本文關(guān)鍵詞：基于相似日選取的小波極限學(xué)習(xí)機(jī)短期負(fù)荷預(yù)測(cè)模型研究

  更多相關(guān)文章： 短期負(fù)荷預(yù)測(cè) 相似日 小波變換 極限學(xué)習(xí)機(jī)

【摘要】：電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是電網(wǎng)實(shí)現(xiàn)經(jīng)濟(jì)調(diào)度的一項(xiàng)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(jì)運(yùn)行的前提和基礎(chǔ)。通過(guò)精確的短期負(fù)荷預(yù)測(cè),能夠科學(xué)地制定發(fā)電計(jì)劃,合理地安排機(jī)組開(kāi)停,提高電力系統(tǒng)的經(jīng)濟(jì)效益。因此研究負(fù)荷預(yù)測(cè)方法,提高負(fù)荷預(yù)測(cè)精度具有重要意義。本文主要針對(duì)負(fù)荷特性分析以及負(fù)荷預(yù)測(cè)算法展開(kāi)了研究。本文首先介紹了電力負(fù)荷的特點(diǎn),深入地分析了負(fù)荷的自身特性以及氣溫、降雨、時(shí)間等因素對(duì)于短期負(fù)荷變化的影響。為了優(yōu)化短期負(fù)荷預(yù)測(cè)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(fù)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(guò)模糊規(guī)則對(duì)上述選擇依據(jù)進(jìn)行量化并建立模糊相似矩陣,再利用相似系數(shù)法計(jì)算歷史日與預(yù)測(cè)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(duì)電力負(fù)荷的影響,體現(xiàn)了相似日選取中“周期性”和“近大遠(yuǎn)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(chǔ)上,研究了相似日和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)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(luò)的訓(xùn)練樣本,利用BP神經(jīng)網(wǎng)絡(luò)的非線性映射和自學(xué)習(xí)自適應(yīng)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(shí)測(cè)數(shù)據(jù)進(jìn)行仿真分析,對(duì)比了相似日BP網(wǎng)絡(luò)模型與單一BP網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果。仿真結(jié)果表明,相似日的選取能夠有效提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度。最后,針對(duì)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、容易陷入局部極小值等缺點(diǎn),提出了基于相似日選取的小波變換與極限學(xué)習(xí)機(jī)(Wavelet transform-Extreme Learning Machine, W-ELM)相結(jié)合的負(fù)荷預(yù)測(cè)模型。該模型通過(guò)小波變換將相似日的負(fù)荷序列分解為低頻基礎(chǔ)負(fù)荷部分和高頻隨機(jī)負(fù)荷部分,低頻基礎(chǔ)部分采用極限學(xué)習(xí)機(jī)預(yù)測(cè),高頻隨機(jī)部分采用加權(quán)平均方法預(yù)測(cè),重構(gòu)得出最終預(yù)測(cè)結(jié)果。小波分解將原始序列的高頻隨機(jī)分量分離出來(lái),弱化了負(fù)荷的隨機(jī)性,起到了一定的濾波作用。利用電網(wǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行仿真研究,對(duì)比BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)和小波-極限學(xué)習(xí)機(jī)的預(yù)測(cè)結(jié)果。結(jié)果表明,本文提出的相似日選取的小波-極限學(xué)習(xí)機(jī)模型具有更高的預(yù)測(cè)精度和更短的預(yù)測(cè)時(shí)間。
【關(guān)鍵詞】：短期負(fù)荷預(yù)測(cè) 相似日 小波變換 極限學(xué)習(xí)機(jī)
【學(xué)位授予單位】：南京理工大學(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5-6
• Abstract6-11
• 1 緒論11-18
• 1.1 電力負(fù)荷預(yù)測(cè)概述11-12
• 1.1.1 電力負(fù)荷預(yù)測(cè)的研究背景及意義11
• 1.1.2 電力負(fù)荷預(yù)測(cè)的分類11-12
• 1.2 短期負(fù)荷預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀12-15
• 1.2.1 經(jīng)典預(yù)測(cè)方法12-13
• 1.2.2 智能預(yù)測(cè)方法13-15
• 1.2.3 短期負(fù)荷預(yù)測(cè)的發(fā)展趨勢(shì)15
• 1.3 本文的研究?jī)?nèi)容及章節(jié)安排15-18
• 2 短期負(fù)荷特性分析及數(shù)據(jù)預(yù)處理18-26
• 2.1 負(fù)荷特性分析18-20
