電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是保障電力系統(tǒng)高效運(yùn)行的重要工作之一,對(duì)電力系統(tǒng)的穩(wěn)定、經(jīng)濟(jì)、和安全運(yùn)行起著關(guān)鍵性的作用。對(duì)于負(fù)荷預(yù)測(cè)的精度問題,在電力系統(tǒng)中有著非常重大的意義,是保證電力系統(tǒng)合理調(diào)度的基礎(chǔ),電力負(fù)荷的高精度預(yù)測(cè)是學(xué)者們關(guān)注的重點(diǎn)方向之一。鑒于此,本文在分析電力負(fù)荷短期預(yù)測(cè)需求的基礎(chǔ)上,對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的原理與關(guān)鍵技術(shù)進(jìn)行了總結(jié),建立了一個(gè)考慮日氣象特征的BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型,并分別對(duì)隱含層個(gè)數(shù)為10、20、30的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了預(yù)測(cè)結(jié)果分析和誤差分析。此外,針對(duì)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程中的權(quán)重和閾值初始化而產(chǎn)生的精度不足,采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn),然后建立了考慮日氣象特征的以及遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)電力負(fù)荷短期預(yù)測(cè)模型。針對(duì)構(gòu)建的模型,以11月份蕪湖市某個(gè)區(qū)為樣本對(duì)模型進(jìn)行了訓(xùn)練,對(duì)11月21日的日負(fù)荷進(jìn)行了預(yù)測(cè)結(jié)果分析和誤差分析,得出的主要結(jié)論如下:（1）建立了一個(gè)考慮日氣象特征的BP神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)進(jìn)行了實(shí)例分析,通過對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了應(yīng)用分析,結(jié)果表明所構(gòu)建的BP神... 

【文章來源】：華北水利水電大學(xué)河南省

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

華北水利水電大學(xué)碩士學(xué)位論文30度上能夠使得網(wǎng)絡(luò)的訓(xùn)練能力有點(diǎn)提高，但會(huì)一定程度增加計(jì)算量，降低模型的訓(xùn)練速度。對(duì)于本文所研究的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)問題，選取單隱含層比較合適，可以防止建模過程變得復(fù)雜化。對(duì)于隱含層問題，隱含層的隱含層確定方法前文中已經(jīng)講述，單對(duì)于一個(gè)BP神經(jīng)網(wǎng)絡(luò)來說，要確定最佳隱含層，通常需要采取試湊的方法，隱含層太小將影響預(yù)測(cè)的精度，隱含層過多也會(huì)是的網(wǎng)絡(luò)變得復(fù)雜，有可能使得預(yù)測(cè)的誤差增大，訓(xùn)練也會(huì)變得過長(zhǎng)。在這里我們將隱含層的隱含層分別確定為10、20、30進(jìn)行各自對(duì)比分析。綜上所述，我們得到了與日特征相關(guān)因素的三層BP神經(jīng)網(wǎng)絡(luò)，如下圖所示，輸入層由24個(gè)電力負(fù)荷數(shù)據(jù)和三個(gè)氣象特征向量組成27個(gè)神經(jīng)元，輸出層即為預(yù)測(cè)日的24個(gè)電力負(fù)荷數(shù)據(jù)。圖4-1研究區(qū)電力負(fù)荷BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig.4-1Topologicalstructureofneuralnetworkforpowerloadinresearcharea（3）BP神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值的初始化閾值的初始權(quán)值的選取在BP神經(jīng)網(wǎng)絡(luò)中是一個(gè)很關(guān)鍵的問題，選取不合適將會(huì)對(duì)計(jì)算結(jié)果產(chǎn)生深遠(yuǎn)影響。初始值不能選取過大，初始化值一般情況下選取在（0，1）或（-1，1）之間。激活函數(shù)與初始權(quán)值有關(guān)，S函數(shù)的初始化區(qū)間為（0，1），正切函數(shù)權(quán)值為（-1，1）[114]。（4）傳遞函數(shù)的設(shè)計(jì)

