負(fù)荷預(yù)測是制定發(fā)電計(jì)劃的重要依據(jù),是保證電力系統(tǒng)正常運(yùn)行的重要工作。負(fù)荷預(yù)測的研究始于上世紀(jì)中后期。最早應(yīng)用于負(fù)荷預(yù)測的是統(tǒng)計(jì)學(xué),其中最為經(jīng)典的是回歸分析法。隨著計(jì)算機(jī)技術(shù)的發(fā)展,誕生了人工神經(jīng)網(wǎng)絡(luò)技術(shù),該技術(shù)是現(xiàn)在常用的負(fù)荷預(yù)測方法。近年來,隨著數(shù)據(jù)的爆發(fā)式增長,數(shù)據(jù)挖掘技術(shù)被應(yīng)用到了負(fù)荷預(yù)測之中。數(shù)據(jù)挖掘是從大量數(shù)據(jù)中發(fā)現(xiàn)隱藏規(guī)律的過程,其常用手段包括統(tǒng)計(jì),情報(bào)檢索以及神經(jīng)網(wǎng)絡(luò)。本文以河北某濱海城市短期負(fù)荷為預(yù)測對象,進(jìn)行了未來某一天24小時(shí)負(fù)荷值的預(yù)測研究。首先選取了短期負(fù)荷預(yù)測的特征變量,進(jìn)行了樣本數(shù)據(jù)的預(yù)處理;然后在使用了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)和基于主成分分析的神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測研究的基礎(chǔ)上,提出了一種基于主成分分析的自適應(yīng)型小波RNN方法,完成了短期負(fù)荷預(yù)測實(shí)驗(yàn),并進(jìn)行了性能比較。本文主要工作如下:考慮到負(fù)荷影響因素的多樣性,采用預(yù)測日期前一天的24小時(shí)負(fù)荷值、最高最低氣溫、天氣狀況以及日期類型作為預(yù)測的特征變量。為了避免錯(cuò)誤數(shù)據(jù)對預(yù)測結(jié)果帶來影響,對樣本數(shù)據(jù)進(jìn)行了預(yù)處理:通告聚類篩選出錯(cuò)誤數(shù)據(jù)并使用線性擬合修復(fù);為了消除不同類型數(shù)據(jù)間的量綱差異,將所有數(shù)據(jù)分類歸一化。為了比較傳統(tǒng)... 

【文章來源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

擬合效果圖

16 基于神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)荷預(yù)測流程主要由預(yù)測輸入包含樣本特征變量的選量的樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)確定；預(yù)測輸出是指訓(xùn)練并將預(yù)測輸出值反歸一化短期負(fù)荷預(yù)測構(gòu)及原理顧名思義，是一種反向傳并存儲輸入和輸出的對應(yīng)

圖 3-2 BP 神經(jīng)網(wǎng)絡(luò)拓補(bǔ)結(jié)構(gòu)經(jīng)網(wǎng)絡(luò)通過參數(shù)調(diào)整來獲得網(wǎng)絡(luò)的結(jié)構(gòu)，其參數(shù)調(diào)整過程基輸出和實(shí)際值的差值）的反向傳播[39][40]。BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練據(jù)的正向傳播以及誤差的反向傳播。正向傳播是指輸入數(shù)據(jù)從層，輸出層根據(jù)輸入數(shù)據(jù)計(jì)算預(yù)測負(fù)荷值；誤差值是指網(wǎng)絡(luò)的出兩者的差值，誤差值由輸出端向各隱含層反向傳播，這是誤過程[41]。的訓(xùn)練過程經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，包含如下 6 個(gè)步驟：始化。設(shè)置網(wǎng)絡(luò)輸入輸出節(jié)點(diǎn)以及隱含層節(jié)點(diǎn)數(shù)量，規(guī)定迭成網(wǎng)絡(luò)的權(quán)值和閾值（賦予(-1,1)區(qū)間內(nèi)的值）。練的迭代（循環(huán)）。輸入層的輸入變量為 、 、 、 、 量為 、 、 、 、 ，隱含層設(shè)置為單層結(jié)構(gòu)，隱含層節(jié)點(diǎn)一般采用 Sigmoid 函數(shù)，傳遞函數(shù)的表達(dá)式如式（3-1）所示

