本文關(guān)鍵詞：基于相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)

  更多相關(guān)文章： 相似日 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò) 短期電力負(fù)荷預(yù)測(cè)

【摘要】：電力負(fù)荷預(yù)測(cè)不僅可以提高電能配送的安全,還可以使電網(wǎng)企業(yè)合理有效運(yùn)轉(zhuǎn),是一種提高能源利用率的重要方法。短期電力負(fù)荷預(yù)測(cè)有著隨機(jī)、時(shí)變、非線性等特點(diǎn),現(xiàn)階段主要有傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)與現(xiàn)代人工智能兩種方法來(lái)對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)。傳統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)方法注重?cái)?shù)據(jù)的擬合、模型的建立,而對(duì)電力負(fù)荷預(yù)測(cè)的影響因素利用不足,其預(yù)測(cè)結(jié)果往往不是很理想。在現(xiàn)代人工智能算法中,對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)使用最多的就是BP神經(jīng)網(wǎng)絡(luò)。該方法也存在著隱含層數(shù)、隱含層節(jié)點(diǎn)個(gè)數(shù)、初始權(quán)值等選擇的不確定性,較為依賴使用者個(gè)人的專家經(jīng)驗(yàn),還有著隱含層的黑箱處理、過(guò)擬合、過(guò)訓(xùn)練等一系列缺點(diǎn)。為了提高短期電力負(fù)荷預(yù)測(cè)的準(zhǔn)確率,本文作了以下幾方面工作:(1)傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)模糊規(guī)則是根據(jù)專家經(jīng)驗(yàn)而事先確定好的,而現(xiàn)在電力負(fù)荷數(shù)據(jù)存在著數(shù)據(jù)量過(guò)大,數(shù)據(jù)過(guò)于繁雜等特點(diǎn),此時(shí),模糊規(guī)則的確定就成為一個(gè)難題。為了解決模糊神經(jīng)網(wǎng)絡(luò)的這個(gè)缺點(diǎn),本文使用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)短期電力負(fù)荷,動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)最大的特點(diǎn)就是其模糊規(guī)則不是事先就確定好,而是根據(jù)輸入樣本進(jìn)行動(dòng)態(tài)調(diào)整,首先通過(guò)系統(tǒng)誤差和可容納邊界兩個(gè)因素來(lái)決定系統(tǒng)是否需要新增模糊規(guī)則,然后使用了分級(jí)學(xué)習(xí)技術(shù)來(lái)加快整個(gè)網(wǎng)絡(luò)建立模型的速度,并且還使用了誤差下降率算法來(lái)剔除對(duì)整個(gè)網(wǎng)絡(luò)影響不大的一些模糊規(guī)則。(2)當(dāng)使用全部的負(fù)荷數(shù)據(jù)來(lái)訓(xùn)練動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)時(shí),會(huì)增加網(wǎng)絡(luò)建模的復(fù)雜度,也會(huì)影響網(wǎng)絡(luò)的建模速度。為了解決這個(gè)難題,本文使用相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)結(jié)合的方法來(lái)預(yù)測(cè)短期電力負(fù)荷,該方法就是在訓(xùn)練模型之前對(duì)訓(xùn)練樣本作一個(gè)相似日處理,通過(guò)相似日自動(dòng)尋找出與預(yù)測(cè)日在平均溫度與星期因素上相似的樣本,相似日與預(yù)測(cè)日在負(fù)荷消耗水平也比較相似,把預(yù)測(cè)日的相似日樣本作為訓(xùn)練數(shù)據(jù)而不是將全部數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),從而提高建模速度及簡(jiǎn)化模型復(fù)雜度。(3)在以EUNITE公司提供的電力負(fù)荷數(shù)據(jù)基礎(chǔ)上分別采用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)、相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)結(jié)合的方法來(lái)進(jìn)行負(fù)荷預(yù)測(cè)。實(shí)驗(yàn)取得了較為理想的結(jié)果,為電力負(fù)荷預(yù)測(cè)提供了新的方法。
【關(guān)鍵詞】：相似日 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò) 短期電力負(fù)荷預(yù)測(cè)
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TM715
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-14
• 1.1 課題研究背景和意義9-11
• 1.1.1 課題研究背景9-10
• 1.1.2 課題的研究意義10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 國(guó)外研究現(xiàn)狀11-12
• 1.2.2 國(guó)內(nèi)研究現(xiàn)狀12-13
• 1.3 本文的組織結(jié)構(gòu)13-14
• 第二章 負(fù)荷預(yù)測(cè)的常用方法14-23
• 2.1 時(shí)間序列14-15
• 2.2 回歸分析15-16
• 2.3 支持向量機(jī)16-19
• 2.4 BP神經(jīng)網(wǎng)絡(luò)19-22
• 2.5 本章小結(jié)22-23
• 第三章 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)及相似日的理論知識(shí)23-42
• 3.1 模糊系統(tǒng)理論23-26
• 3.1.1 模糊集23-24
• 3.1.2 模糊規(guī)則24-25
• 3.1.3 模糊邏輯推理25-26
• 3.2 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)26-28
• 3.3 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)算法28-37
• 3.3.1 模糊規(guī)則產(chǎn)生準(zhǔn)則28-29
• 3.3.2 分級(jí)學(xué)習(xí)29-30
• 3.3.3 前提參數(shù)調(diào)整30-31
• 3.3.4 權(quán)值參數(shù)的確定31-33
• 3.3.5 模糊規(guī)則的修剪33-37
• 3.4 相似日法37-41
• 3.4.1 相似日法的介紹37-39
• 3.4.2 相似日的量化39-41
• 3.5 本章小結(jié)41-42
• 第四章 基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)42-50
• 4.1 基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)流程42
• 4.2 數(shù)據(jù)的分析42-45
• 4.3 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)45-46
• 4.3.1 輸入輸出數(shù)據(jù)的選取及預(yù)處理45
• 4.3.2 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置45-46
• 4.4 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)模型的建立及負(fù)荷的預(yù)測(cè)46-48
• 4.4.1 模型的建立46-47
• 4.4.2 負(fù)荷的預(yù)測(cè)47-48
• 4.5 本章小結(jié)48-50
• 第五章 基于相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)50-59
• 5.1 基于相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)流程50-51
• 5.2 相似日及輸入節(jié)點(diǎn)的選取51-52
• 5.3 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置52
• 5.4 相似日和動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)模型的建立及負(fù)荷的預(yù)測(cè)52-58
• 5.4.1 模型的建立52-55
• 5.4.2 負(fù)荷的預(yù)測(cè)55-58
• 5.5 本章小節(jié)58-59
• 第六章 總結(jié)與展望59-61
• 6.1 本文總結(jié)59
• 6.2 研究展望59-61
• 參考文獻(xiàn)61-64
• 攻讀碩士學(xué)位期間發(fā)表論文64-65

