基于相似日和动态模糊神经网络的短期电力负荷预测

发布时间：2017-08-22 16:24

  本文关键词：基于相似日和动态模糊神经网络的短期电力负荷预测

  更多相关文章： 相似日 动态模糊神经网络 短期电力负荷预测

【摘要】：电力负荷预测不仅可以提高电能配送的安全,还可以使电网企业合理有效运转,是一种提高能源利用率的重要方法。短期电力负荷预测有着随机、时变、非线性等特点,现阶段主要有传统的数据统计与现代人工智能两种方法来对电力负荷进行预测。传统的数据统计方法注重数据的拟合、模型的建立,而对电力负荷预测的影响因素利用不足,其预测结果往往不是很理想。在现代人工智能算法中,对电力负荷进行预测使用最多的就是BP神经网络。该方法也存在着隐含层数、隐含层节点个数、初始权值等选择的不确定性,较为依赖使用者个人的专家经验,还有着隐含层的黑箱处理、过拟合、过训练等一系列缺点。为了提高短期电力负荷预测的准确率,本文作了以下几方面工作:(1)传统的模糊神经网络模糊规则是根据专家经验而事先确定好的,而现在电力负荷数据存在着数据量过大,数据过于繁杂等特点,此时,模糊规则的确定就成为一个难题。为了解决模糊神经网络的这个缺点,本文使用动态模糊神经网络来预测短期电力负荷,动态模糊神经网络最大的特点就是其模糊规则不是事先就确定好,而是根据输入样本进行动态调整,首先通过系统误差和可容纳边界两个因素来决定系统是否需要新增模糊规则,然后使用了分级学习技术来加快整个网络建立模型的速度,并且还使用了误差下降率算法来剔除对整个网络影响不大的一些模糊规则。(2)当使用全部的负荷数据来训练动态模糊神经网络时,会增加网络建模的复杂度,也会影响网络的建模速度。为了解决这个难题,本文使用相似日和动态模糊神经网络结合的方法来预测短期电力负荷,该方法就是在训练模型之前对训练样本作一个相似日处理,通过相似日自动寻找出与预测日在平均温度与星期因素上相似的样本,相似日与预测日在负荷消耗水平也比较相似,把预测日的相似日样本作为训练数据而不是将全部数据作为训练数据,从而提高建模速度及简化模型复杂度。(3)在以EUNITE公司提供的电力负荷数据基础上分别采用动态模糊神经网络、相似日和动态模糊神经网络结合的方法来进行负荷预测。实验取得了较为理想的结果,为电力负荷预测提供了新的方法。
【关键词】：相似日 动态模糊神经网络 短期电力负荷预测
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM715
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-14
• 1.1 课题研究背景和意义9-11
• 1.1.1 课题研究背景9-10
• 1.1.2 课题的研究意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 国外研究现状11-12
• 1.2.2 国内研究现状12-13
• 1.3 本文的组织结构13-14
• 第二章 负荷预测的常用方法14-23
• 2.1 时间序列14-15
• 2.2 回归分析15-16
• 2.3 支持向量机16-19
• 2.4 BP神经网络19-22
• 2.5 本章小结22-23
• 第三章 动态模糊神经网络及相似日的理论知识23-42
• 3.1 模糊系统理论23-26
• 3.1.1 模糊集23-24
• 3.1.2 模糊规则24-25
• 3.1.3 模糊逻辑推理25-26
• 3.2 动态模糊神经网络的结构26-28
• 3.3 动态模糊神经网络算法28-37
• 3.3.1 模糊规则产生准则28-29
• 3.3.2 分级学习29-30
• 3.3.3 前提参数调整30-31
• 3.3.4 权值参数的确定31-33
• 3.3.5 模糊规则的修剪33-37
• 3.4 相似日法37-41
• 3.4.1 相似日法的介绍37-39
• 3.4.2 相似日的量化39-41
• 3.5 本章小结41-42
• 第四章 基于动态模糊神经网络的短期负荷预测42-50
• 4.1 基于动态模糊神经网络的短期电力负荷预测流程42
• 4.2 数据的分析42-45
• 4.3 动态模糊神经网络模型设计45-46
• 4.3.1 输入输出数据的选取及预处理45
• 4.3.2 动态模糊神经网络参数设置45-46
• 4.4 动态模糊神经网络模型的建立及负荷的预测46-48
• 4.4.1 模型的建立46-47
• 4.4.2 负荷的预测47-48
• 4.5 本章小结48-50
• 第五章 基于相似日和动态模糊神经网络的短期负荷预测50-59
• 5.1 基于相似日和动态模糊神经网络的短期电力负荷预测流程50-51
• 5.2 相似日及输入节点的选取51-52
• 5.3 动态模糊神经网络参数设置52
• 5.4 相似日和动态模糊神经网络模型的建立及负荷的预测52-58
• 5.4.1 模型的建立52-55
• 5.4.2 负荷的预测55-58
• 5.5 本章小节58-59
• 第六章 总结与展望59-61
• 6.1 本文总结59
• 6.2 研究展望59-61
• 参考文献61-64
• 攻读硕士学位期间发表论文64-65

【参考文献】

中国期刊全文数据库 前8条

1 杨正瓴;田勇;张广涛;林孔元;;相似日短期负荷预测的非线性理论基础与改进[J];电网技术;2006年06期

2 宋晓辉;白晓民;易俗;;一种考虑负荷特性变化的改进线性回归负荷预测法[J];供用电;2006年01期

3 王大鹏;汪秉文;;基于变权缓冲灰色模型的中长期负荷预测[J];电网技术;2013年01期

4 李明干,孙健利,刘沛;基于卡尔曼滤波的电力系统短期负荷预测[J];继电器;2004年04期

5 石海波;;PCA-SVM在电力负荷预测中的应用研究[J];计算机仿真;2010年10期

6 张德丰;卢清华;周燕;;一种新型的动态模糊神经网络算法[J];控制工程;2009年04期

7 郭龙钢;;基于BP人工神经网络电力负荷预测[J];洛阳理工学院学报(自然科学版);2013年01期

8 徐传忠;杨冠鲁;王永初;;基于动态模糊神经网络的电力谐波精确测量[J];太原理工大学学报;2011年04期

中国硕士学位论文全文数据库 前3条

1 杨应高;基于粒子群BP神经网络的短期电力负荷预测[D];苏州大学;2011年

2 朱韬析;电力系统负荷预测[D];浙江大学;2005年

3 张志明;基于灰色理论的短期电力负荷预测研究[D];湖南大学;2009年

，

本文编号：720154