本文選題：電力系統(tǒng)　切入點(diǎn)：負(fù)荷預(yù)測　出處：《西安理工大學(xué)》2017年碩士論文

【摘要】：為了保證電力系統(tǒng)運(yùn)行的安全性和可靠性,電力調(diào)度部門有必要對未來的電力負(fù)荷進(jìn)行預(yù)測。人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性、自學(xué)習(xí)性、容錯(cuò)能力較強(qiáng)的優(yōu)點(diǎn),因此被運(yùn)用于電力負(fù)荷預(yù)測領(lǐng)域,其中Elman神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用較為廣泛。首先,本文介紹了負(fù)荷預(yù)測的基本概念和研究意義,闡述了負(fù)荷預(yù)測以及Elman神經(jīng)網(wǎng)絡(luò)的國內(nèi)外研究現(xiàn)狀,并詳細(xì)分析了負(fù)荷預(yù)測的誤差指標(biāo)以及產(chǎn)生誤差的原因,為后續(xù)的改進(jìn)工作奠定了基礎(chǔ)。其次,對Elman神經(jīng)網(wǎng)絡(luò)的基本原理、網(wǎng)絡(luò)結(jié)構(gòu)、預(yù)測流程、學(xué)習(xí)過程和學(xué)習(xí)算法進(jìn)行了重點(diǎn)研究。針對Elman神經(jīng)網(wǎng)絡(luò)動態(tài)信息處理能力不足、Sigmoid函數(shù)影響收斂速度、傳統(tǒng)算法在學(xué)習(xí)過程中會出現(xiàn)振蕩的問題,本文從Elman神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)、激勵函數(shù)和學(xué)習(xí)算法三個(gè)方面進(jìn)行改進(jìn)。以安徽省某市電網(wǎng)的歷史負(fù)荷數(shù)據(jù)為例,運(yùn)用MATLAB軟件進(jìn)行仿真預(yù)測。結(jié)果表明,改進(jìn)型Elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行負(fù)荷預(yù)測取得了更好的效果,訓(xùn)練速度有所提高,負(fù)荷的預(yù)測值和實(shí)際值更為接近,絕對誤差和相對誤差都有所降低。最后,為了進(jìn)一步提高負(fù)荷預(yù)測的精度,本文將小波分解所具有的良好的時(shí)頻局部化特性與改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)共同運(yùn)用到短期負(fù)荷預(yù)測中,仍然以安徽省某市電網(wǎng)的歷史負(fù)荷數(shù)據(jù)為例,運(yùn)用MATLAB軟件進(jìn)行仿真觀測。結(jié)果發(fā)明,預(yù)測精度得到了進(jìn)-步提高。
[Abstract]:In order to ensure the safety and reliability of power system operation, power dispatching departments need to forecast the power load in the future. Artificial neural network is adaptive, self-learning and fault-tolerant ability strong advantages, so it is used in power load forecasting, the Elman neural network has been widely used in power load forecasting. Firstly, this paper introduces the basic concept and research significance of load forecasting, discusses the current research situation of load forecasting and Elman neural network at home and abroad, and analyzes the causes of error index of load forecasting errors and, laid the foundation for the subsequent improvement work. Secondly, the basic principle of Elman neural network the structure, flow prediction, learning process and learning algorithm are studied. Based on Elman neural network dynamic information processing capability, Sigmoid function influence The convergence speed, the traditional algorithm will appear oscillation problems in the learning process, this article from the network structure of Elman neural network, improve the three aspects of incentive function and the learning algorithm. The historical load data of Anhui province power grid as an example, the simulation predicted by MATLAB software. The results show that the improved Elman neural network model load forecasting has achieved better effect, improve the training speed, load forecast value and the actual value is close to the absolute error and relative error are reduced. Finally, in order to further improve the accuracy of load forecasting, this paper uses Elman neural network wavelet decomposition has good time-frequency localization characteristics and improved common use to short-term load forecasting, is still in the historical load data of Anhui province power grid as an example, by using MATLAB software. The simulation observation invention, prediction accuracy Get the advance step.

【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TM715

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宿鵬;;基于MATLAB的短期電力實(shí)用負(fù)荷預(yù)測模型的研究[J];智能電網(wǎng);2016年12期

2 林順富;郝朝;湯曉棟;李東東;符楊;;基于數(shù)據(jù)挖掘的樓宇短期負(fù)荷預(yù)測方法研究[J];電力系統(tǒng)保護(hù)與控制;2016年07期

3 葉琳浩;李達(dá)凱;黃偉;張勇軍;;考慮行業(yè)用電特性的電量預(yù)測方法研究與應(yīng)用[J];新技術(shù)新工藝;2015年06期

4 秦田田;王濤;郭小蕾;范秋楓;;基于混合模型的模糊時(shí)間序列預(yù)測的研究[J];遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年03期

5 陳曉娟;李思洋;王圣達(dá);;基于自適應(yīng)粒子群優(yōu)化的ARIMA-SVM光功率趨勢預(yù)測[J];光通信技術(shù);2015年04期

6 張藝馨;;基于布谷鳥優(yōu)化算法的電力負(fù)荷預(yù)測優(yōu)化模型[J];經(jīng)營管理者;2015年03期

7 陳帥;王勇;呂豐;楊恒;;基于灰色理論和神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J];上海電力學(xué)院學(xué)報(bào);2013年06期

8 程鎮(zhèn)寶;;電力負(fù)荷預(yù)測方法探究[J];中國高新技術(shù)企業(yè);2013年32期

9 劉顯德;楊婷婷;嚴(yán)胡勇;;基于Elman神經(jīng)網(wǎng)絡(luò)和遺傳算法的油田指標(biāo)預(yù)測#[J];計(jì)算機(jī)與現(xiàn)代化;2013年02期

10 石黃霞;何穎;董曉紅;;基于Elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型研究[J];工業(yè)儀表與自動化裝置;2013年01期

相關(guān)碩士學(xué)位論文 前10條

1 劉軻;電力系統(tǒng)短期負(fù)荷預(yù)測的研究[D];蘭州理工大學(xué);2016年

2 于浩祺;電力負(fù)荷特性分析及短期負(fù)荷預(yù)測系統(tǒng)的研發(fā)[D];湖南大學(xué);2016年

3 趙銘揚(yáng);基于神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[D];寧夏大學(xué);2016年

4 賈辛淼;基于小波分析的電力系統(tǒng)短期負(fù)荷預(yù)測的應(yīng)用研究[D];沈陽工業(yè)大學(xué);2016年

5 武巖巖;基于組合預(yù)測方法的電力負(fù)荷預(yù)測研究[D];沈陽工業(yè)大學(xué);2016年

6 王正;基于云計(jì)算和灰色神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[D];華北電力大學(xué);2016年

7 周瑜菲;惠州市中長期電力負(fù)荷規(guī)劃研究[D];華南理工大學(xué);2015年

8 郭姣姣;基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[D];遼寧工業(yè)大學(xué);2015年

9 郭杰昊;基于混沌時(shí)間序列的短期負(fù)荷預(yù)測研究[D];上海交通大學(xué);2015年

10 蔡桂潮;潮州電網(wǎng)短期負(fù)荷預(yù)測研究[D];華北電力大學(xué);2014年

，

本文編號：1713013