4基于BP神經(jīng)網(wǎng)絡(luò)模型的電力系統(tǒng)負(fù)荷短期預(yù)測(cè)31BP神經(jīng)網(wǎng)絡(luò)隱含層的神經(jīng)元傳遞函數(shù)選取雙曲正切函數(shù)tansig(),雙曲正切函數(shù)可以將樣本數(shù)據(jù)中的輸入變量映射在（-1,1）的區(qū)間上，盡量使輸入變量處在最大的閾值范圍。BP神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元傳遞函數(shù)選取S型對(duì)數(shù)函數(shù)logsig()。S型對(duì)數(shù)函數(shù)與S型正切函數(shù)相同，只不過S型對(duì)數(shù)函數(shù)映射的區(qū)間為(0，1)。因?yàn)檩敵龅暮瘮?shù)值在[0,1]之間，符合網(wǎng)絡(luò)輸出的要求[115]。（5）訓(xùn)練參數(shù)的確定BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)包括訓(xùn)練次數(shù)、訓(xùn)練目標(biāo)誤差和學(xué)習(xí)率。學(xué)習(xí)率影響網(wǎng)絡(luò)收斂速度，當(dāng)學(xué)習(xí)率取值過大時(shí)，將會(huì)造成系統(tǒng)震蕩及網(wǎng)絡(luò)不收斂。而該值過小增加網(wǎng)絡(luò)訓(xùn)練的步長(zhǎng)，致使計(jì)算速度降低，收斂過慢，此外也會(huì)增加產(chǎn)生局部最小的可能。因此，學(xué)習(xí)速率的選取要按照從大到小逐個(gè)進(jìn)行嘗試，當(dāng)網(wǎng)絡(luò)不收斂就往小齲當(dāng)收斂速度太慢的時(shí)候就往大值取[116]。本文中學(xué)習(xí)率確定為0.000001。訓(xùn)練樣本大小和訓(xùn)練次數(shù)選取息息相關(guān)。當(dāng)訓(xùn)練次數(shù)過大時(shí)，網(wǎng)絡(luò)收斂的速度將會(huì)明顯降低。訓(xùn)練的次數(shù)過少，則會(huì)造成網(wǎng)絡(luò)不收斂。本文中訓(xùn)練次數(shù)的選取20000。訓(xùn)練目標(biāo)誤差的選取要根據(jù)設(shè)計(jì)的要求，目標(biāo)參數(shù)要在設(shè)計(jì)所要求的誤差范圍之內(nèi)。如果設(shè)定了過大的目標(biāo)誤差，會(huì)導(dǎo)致預(yù)測(cè)結(jié)果的精度無法滿足。而過小時(shí)，會(huì)導(dǎo)致計(jì)算時(shí)間過長(zhǎng)，收斂速度過慢，甚至達(dá)不到誤差設(shè)定值。本文中訓(xùn)練目標(biāo)誤差為0.00001。（6）Matlab建模與編碼模型構(gòu)建和預(yù)測(cè)結(jié)果的仿真在matlab2018b中實(shí)現(xiàn)，代碼域局部如下圖所示：圖4-2.Matlab2018b建模的BP神經(jīng)網(wǎng)絡(luò)模型代碼局部展示Fig.4-2.PartialdisplayofBPNNmodelcodemodeledbyMATLAB2018b

【參考文獻(xiàn)】：
期刊論文
[1]基于互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J]. 趙會(huì)茹,趙一航,郭森.  中國(guó)電力. 2020(06)
[2]電力系統(tǒng)負(fù)荷預(yù)測(cè)綜述[J]. 王棟.  電氣開關(guān). 2020(01)
[3]基于隨機(jī)分布式嵌入框架及BP神經(jīng)網(wǎng)絡(luò)的超短期電力負(fù)荷預(yù)測(cè)[J]. 李國(guó)慶,劉釗,金國(guó)彬,權(quán)然.  電網(wǎng)技術(shù). 2020(02)
[4]基于Wide&Deep-LSTM模型的短期臺(tái)區(qū)負(fù)荷預(yù)測(cè)[J]. 呂海燦,王偉峰,趙兵,張毅,郭秋婷,胡偉.  電網(wǎng)技術(shù). 2020(02)
[5]電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法比較[J]. 程超.  科技風(fēng). 2020(02)
[6]考慮氣象因素的短期電力負(fù)荷預(yù)測(cè)研究[J]. 黃文思.  計(jì)算機(jī)應(yīng)用與軟件. 2020(01)
[7]基于遺傳BP神經(jīng)網(wǎng)絡(luò)的攪拌摩擦焊溫度模型[J]. 張喆,張永林,陳書錦.  熱加工工藝. 2020(03)
[8]基于EEMD-GRU-MLR的短期電力負(fù)荷預(yù)測(cè)[J]. 鄧帶雨,李堅(jiān),張真源,滕予非,黃琦.  電網(wǎng)技術(shù). 2020(02)
[9]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的YG8硬質(zhì)合金耐磨性預(yù)測(cè)模型[J]. 李帆,閆獻(xiàn)國(guó),陳峙,郭宏,姚永超,董良,陳玉華.  金屬熱處理. 2019(12)
[10]基于趨勢(shì)變化分段的電力負(fù)荷組合預(yù)測(cè)方法[J]. 譚風(fēng)雷,張軍,馬宏忠.  華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(02)

博士論文
[1]電力系統(tǒng)精細(xì)化預(yù)測(cè)理論與方法[D]. 李龍.湖南大學(xué) 2017
[2]組合預(yù)測(cè)方法及其應(yīng)用研究[D]. 馬濤.蘭州大學(xué) 2017
[3]灰色預(yù)測(cè)模型及中長(zhǎng)期電力負(fù)荷預(yù)測(cè)應(yīng)用研究[D]. 王大鵬.華中科技大學(xué) 2013

碩士論文
[1]基于深度學(xué)習(xí)的智能電網(wǎng)短期電力負(fù)荷預(yù)測(cè)研究[D]. 常峰銘.湘潭大學(xué) 2019
[2]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)短期負(fù)荷預(yù)測(cè)[D]. 朱云豐.南昌大學(xué) 2019
[3]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)問題研究[D]. 李燦.西安理工大學(xué) 2018
[4]基于BP神經(jīng)網(wǎng)絡(luò)的區(qū)域配電網(wǎng)中期電力負(fù)荷預(yù)測(cè)[D]. 陳宇杰.吉林大學(xué) 2017
[5]基于組合預(yù)測(cè)模型的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究[D]. 程晶晶.安徽理工大學(xué) 2015
[6]基于BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)的研究[D]. 隋惠惠.哈爾濱工業(yè)大學(xué) 2015
[7]大數(shù)據(jù)技術(shù)在負(fù)荷預(yù)測(cè)與負(fù)荷特性分析中的應(yīng)用[D]. 杜明建.東南大學(xué) 2015
[8]電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的研究[D]. 梁京偉.山東大學(xué) 2014
[9]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[D]. 段侯峰.北京交通大學(xué) 2008
[10]電力系統(tǒng)負(fù)荷分類研究[D]. 張忠華.天津大學(xué) 2007



本文編號(hào)：3319484