基于神经网络的锦屏水电站日径流预测系统开发
发布时间：2021-07-10 14:14
电力作为社会经济发展的重要能源,是人们生产生活不可或缺的组成部分,在国家经济发展过程中处于举足轻重的地位。水电作为清洁能源备受推崇,锦屏水电站作为国家“西电东送”的重要工程,为解决华东电力短缺做出了巨大贡献。径流预测是充分利用水资源、真正实现水库优化运行、发挥电站经济效益的有力手段和重要环节。拥有准确可靠的径流预测系统就可以运用确定性的预测值及其估计误差来快速高效的描述未来径流,最终有效拟定接近实际的电站运行策略,它将为水电站短期水库运行方式的制定、日发电电量计划的编制提供决策依据,从而为水电站参与期货电力市场发展预计划的编制、提高发电效益提供依据,其中日径流预测是水电站径流预测的重要组成部分。目前人工神经网络在人工智能领域成为研究热点。正因如此,本课题提出以人工神经网络模型为基础通过建立组合预测模型,通过建立、验证、改进的研究路径,最终得到适用于锦屏水电站的日径流预测系统。本文从预测算法和程序设计两个方面对锦屏水电站日径流预测系统进行了研究,文章首先阐述了课题的主要研究背景,指出了研究本课题带来的重要意义和影响,探讨了国内外研究现状,明确了课题研究思路。然后从自然地理、气候特性、径流...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
三层BPNN神经网络拓扑结构图
式 3-19 来估算： ( ) = ( ) ¤ ( ) ( ) ¤ ( ) (3-式 3-19 中：n 为样本容量；随机变量 x 的维数由 p 表示； 表示随机变量 y 的样本观测值；σ 为平滑因子，即高斯函数的标准差。交换积分顺序、加和顺序，并将式（3-18）带入式（3-19）, 可得到： ( ) = ( ) ( ) ∞ ∞ ( ) ( ) ( ) ( ) ∞ ∞(3-由于 = ，网络的输出可由上式进行化简得到： ( ) = ( ) ( ) ( ) ( ) (3- ( )为预测值，是全部样本测量值的加权平均。样本测量值 的权重因子是的样本 与 x 之间的欧几里德距离平方的指数。GRNN 神经网络不需要进行，但光滑因子 σ 取值是否适中对网络模型有巨大的影响，因此要特别注意。.2.3.2 GRNN 神经网络结构
图 3-3 广义回归神经网络结构图输入层主要作用是负责输入样本的接收，作为一个分布式单元将输入变量传输到模式层，每个神经元以简单的线性函数为传输函数，其神经元的数量等入样本的数量。模式层中神经元为径向基神经元，因此也被称为径向基层，其神经元个数和入样本的个数相等，每个神经元对应不同输入样本，如图 3-1 所示。神经元的出为输入样本变量与对应样本间欧几里德距离平方的指数，其传递函数式为： = ¤ ( ) ( ) = (3-式 3-22 中，x 为输入样本变量； 为第 i 个神经元对应的输入样本。求和层中，网络采用两种类型神经元进行求和，这两种神经元均是对所有模中的所有神经元进行加权求和，但连接权值不同。第一种神经元，公式为： ¤ ( ) ( ) ，其模式层与各神经元的接权值为 1。传递函数为： = (3-
【参考文献】：
期刊论文
[1]黄河上中游区径流量格局长期变化过程[J]. 孙洋洋,穆兴民,高鹏,赵广举,孙文义. 水土保持研究. 2017(03)
[2]新安江模型和改进BP神经网络模型在闽江水文预报中的应用[J]. 刘佩瑶,郝振纯,王国庆,赵思远,王乐扬. 水资源与水工程学报. 2017(01)
[3]基于模糊RBF神经网络的直流微电网并网等效建模[J]. 蔡昌春,程述成,邓志祥,江冰,赫卫国,马金祥. 电网技术. 2016(11)
[4]基于月年混合径流量的预测控制模型[J]. 姚建国,段家华. 小水电. 2014(06)
[5]基于BP神经网络马尔科夫模型的径流量预测[J]. 王义民,于兴杰,畅建霞,黄强. 武汉大学学报(工学版). 2008(05)
[6]基于灰色马尔柯夫预测模型的径流量预测[J]. 于兴杰,畅建霞,黄强,王义民. 沈阳农业大学学报. 2008(01)
[7]黄河干流不同断面生态径流量计算[J]. 马广慧,夏自强,郭利丹,李捷,郭志. 河海大学学报(自然科学版). 2007(05)
