發(fā)布時間：2017-09-18 04:15

  本文關鍵詞：基于相似日選取的小波極限學習機短期負荷預測模型研究

  更多相關文章： 短期負荷預測 相似日 小波變換 極限學習機

【摘要】：電力系統(tǒng)短期負荷預測是電網(wǎng)實現(xiàn)經(jīng)濟調度的一項重要工作,是電力系統(tǒng)規(guī)劃的重要組成部分,也是電力系統(tǒng)可靠、經(jīng)濟運行的前提和基礎。通過精確的短期負荷預測,能夠科學地制定發(fā)電計劃,合理地安排機組開停,提高電力系統(tǒng)的經(jīng)濟效益。因此研究負荷預測方法,提高負荷預測精度具有重要意義。本文主要針對負荷特性分析以及負荷預測算法展開了研究。本文首先介紹了電力負荷的特點,深入地分析了負荷的自身特性以及氣溫、降雨、時間等因素對于短期負荷變化的影響。為了優(yōu)化短期負荷預測的數(shù)據(jù)樣本,本文研究了基于模糊聚類的相似日選取方法,該方法將影響負荷變化的氣象狀況、星期類型、日期類型等因素作為相似日的選擇依據(jù),通過模糊規(guī)則對上述選擇依據(jù)進行量化并建立模糊相似矩陣,再利用相似系數(shù)法計算歷史日與預測日的相似程度,根據(jù)相似度的大小選出相似日�；谀：垲惖南嗨迫者x取模型充分考慮了氣象等因素對電力負荷的影響,體現(xiàn)了相似日選取中“周期性”和“近大遠小”的原則,能夠合理有效地選出相似日。然后,在合理選出相似日的基礎上,研究了相似日和BP神經(jīng)網(wǎng)絡相結合的預測模型。該模型按照相似度大小選出若干相似日作為BP神經(jīng)網(wǎng)絡的訓練樣本,利用BP神經(jīng)網(wǎng)絡的非線性映射和自學習自適應能力避免了相似日修正法的主觀性。根據(jù)江蘇省某市的電網(wǎng)實測數(shù)據(jù)進行仿真分析,對比了相似日BP網(wǎng)絡模型與單一BP網(wǎng)絡模型的預測結果。仿真結果表明,相似日的選取能夠有效提高BP神經(jīng)網(wǎng)絡的預測精度。最后,針對BP神經(jīng)網(wǎng)絡收斂速度慢、容易陷入局部極小值等缺點,提出了基于相似日選取的小波變換與極限學習機(Wavelet transform-Extreme Learning Machine, W-ELM)相結合的負荷預測模型。該模型通過小波變換將相似日的負荷序列分解為低頻基礎負荷部分和高頻隨機負荷部分,低頻基礎部分采用極限學習機預測,高頻隨機部分采用加權平均方法預測,重構得出最終預測結果。小波分解將原始序列的高頻隨機分量分離出來,弱化了負荷的隨機性,起到了一定的濾波作用。利用電網(wǎng)實測數(shù)據(jù)進行仿真研究,對比BP神經(jīng)網(wǎng)絡、極限學習機和小波-極限學習機的預測結果。結果表明,本文提出的相似日選取的小波-極限學習機模型具有更高的預測精度和更短的預測時間。
【關鍵詞】：短期負荷預測 相似日 小波變換 極限學習機
【學位授予單位】：南京理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TM715
【目錄】：

