近年來,經(jīng)濟社會的快速發(fā)展使電力系統(tǒng)面臨著越發(fā)嚴峻的挑戰(zhàn)。電力系統(tǒng)的安全調(diào)度和社會的正常生產(chǎn)與電力負荷預測（STLF）的準確程度直接相關(guān)。目前,很多學者將小波神經(jīng)網(wǎng)絡應用到電力負荷預測中,取得了較好的效果。但預測精度還不能滿足實際應用的需要,因此,本文針對該問題,將小波神經(jīng)網(wǎng)絡與混合蛙跳算法結(jié)合進行了電力負荷預測研究。首先,本文從電力負荷數(shù)據(jù)的混沌特性出發(fā),用C-C法求出該時間序列的嵌入維數(shù)m和時間延遲τ,來對實際負荷數(shù)據(jù)進行相空間重構(gòu)。通過此方法來獲得該時間序列中隱藏的更多有用信息。并對數(shù)據(jù)進行了歸一化處理來加快算法的收斂速度。其次,本文用實際電力負荷數(shù)據(jù)進行了基于梯度下降算法的小波神經(jīng)網(wǎng)絡（Wavelet Neural Network,WNN）短期電力負荷預測仿真實驗,結(jié)果表明,小波神經(jīng)網(wǎng)絡預測模型可以取得比較好的效果,但仍有改進空間。再次,針對小波神經(jīng)網(wǎng)絡中梯度下降算法對初值敏感,容易陷入局部最優(yōu)的問題。分別提出了兩種改進算法,一種是在梯度下降算法中加入自適應學習率和懲罰項,即IWNN;另一種則采用混合蛙跳算法（Shuffled Frog Leaping Algorithms,S... 

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 短期電力負荷預測的國內(nèi)外研究現(xiàn)狀
        1.2.2 混沌時間序列在電力負荷預測中的研究現(xiàn)狀
    1.3 本文主要內(nèi)容及結(jié)構(gòu)安排
第2章 電力負荷預測的相關(guān)理論基礎
    2.1 混沌理論的產(chǎn)生和發(fā)展
    2.2 混沌時間序列
        2.2.1 混沌的定義及特征
        2.2.2 混沌時間序列
    2.3 短期電力負荷預測數(shù)據(jù)來源
    2.4 電力負荷時間序列的相空間重構(gòu)
        2.4.1 相空間重構(gòu)理論
        2.4.2 相空間重構(gòu)中參數(shù)的選取方法
        2.4.3 短期電力負荷預測相空間重構(gòu)仿真實例
    2.5 本章小結(jié)
第3章 基于WNN的短期電力負荷預測設計及仿真
    3.1 小波神經(jīng)網(wǎng)絡相關(guān)理論
        3.1.1 人工神經(jīng)網(wǎng)絡
        3.1.2 小波神經(jīng)網(wǎng)絡
    3.2 小波神經(jīng)網(wǎng)絡預測算法
        3.2.1 預測模型構(gòu)建思路
        3.2.2 小波神經(jīng)網(wǎng)絡結(jié)構(gòu)的確定
        3.2.3 小波函數(shù)的確定
        3.2.4 小波神經(jīng)網(wǎng)絡學習算法
    3.3 基于WNN的短期電力負荷預測仿真與分析
        3.3.1 短期電力負荷預測評價指標
        3.3.2 基于WNN的短期電力負荷預測算法步驟
        3.3.3 基于WNN的短期電力負荷預測實例仿真與分析
    3.4 本章小結(jié)
第4章 基于SFLA的小波神經(jīng)網(wǎng)絡短期電力負荷預測
    4.1 帶懲罰項和自適應學習率的小波神經(jīng)網(wǎng)絡
        4.1.1 懲罰項簡介
        4.1.2 自適應學習率
    4.2 基于IWNN的短期電力負荷預測實例仿真
    4.3 混合蛙跳算法簡介
        4.3.1 混合蛙跳算法原理及數(shù)學模型
        4.3.2 SFLA算法流程
    4.4 基于SFLA-WNN的短期電力負荷預測
        4.4.1 基于SFLA-WNN的短期電力負荷預測實現(xiàn)步驟
        4.4.2 基于SFLA-WNN的短期電力負荷預測仿真及分析
    4.5 本章小結(jié)
第5章 基于CSFLA-WNN的短期電力負荷預測
    5.1
        5.1.1 基于IWNN的混合蛙跳算法初始種群構(gòu)造
        5.1.2 基于自適應移動因子的局部搜索策略
        5.1.3 CSFLA算法流程
    5.2 改進混合蛙跳算法性能測試仿真
        5.2.1 測試函數(shù)的選取
        5.2.2 仿真結(jié)果與分析
    5.3 基于CSFLA-WNN的短期電力負荷預測
        5.3.1 基于CSFLA-WNN的短期電力負荷預測步驟
        5.3.2 基于CSFLA-WNN的短期電力負荷預測仿真及分析
    5.4 本章小結(jié)
結(jié)論
致謝
參考文獻