[8]河北省山区流域分区径流量一致性修正分析[J]. 毕远山,王海宁,郎洪钢. 河北水利. 2007(06)
[9]长江上游日径流变化的多时间尺度分析[J]. 董前进,王先甲,李匡,王建平. 武汉大学学报(工学版). 2006(04)
[10]塔里木河流域径流量预测分析[J]. 何逢标,唐德善. 水利科技与经济. 2006(05)
硕士论文
[1]布谷鸟算法的改进及其应用研究[D]. 黄继达.华中科技大学 2014
本文编号：3276068
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
三层BPNN神经网络拓扑结构图
式 3-19 来估算： ( ) = ( ) ¤ ( ) ( ) ¤ ( ) (3-式 3-19 中：n 为样本容量；随机变量 x 的维数由 p 表示； 表示随机变量 y 的样本观测值；σ 为平滑因子，即高斯函数的标准差。交换积分顺序、加和顺序，并将式（3-18）带入式（3-19）, 可得到： ( ) = ( ) ( ) ∞ ∞ ( ) ( ) ( ) ( ) ∞ ∞(3-由于 = ，网络的输出可由上式进行化简得到： ( ) = ( ) ( ) ( ) ( ) (3- ( )为预测值，是全部样本测量值的加权平均。样本测量值 的权重因子是的样本 与 x 之间的欧几里德距离平方的指数。GRNN 神经网络不需要进行，但光滑因子 σ 取值是否适中对网络模型有巨大的影响，因此要特别注意。.2.3.2 GRNN 神经网络结构
图 3-3 广义回归神经网络结构图输入层主要作用是负责输入样本的接收，作为一个分布式单元将输入变量传输到模式层，每个神经元以简单的线性函数为传输函数，其神经元的数量等入样本的数量。模式层中神经元为径向基神经元，因此也被称为径向基层，其神经元个数和入样本的个数相等，每个神经元对应不同输入样本，如图 3-1 所示。神经元的出为输入样本变量与对应样本间欧几里德距离平方的指数，其传递函数式为： = ¤ ( ) ( ) = (3-式 3-22 中，x 为输入样本变量； 为第 i 个神经元对应的输入样本。求和层中，网络采用两种类型神经元进行求和，这两种神经元均是对所有模中的所有神经元进行加权求和，但连接权值不同。第一种神经元，公式为： ¤ ( ) ( ) ，其模式层与各神经元的接权值为 1。传递函数为： = (3-
【参考文献】：
期刊论文
[1]黄河上中游区径流量格局长期变化过程[J]. 孙洋洋,穆兴民,高鹏,赵广举,孙文义. 水土保持研究. 2017(03)
[2]新安江模型和改进BP神经网络模型在闽江水文预报中的应用[J]. 刘佩瑶,郝振纯,王国庆,赵思远,王乐扬. 水资源与水工程学报. 2017(01)
[3]基于模糊RBF神经网络的直流微电网并网等效建模[J]. 蔡昌春,程述成,邓志祥,江冰,赫卫国,马金祥. 电网技术. 2016(11)
[4]基于月年混合径流量的预测控制模型[J]. 姚建国,段家华. 小水电. 2014(06)
[5]基于BP神经网络马尔科夫模型的径流量预测[J]. 王义民,于兴杰,畅建霞,黄强. 武汉大学学报(工学版). 2008(05)
[6]基于灰色马尔柯夫预测模型的径流量预测[J]. 于兴杰,畅建霞,黄强,王义民. 沈阳农业大学学报. 2008(01)
[7]黄河干流不同断面生态径流量计算[J]. 马广慧,夏自强,郭利丹,李捷,郭志. 河海大学学报(自然科学版). 2007(05)
[8]河北省山区流域分区径流量一致性修正分析[J]. 毕远山,王海宁,郎洪钢. 河北水利. 2007(06)
[9]长江上游日径流变化的多时间尺度分析[J]. 董前进,王先甲,李匡,王建平. 武汉大学学报(工学版). 2006(04)
[10]塔里木河流域径流量预测分析[J]. 何逢标,唐德善. 水利科技与经济. 2006(05)
硕士论文
[1]布谷鸟算法的改进及其应用研究[D]. 黄继达.华中科技大学 2014
本文编号：3276068
本文链接：https://www.wllwen.com/kejilunwen/shuiwenshuili/3276068.html