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前8條

1 楊正瓴;田勇;張廣濤;林孔元;;相似日短期負(fù)荷預(yù)測(cè)的非線性理論基礎(chǔ)與改進(jìn)[J];電網(wǎng)技術(shù);2006年06期

2 宋曉輝;白曉民;易俗;;一種考慮負(fù)荷特性變化的改進(jìn)線性回歸負(fù)荷預(yù)測(cè)法[J];供用電;2006年01期

3 王大鵬;汪秉文;;基于變權(quán)緩沖灰色模型的中長(zhǎng)期負(fù)荷預(yù)測(cè)[J];電網(wǎng)技術(shù);2013年01期

4 李明干,孫健利,劉沛;基于卡爾曼濾波的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J];繼電器;2004年04期

5 石海波;;PCA-SVM在電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究[J];計(jì)算機(jī)仿真;2010年10期

6 張德豐;盧清華;周燕;;一種新型的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)算法[J];控制工程;2009年04期

7 郭龍鋼;;基于BP人工神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)[J];洛陽(yáng)理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

8 徐傳忠;楊冠魯;王永初;;基于動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的電力諧波精確測(cè)量[J];太原理工大學(xué)學(xué)報(bào);2011年04期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 楊應(yīng)高;基于粒子群BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[D];蘇州大學(xué);2011年

2 朱韜析;電力系統(tǒng)負(fù)荷預(yù)測(cè)[D];浙江大學(xué);2005年

3 張志明;基于灰色理論的短期電力負(fù)荷預(yù)測(cè)研究[D];湖南大學(xué);2009年

，

本文編號(hào)：720154