電力負荷預(yù)測是電網(wǎng)發(fā)展規(guī)劃、運行維護的關(guān)鍵,其準確性是保證電網(wǎng)穩(wěn)定運行、地區(qū)經(jīng)濟穩(wěn)定發(fā)展的前提。但在實際工作中,模型精度不足成為影響負荷預(yù)測結(jié)果的一大因素。因此,研究提高模型精度以實現(xiàn)更加精準高效的負荷預(yù)測具備重大理論意義和工程價值。本文研究內(nèi)容具體如下:1.敘述了電力負荷及其預(yù)測的方法步驟,BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)、求解過程;分析深度學(xué)習基本原理,利用大量樣本數(shù)據(jù)對多層網(wǎng)絡(luò)結(jié)構(gòu)進行訓(xùn)練,獲得數(shù)據(jù)集最根本的特征,有效提高數(shù)據(jù)處理的準確度;針對以往神經(jīng)型網(wǎng)絡(luò)不能滿足深度學(xué)習訓(xùn)練,采用逐層訓(xùn)練的方法,將訓(xùn)練過程分成從下至上借助無監(jiān)督學(xué)習模式、從上至下借助監(jiān)督學(xué)習模式兩個環(huán)節(jié),使網(wǎng)絡(luò)的性能更加優(yōu)化;深入分析深度學(xué)習的深度置信網(wǎng)絡(luò)（Deep Belief Network,DBN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）和自動編碼器（Auto-Encoder,AE）三種基本方法,詳細敘述DBN法、CNN法與AE法的計算過程。2.以山東濰坊地區(qū)兩年內(nèi)單日電力負荷均值數(shù)據(jù)、氣溫單日均值數(shù)據(jù)、節(jié)假日和非節(jié)假日的負荷均值變化,選用Matlab仿真驗證日期、節(jié)假日... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．?１?ＢＰ神經(jīng)網(wǎng)絡(luò)模型??

?山東大學(xué)碩士學(xué)位論文???（?幵始?）????ｒ?ｒ???Ｉｚｉｇ化參數(shù)???ｊｒ???■．給—輸１＾．．．．．．???＾?；???求取各層各神經(jīng)元的ｉ??輸出??１??求取期銷輸出和實際??Ｅ是否滿足要求?—－？—｜??，達到最大訓(xùn)練＼???＼次數(shù)?ｖ??Ｎ??＇Ｗ??計兌隱含＾誤差???＞???取—運差梯度???Ｊ?＞???——ｉ?調(diào)整權(quán)值??圖２．２?ＢＰ神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖??２．３深度學(xué)習??２００６年，以Ｈｉｎｔｏｎ為首的研究人員率先提出深度學(xué)習這一概念【３Ｗ７］，并被視??作機器學(xué)習領(lǐng)域的新大陸，人工智能的研宄和發(fā)展也因此進入新的篇章。隨著非監(jiān)??督型貪婪算法的面世，實現(xiàn)深層結(jié)構(gòu)網(wǎng)絡(luò)的參數(shù)更加優(yōu)化的可能性大幅提升。同時，??各類以深度置信網(wǎng)絡(luò)模型為基礎(chǔ)的網(wǎng)絡(luò)模型紛紛面世并且快速發(fā)展，這其中以卷積??型神經(jīng)網(wǎng)絡(luò)和堆棧自編碼器型網(wǎng)絡(luò)為常見代表。??２．３．１深度學(xué)習的基本原理??自深度學(xué)習這一概念被提出之后，許多研宄和應(yīng)用領(lǐng)域均能可見其身影％３９］。??在語音識別領(lǐng)域，己經(jīng)確認卷積神經(jīng)型網(wǎng)絡(luò)在含噪語音識別方面具有著非常好的效??果；在圖像識別領(lǐng)域，卷積神經(jīng)型網(wǎng)絡(luò)同樣在圖像分類環(huán)節(jié)能夠發(fā)揮出巨大作用；??在文本識別領(lǐng)域，以深度學(xué)習為設(shè)計基礎(chǔ)的各類工具正被大規(guī)模引用。??深度學(xué)習可模仿人腦神經(jīng)元對數(shù)據(jù)進行非線性的學(xué)習，具備許多優(yōu)勢。一方面，??各特征數(shù)據(jù)均共用相同的網(wǎng)絡(luò)結(jié)構(gòu)，有利于深層特征的提取與網(wǎng)絡(luò)記憶能力的提升；??９??