【參考文獻】：
期刊論文
[1]BP與小波神經(jīng)網(wǎng)絡短時交通流預測對比研究[J]. 王健,孫結(jié)松.  科技視界. 2014(24)
[2]基于FHNN相似日聚類自適應權(quán)重的短期電力負荷組合預測[J]. 牛東曉,魏亞楠.  電力系統(tǒng)自動化. 2013(03)
[3]改進的混合蛙跳算法[J]. 葛宇,王學平,梁靜.  計算機應用. 2012(01)
[4]淺析電力系統(tǒng)負荷的混沌預測方法[J]. 賀志強,張洪萍,馮平,蔡環(huán)宇,秦志強.  四川建筑. 2011(01)
[5]混合蛙跳算法的Markov模型及其收斂性分析[J]. 駱劍平,李霞,陳泯融.  電子學報. 2010(12)
[6]用PSO優(yōu)化BP神經(jīng)網(wǎng)絡的母線負荷預測方法[J]. 彭信淞,賀輝,姚建剛,鐘立軍,梁文舉,王建.  電力系統(tǒng)及其自動化學報. 2010(05)
[7]電力系統(tǒng)暫態(tài)保護中小波基的選擇與應用[J]. 楊淑英,王麗宏,杜榮華,蘇濤.  電力系統(tǒng)及其自動化學報. 2008(05)
[8]基于EMD方法的混沌時間序列預測[J]. 楊永鋒,任興民,秦衛(wèi)陽,吳亞鋒,支希哲.  物理學報. 2008(10)
[9]粒子群算法在小波神經(jīng)網(wǎng)絡中的應用[J]. 岑翼剛,秦元慶,孫德寶,李寧.  系統(tǒng)仿真學報. 2004(12)
[10]基于小波分解和人工神經(jīng)網(wǎng)絡的短期負荷預測[J]. 徐軍華,劉天琪.  電網(wǎng)技術(shù). 2004(08)

博士論文
[1]時間序列中的混沌判定、預報及其在電力系統(tǒng)中的應用[D]. 楊正瓴.天津大學 2003

碩士論文
[1]基于混沌時間序列的短期負荷預測研究[D]. 郭杰昊.上海交通大學 2015
[2]基于混沌和小波神經(jīng)網(wǎng)絡的短時交通流預測方法研究[D]. 金玉婷.西南交通大學 2014
[3]混合蛙跳算法研究[D]. 馬平莉.西安電子科技大學 2013
[4]基于混沌和小波神經(jīng)網(wǎng)絡的短期電力負荷預測方法研究[D]. 劉奎.西南交通大學 2012
[5]短期電力負荷的小波神經(jīng)網(wǎng)絡預測[D]. 陳標.湖南大學 2012
[6]基于改進粒子群—小波神經(jīng)網(wǎng)絡的預測模型及其應用研究[D]. 陳彩霞.華中師范大學 2011
[7]基于改進蛙跳算法的多目標優(yōu)化問題研究[D]. 王曉笛.湖南師范大學 2011
[8]粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡控制器[D]. 費磊.哈爾濱理工大學 2011
[9]優(yōu)化問題的幾種智能算法[D]. 趙鵬軍.西安電子科技大學 2009



本文編號：3733121