電力作為社會(huì)經(jīng)濟(jì)發(fā)展的重要能源,是人們生產(chǎn)生活不可或缺的組成部分,在國(guó)家經(jīng)濟(jì)發(fā)展過(guò)程中處于舉足輕重的地位。水電作為清潔能源備受推崇,錦屏水電站作為國(guó)家“西電東送”的重要工程,為解決華東電力短缺做出了巨大貢獻(xiàn)。徑流預(yù)測(cè)是充分利用水資源、真正實(shí)現(xiàn)水庫(kù)優(yōu)化運(yùn)行、發(fā)揮電站經(jīng)濟(jì)效益的有力手段和重要環(huán)節(jié)。擁有準(zhǔn)確可靠的徑流預(yù)測(cè)系統(tǒng)就可以運(yùn)用確定性的預(yù)測(cè)值及其估計(jì)誤差來(lái)快速高效的描述未來(lái)徑流,最終有效擬定接近實(shí)際的電站運(yùn)行策略,它將為水電站短期水庫(kù)運(yùn)行方式的制定、日發(fā)電電量計(jì)劃的編制提供決策依據(jù),從而為水電站參與期貨電力市場(chǎng)發(fā)展預(yù)計(jì)劃的編制、提高發(fā)電效益提供依據(jù),其中日徑流預(yù)測(cè)是水電站徑流預(yù)測(cè)的重要組成部分。目前人工神經(jīng)網(wǎng)絡(luò)在人工智能領(lǐng)域成為研究熱點(diǎn)。正因如此,本課題提出以人工神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)通過(guò)建立組合預(yù)測(cè)模型,通過(guò)建立、驗(yàn)證、改進(jìn)的研究路徑,最終得到適用于錦屏水電站的日徑流預(yù)測(cè)系統(tǒng)。本文從預(yù)測(cè)算法和程序設(shè)計(jì)兩個(gè)方面對(duì)錦屏水電站日徑流預(yù)測(cè)系統(tǒng)進(jìn)行了研究,文章首先闡述了課題的主要研究背景,指出了研究本課題帶來(lái)的重要意義和影響,探討了國(guó)內(nèi)外研究現(xiàn)狀,明確了課題研究思路。然后從自然地理、氣候特性、徑流... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

三層BPNN神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

式 3-19 來(lái)估算： ( ) = ( ) ¤ ( ) ( ) ¤ ( ) (3-式 3-19 中：n 為樣本容量；隨機(jī)變量 x 的維數(shù)由 p 表示； 表示隨機(jī)變量 y 的樣本觀測(cè)值；σ 為平滑因子，即高斯函數(shù)的標(biāo)準(zhǔn)差。交換積分順序、加和順序，并將式（3-18）帶入式（3-19）, 可得到： ( ) = ( ) ( ) ∞ ∞ ( ) ( ) ( ) ( ) ∞ ∞(3-由于 = ，網(wǎng)絡(luò)的輸出可由上式進(jìn)行化簡(jiǎn)得到： ( ) = ( ) ( ) ( ) ( ) (3- ( )為預(yù)測(cè)值，是全部樣本測(cè)量值的加權(quán)平均。樣本測(cè)量值 的權(quán)重因子是的樣本 與 x 之間的歐幾里德距離平方的指數(shù)。GRNN 神經(jīng)網(wǎng)絡(luò)不需要進(jìn)行，但光滑因子 σ 取值是否適中對(duì)網(wǎng)絡(luò)模型有巨大的影響，因此要特別注意。.2.3.2 GRNN 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖 3-3 廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖輸入層主要作用是負(fù)責(zé)輸入樣本的接收，作為一個(gè)分布式單元將輸入變量傳輸?shù)侥Ｊ綄�，每個(gè)神經(jīng)元以簡(jiǎn)單的線性函數(shù)為傳輸函數(shù)，其神經(jīng)元的數(shù)量等入樣本的數(shù)量。模式層中神經(jīng)元為徑向基神經(jīng)元，因此也被稱為徑向基層，其神經(jīng)元個(gè)數(shù)和入樣本的個(gè)數(shù)相等，每個(gè)神經(jīng)元對(duì)應(yīng)不同輸入樣本，如圖 3-1 所示。神經(jīng)元的出為輸入樣本變量與對(duì)應(yīng)樣本間歐幾里德距離平方的指數(shù)，其傳遞函數(shù)式為： = ¤ ( ) ( ) = (3-式 3-22 中，x 為輸入樣本變量； 為第 i 個(gè)神經(jīng)元對(duì)應(yīng)的輸入樣本。求和層中，網(wǎng)絡(luò)采用兩種類型神經(jīng)元進(jìn)行求和，這兩種神經(jīng)元均是對(duì)所有模中的所有神經(jīng)元進(jìn)行加權(quán)求和，但連接權(quán)值不同。第一種神經(jīng)元，公式為： ¤ ( ) ( ) ，其模式層與各神經(jīng)元的接權(quán)值為 1。傳遞函數(shù)為： = (3-

【參考文獻(xiàn)】：
期刊論文
[1]黃河上中游區(qū)徑流量格局長(zhǎng)期變化過(guò)程[J]. 孫洋洋,穆興民,高鵬,趙廣舉,孫文義.  水土保持研究. 2017(03)
[2]新安江模型和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在閩江水文預(yù)報(bào)中的應(yīng)用[J]. 劉佩瑤,郝振純,王國(guó)慶,趙思遠(yuǎn),王樂(lè)揚(yáng).  水資源與水工程學(xué)報(bào). 2017(01)
[3]基于模糊RBF神經(jīng)網(wǎng)絡(luò)的直流微電網(wǎng)并網(wǎng)等效建模[J]. 蔡昌春,程述成,鄧志祥,江冰,赫衛(wèi)國(guó),馬金祥.  電網(wǎng)技術(shù). 2016(11)
[4]基于月年混合徑流量的預(yù)測(cè)控制模型[J]. 姚建國(guó),段家華.  小水電. 2014(06)
[5]基于BP神經(jīng)網(wǎng)絡(luò)馬爾科夫模型的徑流量預(yù)測(cè)[J]. 王義民,于興杰,暢建霞,黃強(qiáng).  武漢大學(xué)學(xué)報(bào)(工學(xué)版). 2008(05)
[6]基于灰色馬爾柯夫預(yù)測(cè)模型的徑流量預(yù)測(cè)[J]. 于興杰,暢建霞,黃強(qiáng),王義民.  沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2008(01)
[7]黃河干流不同斷面生態(tài)徑流量計(jì)算[J]. 馬廣慧,夏自強(qiáng),郭利丹,李捷,郭志.  河海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2007(05)
[8]河北省山區(qū)流域分區(qū)徑流量一致性修正分析[J]. 畢遠(yuǎn)山,王海寧,郎洪鋼.  河北水利. 2007(06)
[9]長(zhǎng)江上游日徑流變化的多時(shí)間尺度分析[J]. 董前進(jìn),王先甲,李匡,王建平.  武漢大學(xué)學(xué)報(bào)(工學(xué)版). 2006(04)
[10]塔里木河流域徑流量預(yù)測(cè)分析[J]. 何逢標(biāo),唐德善.  水利科技與經(jīng)濟(jì). 2006(05)

碩士論文
[1]布谷鳥(niǎo)算法的改進(jìn)及其應(yīng)用研究[D]. 黃繼達(dá).華中科技大學(xué) 2014



本文編號(hào)：3276068