?山東大學(xué)碩士學(xué)位論文???另一方面，能夠借助對非線性網(wǎng)絡(luò)構(gòu)造的學(xué)習來逼近復(fù)雜函數(shù)，并將數(shù)據(jù)進行分布??式的顯示。??此前各類神經(jīng)網(wǎng)絡(luò)多借助反向傳播性算法進行數(shù)據(jù)的學(xué)習，同人工規(guī)則機制相??比，該方式有一定優(yōu)勢，但根本來講還處于淺層模型范疇。在研宄層次愈加深入與??并行計算水平快速提升的背景下，研究人員觀察到相比于單層網(wǎng)絡(luò)，多層神經(jīng)網(wǎng)絡(luò)??的最終效果更好，借助深層網(wǎng)絡(luò)所提取的特征來進行分類，最終分類的效果更好。??在深層網(wǎng)絡(luò)中有許多參數(shù)，因此在記憶特征表示方面的能力十分強大。??深度學(xué)習型神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)同傳統(tǒng)網(wǎng)絡(luò)有著諸多相似之處，網(wǎng)絡(luò)中包含有輸入、??輸出層與多個隱含層，同層的神經(jīng)元沒有連接，層層之間進行連接，其模型結(jié)構(gòu)如??圖２．３所示。??，？一??識??（）（）ｉ?）（）??？?隱含層??（Ｊ?Ｏ?（Ｊ?ｏ??圓??：）（）??、－，?乂？一－Ｚ??圖２．３深度學(xué)習網(wǎng)絡(luò)結(jié)構(gòu)??深度學(xué)習網(wǎng)絡(luò)模型利用大量樣本數(shù)據(jù)對多層網(wǎng)絡(luò)結(jié)構(gòu)進行訓(xùn)練，從而獲得數(shù)據(jù)??集最根本的特征，從而為信息分類處理或預(yù)測奠定基礎(chǔ)，能夠有效提高數(shù)據(jù)處理的??準確度。??２．３．２深度學(xué)習的訓(xùn)練過程??由于網(wǎng)絡(luò)模型若干個隱含層的存在，此前的神經(jīng)型網(wǎng)絡(luò)訓(xùn)練算法并不能滿足深??度學(xué)習的要求，其主要因素為［４（），４１］：??（１）網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，包含的層數(shù)較多，導(dǎo)致誤差信號在從上至下傳遞時不??斷衰減，抵達最底層之后十分微弱，起到的調(diào)節(jié)作用不合格。??（２）網(wǎng)絡(luò)層數(shù)較多時，傳統(tǒng)算法容易出現(xiàn)收斂至局部最優(yōu)情況。??（３）此前的算法僅能對有標簽的樣本進行相應(yīng)訓(xùn)練，人腦卻能夠在無標簽的樣??１０??

【參考文獻】：
期刊論文
[1]基于趨勢變化分段的電力負荷組合預(yù)測方法[J]. 譚風雷,張軍,馬宏忠.  華北電力大學(xué)學(xué)報(自然科學(xué)版). 2020(02)
[2]配電網(wǎng)規(guī)劃中電力負荷預(yù)測方法研究綜述[J]. 鄧永生,焦豐順,張瑞鋒,王將平.  電器與能效管理技術(shù). 2019(14)
[3]考慮小樣本統(tǒng)計的BP神經(jīng)網(wǎng)絡(luò)配電系統(tǒng)可靠性預(yù)測方法[J]. 王宏剛,田洪迅,李浩松,王越,施明泰,萬濤,李金,康泰峰.  電力科學(xué)與技術(shù)學(xué)報. 2019(02)
[4]基于偏最小二乘法的電力負荷預(yù)測運用分析[J]. 李維鵬.  電子制作. 2019(12)
[5]基于GA-RBF神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預(yù)測[J]. 李婧,田龍威,王艷青.  上海電力學(xué)院學(xué)報. 2019(03)
[6]受限玻爾茲曼機研究綜述[J]. 張健,丁世飛,張楠,杜鵬,杜威,于文家.  軟件學(xué)報. 2019(07)
[7]基于配用電信息分區(qū)分類的短期空間負荷預(yù)測[J]. 吳爭榮,孔祥玉,董旭柱,俞曉勇,袁梟梟.  電力系統(tǒng)及其自動化學(xué)報. 2019(02)
[8]基于混沌理論的電力系統(tǒng)負荷預(yù)測應(yīng)用[J]. 張超,陳杰睿,馮平.  計算機與數(shù)字工程. 2018(11)
[9]采用長短期記憶深度學(xué)習模型的工業(yè)負荷短期預(yù)測方法[J]. 楊甲甲,劉國龍,趙俊華,文福拴,董朝陽.  電力建設(shè). 2018(10)
[10]基于深度學(xué)習的人工智能設(shè)計決策模型[J]. 王亞輝,余隋懷,陳登凱,初建杰,劉卓,王金磊,馬寧.  計算機集成制造系統(tǒng). 2019(10)

博士論文
[1]組合預(yù)測方法及其應(yīng)用研究[D]. 馬濤.蘭州大學(xué) 2017
[2]數(shù)據(jù)挖掘方法在短期負荷預(yù)測中的應(yīng)用研究[D]. 王志勇.浙江大學(xué) 2007

碩士論文
[1]SVM與神經(jīng)網(wǎng)絡(luò)的組合模型在短期電力負荷預(yù)測中的應(yīng)用研究[D]. 金樑.吉林大學(xué) 2018
[2]基于受限玻爾茲曼機協(xié)同過濾和Hadoop-Mahout的課程推薦算法的研究[D]. 徐文健.遼寧師范大學(xué) 2018
[3]基于深度神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預(yù)測模型研究[D]. 于惠鳴.青島大學(xué) 2018
[4]基于深度學(xué)習模型的感應(yīng)電機故障診斷方法研究[D]. 孫文珺.東南大學(xué) 2017
[5]配電網(wǎng)負荷預(yù)測及其規(guī)劃優(yōu)化方法的研究與實踐應(yīng)用[D]. 張鑫.山東大學(xué) 2016
[6]基于受限玻爾茲曼機的深度學(xué)習方法研究[D]. 張怡康.北京化工大學(xué) 2016
[7]基于受限玻爾茲曼機的深度學(xué)習模型及其應(yīng)用[D]. 張艷霞.電子科技大學(xué) 2016
[8]智能配電網(wǎng)饋線負荷預(yù)測系統(tǒng)研究[D]. 董聰.哈爾濱工業(yè)大學(xué) 2014
[9]配電網(wǎng)分布式負荷預(yù)測方法[D]. 張勁帆.湖南大學(xué) 2013
[10]智能配電網(wǎng)短期負荷預(yù)測研究[D]. 楊占杰.天津大學(xué) 2012



本文編號：3365911