拴,董朝阳. 电力建设. 2018(10)
[10]基于深度学习的人工智能设计决策模型[J]. 王亚辉,余隋怀,陈登凯,初建杰,刘卓,王金磊,马宁. 计算机集成制造系统. 2019(10)
博士论文
[1]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
[2]数据挖掘方法在短期负荷预测中的应用研究[D]. 王志勇.浙江大学 2007
硕士论文
[1]SVM与神经网络的组合模型在短期电力负荷预测中的应用研究[D]. 金樑.吉林大学 2018
[2]基于受限玻尔兹曼机协同过滤和Hadoop-Mahout的课程推荐算法的研究[D]. 徐文健.辽宁师范大学 2018
[3]基于深度神经网络的电力系统短期负荷预测模型研究[D]. 于惠鸣.青岛大学 2018
[4]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[5]配电网负荷预测及其规划优化方法的研究与实践应用[D]. 张鑫.山东大学 2016
[6]基于受限玻尔兹曼机的深度学习方法研究[D]. 张怡康.北京化工大学 2016
[7]基于受限玻尔兹曼机的深度学习模型及其应用[D]. 张艳霞.电子科技大学 2016
[8]智能配电网馈线负荷预测系统研究[D]. 董聪.哈尔滨工业大学 2014
[9]配电网分布式负荷预测方法[D]. 张劲帆.湖南大学 2013
[10]智能配电网短期负荷预测研究[D]. 杨占杰.天津大学 2012
本文编号：3365911
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
图２．?１?ＢＰ神经网络模型??
?山东大学硕士学位论文???（?幵始?）????ｒ?ｒ???Ｉｚｉｇ化参数???ｊｒ???■．给—输１＾．．．．．．???＾?；???求取各层各神经元的ｉ??输出??１??求取期销输出和实际??Ｅ是否满足要求?—－？—｜??，达到最大训练＼???＼次数?ｖ??Ｎ??＇Ｗ??计兑隐含＾误差???＞???取—运差梯度???Ｊ?＞???——ｉ?调整权值??图２．２?ＢＰ神经网络训练流程图??２．３深度学习??２００６年，以Ｈｉｎｔｏｎ为首的研究人员率先提出深度学习这一概念【３Ｗ７］，并被视??作机器学习领域的新大陆，人工智能的研宄和发展也因此进入新的篇章。随着非监??督型贪婪算法的面世，实现深层结构网络的参数更加优化的可能性大幅提升。同时，??各类以深度置信网络模型为基础的网络模型纷纷面世并且快速发展，这其中以卷积??型神经网络和堆栈自编码器型网络为常见代表。??２．３．１深度学习的基本原理??自深度学习这一概念被提出之后，许多研宄和应用领域均能可见其身影％３９］。??在语音识别领域，己经确认卷积神经型网络在含噪语音识别方面具有着非常好的效??果；在图像识别领域，卷积神经型网络同样在图像分类环节能够发挥出巨大作用；??在文本识别领域，以深度学习为设计基础的各类工具正被大规模引用。??深度学习可模仿人脑神经元对数据进行非线性的学习，具备许多优势。一方面，??各特征数据均共用相同的网络结构，有利于深层特征的提取与网络记忆能力的提升；??９??
