本文關(guān)鍵詞： 電力系統(tǒng) 粗神經(jīng)元 RBF神經(jīng)網(wǎng)絡(luò) 小波神經(jīng)網(wǎng)絡(luò) 螢火蟲算法 短期負荷預(yù)測　出處：《南京郵電大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：在整個電力系統(tǒng)的運作和規(guī)劃中,短期負荷預(yù)測一直扮演著重要的角色。電力負荷變化主要與負荷的組成成分、天氣、時間以及人們社會活動等因素有關(guān),這些因素造成負荷變化量具有多元非線性和時變性,其變化規(guī)律無法用數(shù)學(xué)公式來準(zhǔn)確表達。為了適應(yīng)電力系統(tǒng)短期負荷對其預(yù)測精度越來越高的要求,本文將粗糙集理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合,建立了基于粗神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測模型。具體研究如下:(1)針對短期負荷多元非線性和時變性的特征,本文將粗糙集理論與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合,給出了一種基于粗神經(jīng)元RBF(Radial basis function)神經(jīng)網(wǎng)絡(luò)的預(yù)測模型。粗集理論在分析和處理不精確、不一致、不完整的信息方面優(yōu)勢明顯。而RBF神經(jīng)網(wǎng)絡(luò)以非線性神經(jīng)元來協(xié)同處理信息,能夠大規(guī)模并行處理數(shù)據(jù),具有較強的自學(xué)習(xí)能力。在神經(jīng)網(wǎng)絡(luò)中引入粗神經(jīng)元可以很好地將粗糙集和神經(jīng)網(wǎng)絡(luò)的優(yōu)勢相結(jié)合。這種粗神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入由傳統(tǒng)的單一值變?yōu)殡p值,在保持較強學(xué)習(xí)能力的同時,可反映一段時間內(nèi)負荷數(shù)據(jù)的波動情況,能很好地處理不精確的信息。由于RBF神經(jīng)網(wǎng)絡(luò)的初始參數(shù)通常都設(shè)為隨機數(shù),導(dǎo)致預(yù)測結(jié)果不確定,預(yù)測精度具有隨機性。因此本文提出遺傳算法優(yōu)化粗神經(jīng)元RBF神經(jīng)網(wǎng)絡(luò),利用遺傳算法搜索網(wǎng)絡(luò)的最優(yōu)初始權(quán)值,以此作為網(wǎng)絡(luò)訓(xùn)練的初始參數(shù),從而提高網(wǎng)絡(luò)的預(yù)測精度。(2)由于小波神經(jīng)網(wǎng)絡(luò)在分析信號方面具有優(yōu)勢,其學(xué)習(xí)能力強,訓(xùn)練速度較快,在預(yù)測領(lǐng)域應(yīng)用較為廣泛。因此本文在建立基于粗RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上,還將粗神經(jīng)元引入小波神經(jīng)網(wǎng)絡(luò)中,構(gòu)建了一種“緊致性”的粗小波神經(jīng)網(wǎng)絡(luò),給出了基于粗小波神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測模型。這種網(wǎng)絡(luò)模型訓(xùn)練速度比粗RBF神經(jīng)網(wǎng)絡(luò)快,泛化能力更強。(3)由于粗小波神經(jīng)網(wǎng)絡(luò)中需要尋優(yōu)的參數(shù)較多,在網(wǎng)絡(luò)訓(xùn)練的過程中,計算也會變得復(fù)雜。而螢火蟲算法計算效率高,需要設(shè)置的參數(shù)少,其收斂速度和尋優(yōu)精度都較高。因此本文采用改進的螢火蟲算法對粗小波神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)進行優(yōu)化,在全局內(nèi)找出網(wǎng)絡(luò)的最佳參數(shù)。將優(yōu)化后的粗神經(jīng)網(wǎng)絡(luò)用于短期負荷預(yù)測,有利于加快網(wǎng)絡(luò)的收斂速度,提高網(wǎng)絡(luò)的泛化能力。實例仿真結(jié)果表明,本文所提出的方法能有效反映負荷的波動信息,改進后的預(yù)測模型訓(xùn)練速度快、非線性擬合能力較強、預(yù)測精度較高,在實際運用中具有重要意義。
[Abstract]:Short-term load forecasting has always played an important role in the operation and planning of the whole power system. The variation of power load is mainly related to the composition of the load, weather, time and social activities of people. These factors result in multivariate nonlinear and time-varying load variation, which can not be accurately expressed by mathematical formula. In order to meet the demand of higher and higher forecasting accuracy for short-term load in power system, In this paper, a short-term load forecasting model based on rough neural network is established by combining rough set theory with neural network. In this paper, a prediction model based on rough neuron RBF(Radial basis function neural network is presented by combining rough set theory with RBF neural network. The advantage of incomplete information is obvious, and RBF neural network can process data in large scale parallel by using nonlinear neurons to process information together. The introduction of rough neurons into neural networks can combine the advantages of rough sets and neural networks well. The input of this rough neural network prediction model changes from a traditional single value to a double value. While maintaining strong learning ability, it can reflect the fluctuation of load data over a period of time, and can deal with imprecise information well. Because the initial parameters of RBF neural network are usually set as random numbers, the prediction results are uncertain. Therefore, genetic algorithm is proposed to optimize the rough neuron RBF neural network, and the genetic algorithm is used to search the optimal initial weight of the network, which is regarded as the initial parameter of network training. In order to improve the prediction accuracy of the network, the wavelet neural network has advantages in signal analysis, its learning ability is strong, and its training speed is relatively fast. It is widely used in the field of prediction. On the basis of establishing the prediction model based on rough RBF neural network, the rough neuron is also introduced into the wavelet neural network to construct a kind of rough wavelet neural network with "compactness". A short-term load forecasting model based on rough wavelet neural network is presented. The training speed of this network model is faster than that of rough RBF neural network, and the generalization ability is stronger. In the course of network training, the calculation becomes more complicated. The firefly algorithm is very efficient and requires less parameters. Therefore, the improved firefly algorithm is used to optimize the parameters of rough wavelet neural network. The optimal parameters of the network are found in the whole world. The application of the optimized rough neural network to short-term load forecasting is beneficial to speeding up the convergence speed of the network and improving the generalization ability of the network. The simulation results show that, The method presented in this paper can reflect the fluctuation information of load effectively. The improved forecasting model has the advantages of fast training speed, strong nonlinear fitting ability and high prediction accuracy. It is of great significance in practical application.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP183;TM715

