隨著電力系統(tǒng)的發(fā)展,高質(zhì)量的短期負(fù)荷預(yù)測越來越顯得重要,短期負(fù)荷預(yù)測(STLF)在電力系統(tǒng)運行中起著非常關(guān)鍵的作用,是電力系統(tǒng)安全經(jīng)濟運行的前提。本文以電力負(fù)荷預(yù)測為研究對象,針對如何提高電力負(fù)荷預(yù)測精度這一問題進(jìn)行深入研究。通過對電力負(fù)荷數(shù)據(jù)特點的分析,提出一種基于混沌時間序列的新的特征提取方法DFNS;將雙隱層神經(jīng)網(wǎng)絡(luò)與Softplus型神經(jīng)網(wǎng)絡(luò)結(jié)合,即D_LSNN,應(yīng)用于短期電力負(fù)荷預(yù)測中,并提出改進(jìn)的差分進(jìn)化算法BMDE對短期電力負(fù)荷進(jìn)行預(yù)測仿真實驗。本文首先針對電力負(fù)荷數(shù)據(jù)具有的混沌性,采用混沌時間序列的處理方式來處理,并從理論和實驗兩個角度對比分析了目前成熟的處理混沌時間序列方法的優(yōu)劣,進(jìn)而確定使用復(fù)自相關(guān)法和G-P算法來求取相空間重構(gòu)參數(shù)�；谙嗫臻g重構(gòu),依據(jù)輸入向量的非線性強度提出一種新的特征提取方法,即DFNS,以提高電力負(fù)荷預(yù)測的精度。由于計算機實際運算過程中的缺陷,會使單隱藏層神經(jīng)網(wǎng)絡(luò)精度無法達(dá)到理論高度,因此本文采用雙隱藏層神經(jīng)網(wǎng)絡(luò)來提高預(yù)測精度,并且使用Softplus函數(shù)作為激勵函數(shù),以保證預(yù)測算法的可靠性。從仿真結(jié)果可以看出,D

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
        1.2.3 基于混沌時間序列的短期電力負(fù)荷預(yù)測研究現(xiàn)狀
    1.3 本文研究的主要內(nèi)容
第2章 電力負(fù)荷預(yù)測相關(guān)理論
    2.1 電力負(fù)荷預(yù)測的經(jīng)濟利益
    2.2 電力負(fù)荷預(yù)測算法中用到的方法
        2.2.1 混沌時間序列—相空間重構(gòu)
        2.2.2 人工神經(jīng)網(wǎng)絡(luò)
        2.2.3 差分進(jìn)化算法
    2.3 短期電力負(fù)荷預(yù)測的實驗數(shù)據(jù)
    2.4 本章小結(jié)
第3章 基于混沌時間序列的特征提取方法DFNS
    3.1 相空間重構(gòu)基本方法
    3.2 時延τ的確定
        3.2.1 自相關(guān)函數(shù)法
        3.2.2 平均位移法
        3.2.3 復(fù)自相關(guān)法
        3.2.4 互信息量法
    3.3 嵌入維m的確定
        3.3.1 G-P算法
    3.4 同時確定嵌入維m和時延τ的方法
        3.4.1 C-C方法
        3.4.2 C-C方法的改進(jìn)
    3.5 新的特征提取方法DFNS
        3.5.1 DFNS相空間重構(gòu)
        3.5.2 DFNS最小二乘法線性回歸
        3.5.3 DFNS特征個數(shù)CH的計算
        3.5.4 DFNS特征提取
    3.6 本章小結(jié)
第4章 雙隱藏層Softplus型神經(jīng)網(wǎng)絡(luò)(D_LSNN)
    4.1 雙隱藏層神經(jīng)網(wǎng)絡(luò)
        4.1.1 雙隱藏層神經(jīng)網(wǎng)絡(luò)
        4.1.2 算法性能驗證
    4.2 Softplus型神經(jīng)網(wǎng)絡(luò)
        4.2.1 Sigmoid函數(shù)
        4.2.2 Softplus函數(shù)
        4.2.3 D LSNN
    4.3 D LSNN仿真驗證
    4.4 本章小結(jié)
第5章 基于DFNS,D_LSNN,BMDE的短期電力負(fù)荷預(yù)測
    5.1 DE及其改進(jìn)
        5.1.1 權(quán)值編碼操作
        5.1.2 評優(yōu)函數(shù)
        5.1.3 改進(jìn)的BMDE算法
    5.2 基于DFNS,D_LSNN,BMDE的短期電力負(fù)荷預(yù)測
    5.3 本章小結(jié)
結(jié)論
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文



本文編號：3970136