發(fā)布時(shí)間：2021-07-25 18:26

　　隨著我國電力行業(yè)的高速發(fā)展以及智能電網(wǎng)建設(shè)的推進(jìn),電能已經(jīng)成為人民日常生活工作中不可或缺的能源。各種分布式電源的接入和微網(wǎng)的并網(wǎng)運(yùn)行,使電力系統(tǒng)的復(fù)雜程度急劇上升,也使系統(tǒng)負(fù)荷的隨機(jī)性和非線性大大增加,對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)的準(zhǔn)確度和穩(wěn)定性提出了嚴(yán)峻的挑戰(zhàn)。電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是一項(xiàng)繁瑣復(fù)雜的課題,其影響因素種類繁多,預(yù)測(cè)方法也層出不窮。本文通過研究國內(nèi)外學(xué)者的優(yōu)秀研究成果,分析了影響預(yù)測(cè)結(jié)果的因素,并對(duì)神經(jīng)網(wǎng)絡(luò)的原理進(jìn)行了詳細(xì)的闡述。針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度低下的問題,本文將脊波神經(jīng)網(wǎng)絡(luò)應(yīng)用到短期負(fù)荷預(yù)測(cè)領(lǐng)域中,并取得了不錯(cuò)的預(yù)測(cè)效果。但對(duì)于波動(dòng)隨機(jī)性較大的負(fù)荷來說,常規(guī)脊波神經(jīng)網(wǎng)絡(luò)具有很大的局限性,預(yù)測(cè)穩(wěn)定性較差。由此,本文將常規(guī)脊波神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn),提出一種基于脊波遞歸神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)模型。在常規(guī)脊波神經(jīng)網(wǎng)絡(luò)模型中引入承接層,以此來存儲(chǔ)網(wǎng)絡(luò)隱含層神經(jīng)元內(nèi)部當(dāng)前時(shí)刻的狀態(tài)信息,并在下一時(shí)刻傳遞給隱含層自身,進(jìn)而增強(qiáng)了網(wǎng)絡(luò)模型的反饋連接。采用脊波變換函數(shù)作為隱含層神經(jīng)元內(nèi)部的激勵(lì)函數(shù),增強(qiáng)了網(wǎng)絡(luò)模型對(duì)于非線性負(fù)荷的優(yōu)化處理能力。最后采用粒子群優(yōu)化算法對(duì)脊波參數(shù)和連接權(quán)值進(jìn)行優(yōu)化,... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景和意義
    1.2 短期負(fù)荷預(yù)測(cè)研究現(xiàn)狀
        1.2.1 傳統(tǒng)經(jīng)典預(yù)測(cè)方法
        1.2.2 現(xiàn)代智能化預(yù)測(cè)方法
    1.3 本文主要研究內(nèi)容
第二章 人工神經(jīng)網(wǎng)絡(luò)在短期負(fù)荷預(yù)測(cè)中的應(yīng)用
    2.1 短期負(fù)荷預(yù)測(cè)
        2.1.1 短期負(fù)荷預(yù)測(cè)的特點(diǎn)
        2.1.2 影響短期負(fù)荷預(yù)測(cè)的因素
        2.1.3 短期負(fù)荷預(yù)測(cè)基本步驟
    2.2 人工神經(jīng)網(wǎng)絡(luò)
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)概述
        2.2.2 人工神經(jīng)網(wǎng)絡(luò)分類及應(yīng)用
    2.3 BP神經(jīng)網(wǎng)絡(luò)
        2.3.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型及算法
        2.3.2 BP神經(jīng)網(wǎng)絡(luò)分析
    2.4 Elman神經(jīng)網(wǎng)絡(luò)
        2.4.1 Elman神經(jīng)網(wǎng)絡(luò)模型
        2.4.2 Elman神經(jīng)網(wǎng)絡(luò)算法分析
    2.5 本章小結(jié)
第三章 基于脊波遞歸神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)模型
    3.1 脊波神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型
        3.1.1 RNN預(yù)測(cè)模型及算法
        3.1.2 算例分析
    3.2 脊波遞歸神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型
        3.2.1 RRNN預(yù)測(cè)模型的構(gòu)造
        3.2.2 RRNN預(yù)測(cè)模型的訓(xùn)練優(yōu)化
        3.2.3 算例分析
    3.3 本章小結(jié)
第四章 基于深度脊波神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)模型
    4.1 深度神經(jīng)網(wǎng)絡(luò)
        4.1.1 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
        4.1.2 受限的玻爾茲曼機(jī)模型結(jié)構(gòu)
        4.1.3 深度神經(jīng)網(wǎng)絡(luò)模型
    4.2 深度脊波神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型
        4.2.1 DRNN預(yù)測(cè)模型的構(gòu)造
        4.2.2 DRNN預(yù)測(cè)模型的訓(xùn)練算法
        4.2.3 算例分析
    4.3 深度脊波遞歸神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)模型
        4.3.1 DRRNN預(yù)測(cè)模型的構(gòu)造
        4.3.2 DRRNN模型的優(yōu)化訓(xùn)練
        4.3.3 算例分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]復(fù)雜數(shù)據(jù)源下基于深度卷積網(wǎng)絡(luò)的局部放電模式識(shí)別[J]. 宋輝,代杰杰,張衛(wèi)東,畢凱,盛戈皞,江秀臣.  高電壓技術(shù). 2018(11)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的四旋翼雙閉環(huán)PID軌跡跟蹤控制[J]. 劉凱.  工業(yè)控制計(jì)算機(jī). 2018(11)
[3]基于GRNN網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)研究[J]. 李宗熹,傅曉錦.  機(jī)電信息. 2018(33)
[4]基于BP神經(jīng)網(wǎng)絡(luò)的空中機(jī)器人傳感控制研究[J]. 楊輝,吳賽燕.  中國電子科學(xué)研究院學(xué)報(bào). 2018(04)
[5]動(dòng)態(tài)相似與靜態(tài)相似相結(jié)合的短期負(fù)荷預(yù)測(cè)方法[J]. 方八零,李龍,趙家鑄,王堅(jiān),趙習(xí)猛,黎燦兵,李奇遠(yuǎn).  電力系統(tǒng)保護(hù)與控制. 2018(15)
[6]基于自適應(yīng)動(dòng)量因子的區(qū)間神經(jīng)網(wǎng)絡(luò)建模方法[J]. 陳實(shí),易軍,李倩,黃迪,李太福.  四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)
[7]基于DSP和自組織競爭神經(jīng)網(wǎng)絡(luò)的數(shù)粒機(jī)控制系統(tǒng)[J]. 蔡錦達(dá),唐靜,齊建虹,李祥偉.  控制工程. 2017(03)
[8]基于改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)的廢舊零部件再制造工藝方案決策方法[J]. 李聰波,馮亞,杜彥斌,李玲玲.  計(jì)算機(jī)集成制造系統(tǒng). 2016(03)
[9]基于深層神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)[J]. 何琬,劉進(jìn),朱肖晶.  環(huán)境與可持續(xù)發(fā)展. 2016(01)
[10]基于混沌時(shí)間序列法的微網(wǎng)短期負(fù)荷預(yù)測(cè)[J]. 李東東,覃子珊,林順富,鄭小霞,王天祥.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2015(05)

