基于双隐藏层神经网络和混沌时间序列短期电力负荷预测

发布时间：2024-05-11 16:45

　　随着电力系统的发展,高质量的短期负荷预测越来越显得重要,短期负荷预测(STLF)在电力系统运行中起着非常关键的作用,是电力系统安全经济运行的前提。本文以电力负荷预测为研究对象,针对如何提高电力负荷预测精度这一问题进行深入研究。通过对电力负荷数据特点的分析,提出一种基于混沌时间序列的新的特征提取方法DFNS;将双隐层神经网络与Softplus型神经网络结合,即D_LSNN,应用于短期电力负荷预测中,并提出改进的差分进化算法BMDE对短期电力负荷进行预测仿真实验。本文首先针对电力负荷数据具有的混沌性,采用混沌时间序列的处理方式来处理,并从理论和实验两个角度对比分析了目前成熟的处理混沌时间序列方法的优劣,进而确定使用复自相关法和G-P算法来求取相空间重构参数。基于相空间重构,依据输入向量的非线性强度提出一种新的特征提取方法,即DFNS,以提高电力负荷预测的精度。由于计算机实际运算过程中的缺陷,会使单隐藏层神经网络精度无法达到理论高度,因此本文采用双隐藏层神经网络来提高预测精度,并且使用Softplus函数作为激励函数,以保证预测算法的可靠性。从仿真结果可以看出,D

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 基于混沌时间序列的短期电力负荷预测研究现状
    1.3 本文研究的主要内容
第2章 电力负荷预测相关理论
    2.1 电力负荷预测的经济利益
    2.2 电力负荷预测算法中用到的方法
        2.2.1 混沌时间序列—相空间重构
        2.2.2 人工神经网络
        2.2.3 差分进化算法
    2.3 短期电力负荷预测的实验数据
    2.4 本章小结
第3章 基于混沌时间序列的特征提取方法DFNS
    3.1 相空间重构基本方法
    3.2 时延τ的确定
        3.2.1 自相关函数法
        3.2.2 平均位移法
        3.2.3 复自相关法
        3.2.4 互信息量法
    3.3 嵌入维m的确定
        3.3.1 G-P算法
    3.4 同时确定嵌入维m和时延τ的方法
        3.4.1 C-C方法
        3.4.2 C-C方法的改进
    3.5 新的特征提取方法DFNS
        3.5.1 DFNS相空间重构
        3.5.2 DFNS最小二乘法线性回归
        3.5.3 DFNS特征个数CH的计算
        3.5.4 DFNS特征提取
    3.6 本章小结
第4章 双隐藏层Softplus型神经网络(D_LSNN)
    4.1 双隐藏层神经网络
        4.1.1 双隐藏层神经网络
        4.1.2 算法性能验证
    4.2 Softplus型神经网络
        4.2.1 Sigmoid函数
        4.2.2 Softplus函数
        4.2.3 D LSNN
    4.3 D LSNN仿真验证
    4.4 本章小结
第5章 基于DFNS,D_LSNN,BMDE的短期电力负荷预测
    5.1 DE及其改进
        5.1.1 权值编码操作
        5.1.2 评优函数
        5.1.3 改进的BMDE算法
    5.2 基于DFNS,D_LSNN,BMDE的短期电力负荷预测
    5.3 本章小结
结论
致谢
参考文献
攻读硕士学位期间发表的论文



本文编号：3970136