【參考文獻(xiàn)】：
期刊論文
[1]基于RNN的空氣污染時(shí)空預(yù)報(bào)模型研究[J]. 范竣翔,李琦,朱亞杰,侯俊雄,馮逍.  測繪科學(xué). 2017(07)
[2]深度學(xué)習(xí)發(fā)展綜述[J]. 侯宇青陽,全吉成,王宏偉.  艦船電子工程. 2017(04)
[3]基于改進(jìn)主成分分析法的離散制造能耗分析[J]. 陳彥,王艷.  系統(tǒng)仿真學(xué)報(bào). 2016(12)
[4]基于RNN漢語語言模型自適應(yīng)算法研究[J]. 王龍,楊俊安,劉輝,陳雷,林偉.  火力與指揮控制. 2016(05)
[5]一種基于改進(jìn)總體經(jīng)驗(yàn)?zāi)B(tài)分解與反向傳播神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法（英文）[J]. Yun-luo YU,Wei LI,De-ren SHENG,Jian-hong CHEN.  Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2016(02)
[6]主成分分析法與熵值法結(jié)合在水質(zhì)評價(jià)中的應(yīng)用[J]. 王晴晴,陳星,常進(jìn).  人民長江. 2015(08)
[7]基于主成分分析和熵值法的高校科技創(chuàng)新能力評價(jià)[J]. 韓曉明,王金國,石照耀.  河海大學(xué)學(xué)報(bào)(哲學(xué)社會科學(xué)版). 2015(02)
[8]電力系統(tǒng)短期負(fù)荷預(yù)測方法研究綜述[J]. 王惠中,周佳,劉軻.  電氣自動(dòng)化. 2015(01)
[9]短期電力負(fù)荷預(yù)測影響因素分析與研究[J]. 雷水平,王超勝,崔景順.  硅谷. 2014(21)
[10]基于Savitzky-Golay算法的曲線平滑去噪[J]. 雷林平.  電腦與信息技術(shù). 2014(05)

碩士論文
[1]基于深度學(xué)習(xí)的氣象預(yù)測研究[D]. 楊函.哈爾濱工業(yè)大學(xué) 2017
[2]高速公路短時(shí)交通流預(yù)測算法研究[D]. 宋迪.浙江工業(yè)大學(xué) 2016
[3]基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測研究與實(shí)現(xiàn)[D]. 石德琳.山東大學(xué) 2016
[4]基于數(shù)據(jù)挖掘技術(shù)的南京地區(qū)短期電力負(fù)荷預(yù)測方法研究[D]. 趙洋.華北電力大學(xué) 2016
[5]改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法及其應(yīng)用研究[D]. 李云.西南大學(xué) 2016
[6]基于RNN的發(fā)電機(jī)組排放預(yù)測及發(fā)電調(diào)度研究[D]. 楊訓(xùn)政.中國科學(xué)技術(shù)大學(xué) 2016
[7]基于小波分析的電力系統(tǒng)短期負(fù)荷預(yù)測的應(yīng)用研究[D]. 賈辛淼.沈陽工業(yè)大學(xué) 2016
[8]基于數(shù)據(jù)挖掘技術(shù)的短期負(fù)荷預(yù)測[D]. 畢圣.北京交通大學(xué) 2016
[9]基于數(shù)據(jù)挖掘的短期電力負(fù)荷預(yù)測[D]. 石雪.華南理工大學(xué) 2014
[10]基于遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的浙江省公路客運(yùn)量預(yù)測模型[D]. 林勤.華中師范大學(xué) 2013



本文編號：3144605