碩士論文
[1]基于SARIMA與SVR的短期電力負(fù)荷預(yù)測(cè)[D]. 劉龍龍.東華理工大學(xué) 2018
[2]基于機(jī)器學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)算法研究[D]. 牟豐.西安科技大學(xué) 2018
[3]基于混沌鯨魚群優(yōu)化人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[D]. 袁超.華北電力大學(xué) 2018
[4]基于回歸分析的短期負(fù)荷概率密度預(yù)測(cè)方法研究[D]. 蒙園.華北電力大學(xué)(北京) 2018
[5]基于CSO-BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[D]. 蘇舟.西安理工大學(xué) 2017
[6]基于深度置信網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法及其應(yīng)用研究[D]. 張國輝.哈爾濱工業(yè)大學(xué) 2017
[7]基于小波—灰色模型的電力負(fù)荷預(yù)測(cè)研究[D]. 韓文婧.山東大學(xué) 2017
[8]電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法的研究與應(yīng)用[D]. 付宏宇.東華大學(xué) 2017
[9]基于視覺生理機(jī)制的深度學(xué)習(xí)網(wǎng)絡(luò)改進(jìn)研究[D]. 喻楊洋.電子科技大學(xué) 2017
[10]基于組合模型的最大電力負(fù)荷預(yù)測(cè)[D]. 劉玉東.蘭州大學(xué) 2017



本文編號(hào)：3302540