【相似文獻】

相關(guān)期刊論文 前10條

1 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報;2003年02期

2 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

3 常國任;李仁松;沈醫(yī)文;劉鋼;;基于神經(jīng)網(wǎng)絡(luò)的直升機艦面系統(tǒng)效能評估[J];艦船電子工程;2007年03期

4 陳俊;;神經(jīng)網(wǎng)絡(luò)的應(yīng)用與展望[J];佛山科學(xué)技術(shù)學(xué)院學(xué)報(自然科學(xué)版);2009年05期

5 許萬增;;神經(jīng)網(wǎng)絡(luò)的研究及其應(yīng)用[J];國際技術(shù)經(jīng)濟研究學(xué)報;1990年01期

6 張軍華;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在軍用系統(tǒng)中的應(yīng)用[J];現(xiàn)代防御技術(shù);1992年04期

7 雷明,李作清,陳志祥,吳雅,楊叔子;神經(jīng)網(wǎng)絡(luò)在預(yù)報控制中的應(yīng)用[J];機床;1993年11期

8 靳蕃;神經(jīng)網(wǎng)絡(luò)及其在鐵道科技中應(yīng)用的探討[J];鐵道學(xué)報;1993年02期

9 宋玉華，王啟霞;神經(jīng)網(wǎng)絡(luò)診斷──神經(jīng)網(wǎng)絡(luò)在自動化領(lǐng)域里的應(yīng)用[J];中國儀器儀表;1994年03期

10 魏銘炎;國內(nèi)外神經(jīng)網(wǎng)絡(luò)技術(shù)的研究與應(yīng)用概況[J];電機電器技術(shù);1995年04期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學(xué)計算機系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導(dǎo)體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導(dǎo)報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實現(xiàn)[D];華南理工大學(xué);2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號：1540505