• 2.1.1 日負(fù)荷特性18-19
• 2.1.2 周負(fù)荷特性19-20
• 2.2 電力負(fù)荷的影響因素20-23
• 2.2.1 氣象因素對(duì)負(fù)荷的影響20-22
• 2.2.1.1 溫度對(duì)負(fù)荷的影響20-22
• 2.2.1.2 降雨對(duì)負(fù)荷的影響22
• 2.2.2 其他因素對(duì)負(fù)荷的影響22-23
• 2.3 數(shù)據(jù)預(yù)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(shí)處理23-25
• 2.4 本章小結(jié)25-26
• 3 負(fù)荷預(yù)測(cè)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(fù)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(jié)34-35
• 4 基于相似日BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)35-47
• 4.1 神經(jīng)網(wǎng)絡(luò)構(gòu)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(luò)的結(jié)構(gòu)38-40
• 4.2.1 反饋神經(jīng)網(wǎng)絡(luò)39
• 4.2.2 前饋神經(jīng)網(wǎng)絡(luò)39-40
• 4.3 BP神經(jīng)網(wǎng)絡(luò)40-44
• 4.3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)40
• 4.3.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法40-43
• 4.3.2.1 梯度下降法41
• 4.3.2.2 權(quán)值閾值調(diào)整原理41-43
• 4.3.2.3 BP網(wǎng)絡(luò)學(xué)習(xí)步驟43
• 4.3.3 隱層節(jié)點(diǎn)數(shù)的選取43-44
• 4.4 基于BP網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)44-46
• 4.4.1 BP模型與相似日BP模型44
• 4.4.2 結(jié)果分析44-46
• 4.5 本章小結(jié)46-47
• 5 基于相似日W-ELM的短期負(fù)荷預(yù)測(cè)47-65
• 5.1 極限學(xué)習(xí)機(jī)47-50
• 5.1.1 極限學(xué)習(xí)機(jī)概述47
• 5.1.2 極限學(xué)習(xí)機(jī)原理47-50
• 5.1.3 極限學(xué)習(xí)機(jī)的學(xué)習(xí)過(guò)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(fù)荷預(yù)測(cè)模型56-64
• 5.3.1 極限學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)數(shù)的選取57
• 5.3.2 相似日W-ELM預(yù)測(cè)結(jié)果57-58
• 5.3.3 預(yù)測(cè)模型對(duì)比58-64
• 5.3.3.1 ELM與相似ELM對(duì)比58-60
• 5.3.3.2 相似ELM與相似BP算法對(duì)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(jié)64-65
• 6 結(jié)論與展望65-67
• 6.1 結(jié)論65
• 6.2 展望65-67
• 致謝67-68
• 參考文獻(xiàn)68-72

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(fù)荷預(yù)測(cè)[J];電力自動(dòng)化設(shè)備;2012年04期

2 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

3 張平;潘學(xué)萍;薛文超;;基于小波分解模糊灰色聚類和BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J];電力自動(dòng)化設(shè)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(fù)荷預(yù)測(cè)方法綜述[J];電力系統(tǒng)保護(hù)與控制;2011年01期

5 黎祚;周步祥;林楠;;基于模糊聚類與改進(jìn)BP算法的日負(fù)荷特性曲線分類與短期負(fù)荷預(yù)測(cè)[J];電力系統(tǒng)保護(hù)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(zhǎng)期負(fù)荷預(yù)測(cè)[J];電力系統(tǒng)保護(hù)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(fù)荷預(yù)測(cè)方法[J];中國(guó)電機(jī)工程學(xué)報(bào);2003年01期

8 邰能靈,侯志儉;小波模糊神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用[J];中國(guó)電機(jī)工程學(xué)報(bào);2004年01期

9 雷紹蘭;孫才新;周nv;張曉星;;電力短期負(fù)荷的多變量時(shí)間序列線性回歸預(yù)測(cè)方法研究[J];中國(guó)電機(jī)工程學(xué)報(bào);2006年02期

，

本文編號(hào)：873326