• 摘要5-6
• Abstract6-11
• 1 緒論11-18
• 1.1 電力負荷預測概述11-12
• 1.1.1 電力負荷預測的研究背景及意義11
• 1.1.2 電力負荷預測的分類11-12
• 1.2 短期負荷預測的國內外研究現(xiàn)狀12-15
• 1.2.1 經(jīng)典預測方法12-13
• 1.2.2 智能預測方法13-15
• 1.2.3 短期負荷預測的發(fā)展趨勢15
• 1.3 本文的研究內容及章節(jié)安排15-18
• 2 短期負荷特性分析及數(shù)據(jù)預處理18-26
• 2.1 負荷特性分析18-20
• 2.1.1 日負荷特性18-19
• 2.1.2 周負荷特性19-20
• 2.2 電力負荷的影響因素20-23
• 2.2.1 氣象因素對負荷的影響20-22
• 2.2.1.1 溫度對負荷的影響20-22
• 2.2.1.2 降雨對負荷的影響22
• 2.2.2 其他因素對負荷的影響22-23
• 2.3 數(shù)據(jù)預處理23-25
• 2.3.1 異常數(shù)據(jù)的成因23
• 2.3.2 異常數(shù)據(jù)的辨識處理23-25
• 2.4 本章小結25-26
• 3 負荷預測相似日的選擇26-35
• 3.1 相似日法26-27
• 3.2 模糊聚類選取相似日27-32
• 3.2.1 模糊聚類分析概述27
• 3.2.2 模糊相似矩陣27-30
• 3.2.3 短期負荷的影響因素及其量化30-32
• 3.2.3.1 星期類型的量化30-31
• 3.2.3.2 天氣類型的量化31
• 3.2.3.3 氣溫的量化31-32
• 3.2.3.4 日期差距的量化32
• 3.2.4 模糊聚類選取相似日流程32
• 3.3 算例分析32-34
• 3.4 本章小結34-35
• 4 基于相似日BP神經(jīng)網(wǎng)絡的電力負荷預測35-47
• 4.1 神經(jīng)網(wǎng)絡構成35-38
• 4.1.1 人工神經(jīng)元35-36
• 4.1.2 神經(jīng)元的激活函數(shù)36-38
• 4.2 神經(jīng)網(wǎng)絡的結構38-40
• 4.2.1 反饋神經(jīng)網(wǎng)絡39
• 4.2.2 前饋神經(jīng)網(wǎng)絡39-40
• 4.3 BP神經(jīng)網(wǎng)絡40-44
• 4.3.1 BP神經(jīng)網(wǎng)絡結構40
• 4.3.2 BP神經(jīng)網(wǎng)絡的學習算法40-43
• 4.3.2.1 梯度下降法41
• 4.3.2.2 權值閾值調整原理41-43
• 4.3.2.3 BP網(wǎng)絡學習步驟43
• 4.3.3 隱層節(jié)點數(shù)的選取43-44
• 4.4 基于BP網(wǎng)絡的短期負荷預測44-46
• 4.4.1 BP模型與相似日BP模型44
• 4.4.2 結果分析44-46
• 4.5 本章小結46-47
• 5 基于相似日W-ELM的短期負荷預測47-65
• 5.1 極限學習機47-50
• 5.1.1 極限學習機概述47
• 5.1.2 極限學習機原理47-50
• 5.1.3 極限學習機的學習過程50
• 5.2 小波變換理論50-56
• 5.2.1 小波函數(shù)51-52
• 5.2.2 連續(xù)小波變換52-53
• 5.2.3 離散小波變換53
• 5.2.4 多分辨率分析和Mallat算法53-56
• 5.3 基于相似日W-ELM的負荷預測模型56-64
• 5.3.1 極限學習機隱含層節(jié)點數(shù)的選取57
• 5.3.2 相似日W-ELM預測結果57-58
• 5.3.3 預測模型對比58-64
• 5.3.3.1 ELM與相似ELM對比58-60
• 5.3.3.2 相似ELM與相似BP算法對比60-62
• 5.3.3.3 相似日W-ELM與其他算法比較62-64
• 5.4 本章小結64-65
• 6 結論與展望65-67
• 6.1 結論65
• 6.2 展望65-67
• 致謝67-68
• 參考文獻68-72

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 李偉;董偉棟;袁亞南;;基于組合函數(shù)和遺傳算法最優(yōu)化離散灰色模型的電力負荷預測[J];電力自動化設備;2012年04期

2 楊正瓴;田勇;張廣濤;林孔元;;相似日短期負荷預測的非線性理論基礎與改進[J];電網(wǎng)技術;2006年06期

3 張平;潘學萍;薛文超;;基于小波分解模糊灰色聚類和BP神經(jīng)網(wǎng)絡的短期負荷預測[J];電力自動化設備;2012年11期

4 廖旎煥;胡智宏;馬瑩瑩;盧王允;;電力系統(tǒng)短期負荷預測方法綜述[J];電力系統(tǒng)保護與控制;2011年01期

5 黎祚;周步祥;林楠;;基于模糊聚類與改進BP算法的日負荷特性曲線分類與短期負荷預測[J];電力系統(tǒng)保護與控制;2012年03期

6 葉宗斌;周步祥;林楠;黎祚;程寅;;基于等維新息指數(shù)平滑法模型的中長期負荷預測[J];電力系統(tǒng)保護與控制;2012年18期

7 邰能靈,侯志儉,李濤,蔣傳文,宋炯;基于小波分析的電力系統(tǒng)短期負荷預測方法[J];中國電機工程學報;2003年01期

8 邰能靈,侯志儉;小波模糊神經(jīng)網(wǎng)絡在電力系統(tǒng)短期負荷預測中的應用[J];中國電機工程學報;2004年01期

9 雷紹蘭;孫才新;周nv;張曉星;;電力短期負荷的多變量時間序列線性回歸預測方法研究[J];中國電機工程學報;2006年02期

，

本文編號：873326