發(fā)布時(shí)間：2024-04-09 03:47

　　電力系統(tǒng)是近幾十年來(lái)最為復(fù)雜的人工智能系統(tǒng)之一,隨著系統(tǒng)的不斷發(fā)展壯大,精準(zhǔn)的負(fù)荷預(yù)測(cè)在系統(tǒng)的安全、高效、經(jīng)濟(jì)運(yùn)行中發(fā)揮著重大作用。短期負(fù)荷預(yù)測(cè)作為電力系統(tǒng)運(yùn)行中必不可少的一項(xiàng)工作,是合理安排機(jī)組開(kāi)停計(jì)劃、制定調(diào)度計(jì)劃的基礎(chǔ),因此如何提高短期負(fù)荷預(yù)測(cè)的精度成為國(guó)內(nèi)外學(xué)者普遍關(guān)注的重點(diǎn)問(wèn)題。本文首先介紹了短期負(fù)荷預(yù)測(cè)的特點(diǎn)、影響因素以及基本預(yù)測(cè)流程,接著對(duì)在短期負(fù)荷預(yù)測(cè)中占重要地位的人工神經(jīng)網(wǎng)絡(luò)作了簡(jiǎn)要說(shuō)明,并重點(diǎn)介紹了具有動(dòng)態(tài)遞歸特性的Elman神經(jīng)網(wǎng)絡(luò)。針對(duì)傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果隨機(jī)性大、預(yù)測(cè)精度不高的缺點(diǎn),構(gòu)建了基于Bagging算法與Elman神經(jīng)網(wǎng)絡(luò)融合的短期負(fù)荷預(yù)測(cè)模型。該模型是利用Bagging算法來(lái)改善傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果隨機(jī)性大的問(wèn)題,以提高預(yù)測(cè)模型的預(yù)測(cè)精度和穩(wěn)定性。通過(guò)實(shí)例仿真驗(yàn)證,與傳統(tǒng)的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相比,該模型可有效提高預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性。在基于Bagging算法與Elman神經(jīng)網(wǎng)絡(luò)融合的短期負(fù)荷預(yù)測(cè)模型中,每個(gè)Elman神經(jīng)網(wǎng)絡(luò)的子訓(xùn)練集樣本均按同一概率采樣的方式產(chǎn)生,對(duì)預(yù)測(cè)誤差大的樣本不能給予更多關(guān)注,且最終的預(yù)測(cè)結(jié)果僅為各...

【文章頁(yè)數(shù)】：62 頁(yè)

【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 國(guó)內(nèi)外研究動(dòng)態(tài)
    1.3 本文主要工作
第二章 短期負(fù)荷預(yù)測(cè)及神經(jīng)網(wǎng)絡(luò)技術(shù)
    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 短期負(fù)荷預(yù)測(cè)的影響因素
        2.1.3 短期負(fù)荷預(yù)測(cè)的基本流程
    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
    2.3 Elman神經(jīng)網(wǎng)絡(luò)
        2.3.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 Elman神經(jīng)網(wǎng)絡(luò)算法
        2.3.3 Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程
    2.4 本章小結(jié)
第三章 基于Bagging算法與Elman-NN融合的短期負(fù)荷預(yù)測(cè)模型
    3.1 集成學(xué)習(xí)
    3.2 Bagging算法
        3.2.1 Bagging算法簡(jiǎn)介
        3.2.2 Bagging算法的具體實(shí)現(xiàn)
    3.3 基于Bagging算法與Elman-NN融合的短期負(fù)荷預(yù)測(cè)模型
        3.3.1 Bagging-Elman預(yù)測(cè)模型的建立
        3.3.2 算例分析
    3.4 本章小結(jié)
第四章 基于Boosting回歸算法與Elman-NN融合的短期負(fù)荷預(yù)測(cè)模型
    4.1 Boosting算法
        4.1.1 Boosting算法簡(jiǎn)介
        4.1.2 Boosting算法的具體實(shí)現(xiàn)
        4.1.3 Boosting算法分類
    4.2 基于Boosting回歸算法與Elman-NN融合的短期負(fù)荷預(yù)測(cè)模型
        4.2.1 Boosting-Elman預(yù)測(cè)模型的建立
        4.2.2 算例分析
    4.3 基于Boosting回歸算法與PSO-Elman-NN融合的短期負(fù)荷預(yù)測(cè)模型
        4.3.1 Boosting-PSO-Elamn預(yù)測(cè)模型的建立
        4.3.2 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)位期間研究成果
致謝



本文編號(hào)：3949267