?山东大学硕士学位论文???另一方面，能够借助对非线性网络构造的学习来逼近复杂函数，并将数据进行分布??式的显示。??此前各类神经网络多借助反向传播性算法进行数据的学习，同人工规则机制相??比，该方式有一定优势，但根本来讲还处于浅层模型范畴。在研宄层次愈加深入与??并行计算水平快速提升的背景下，研究人员观察到相比于单层网络，多层神经网络??的最终效果更好，借助深层网络所提取的特征来进行分类，最终分类的效果更好。??在深层网络中有许多参数，因此在记忆特征表示方面的能力十分强大。??深度学习型神经网络的结构同传统网络有着诸多相似之处，网络中包含有输入、??输出层与多个隐含层，同层的神经元没有连接，层层之间进行连接，其模型结构如??图２．３所示。??，？一??識??（）（）ｉ?）（）??？?隐含层??（Ｊ?Ｏ?（Ｊ?ｏ??圆??：）（）??、－，?乂？一－Ｚ??图２．３深度学习网络结构??深度学习网络模型利用大量样本数据对多层网络结构进行训练，从而获得数据??集最根本的特征，从而为信息分类处理或预测奠定基础，能够有效提高数据处理的??准确度。??２．３．２深度学习的训练过程??由于网络模型若干个隐含层的存在，此前的神经型网络训练算法并不能满足深??度学习的要求，其主要因素为［４（），４１］：??（１）网络结构较为复杂，包含的层数较多，导致误差信号在从上至下传递时不??断衰减，抵达最底层之后十分微弱，起到的调节作用不合格。??（２）网络层数较多时，传统算法容易出现收敛至局部最优情况。??（３）此前的算法仅能对有标签的样本进行相应训练，人脑却能够在无标签的样??１０??
【参考文献】：
期刊论文
[1]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)
[2]配电网规划中电力负荷预测方法研究综述[J]. 邓永生,焦丰顺,张瑞锋,王将平. 电器与能效管理技术. 2019(14)
[3]考虑小样本统计的BP神经网络配电系统可靠性预测方法[J]. 王宏刚,田洪迅,李浩松,王越,施明泰,万涛,李金,康泰峰. 电力科学与技术学报. 2019(02)
[4]基于偏最小二乘法的电力负荷预测运用分析[J]. 李维鹏. 电子制作. 2019(12)
[5]基于GA-RBF神经网络的电力系统短期负荷预测[J]. 李婧,田龙威,王艳青. 上海电力学院学报. 2019(03)
[6]受限玻尔兹曼机研究综述[J]. 张健,丁世飞,张楠,杜鹏,杜威,于文家. 软件学报. 2019(07)
[7]基于配用电信息分区分类的短期空间负荷预测[J]. 吴争荣,孔祥玉,董旭柱,俞晓勇,袁枭枭. 电力系统及其自动化学报. 2019(02)
[8]基于混沌理论的电力系统负荷预测应用[J]. 张超,陈杰睿,冯平. 计算机与数字工程. 2018(11)
[9]采用长短期记忆深度学习模型的工业负荷短期预测方法[J]. 杨甲甲,刘国龙,赵俊华,文福拴,董朝阳. 电力建设. 2018(10)
[10]基于深度学习的人工智能设计决策模型[J]. 王亚辉,余隋怀,陈登凯,初建杰,刘卓,王金磊,马宁. 计算机集成制造系统. 2019(10)
博士论文
[1]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
[2]数据挖掘方法在短期负荷预测中的应用研究[D]. 王志勇.浙江大学 2007
硕士论文
[1]SVM与神经网络的组合模型在短期电力负荷预测中的应用研究[D]. 金樑.吉林大学 2018
[2]基于受限玻尔兹曼机协同过滤和Hadoop-Mahout的课程推荐算法的研究[D]. 徐文健.辽宁师范大学 2018
[3]基于深度神经网络的电力系统短期负荷预测模型研究[D]. 于惠鸣.青岛大学 2018
[4]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[5]配电网负荷预测及其规划优化方法的研究与实践应用[D]. 张鑫.山东大学 2016
[6]基于受限玻尔兹曼机的深度学习方法研究[D]. 张怡康.北京化工大学 2016
[7]基于受限玻尔兹曼机的深度学习模型及其应用[D]. 张艳霞.电子科技大学 2016
[8]智能配电网馈线负荷预测系统研究[D]. 董聪.哈尔滨工业大学 2014
[9]配电网分布式负荷预测方法[D]. 张劲帆.湖南大学 2013
[10]智能配电网短期负荷预测研究[D]. 杨占杰.天津大学 2012
本文编号：3365911
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3365911.html
