電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)中不可缺少的重要環(huán)節(jié),對(duì)于電力系統(tǒng)的穩(wěn)定運(yùn)行、經(jīng)濟(jì)節(jié)能有著巨大作用。新形勢(shì)下,隨著風(fēng)電并網(wǎng)容量的逐年上升,風(fēng)力發(fā)電的波動(dòng)性和間歇性對(duì)電力系統(tǒng)的電壓和頻率造成了很大的干擾。同時(shí),風(fēng)電功率波動(dòng)與電力負(fù)荷波動(dòng)的不同步性,使得含風(fēng)電場(chǎng)區(qū)域的負(fù)荷預(yù)測(cè)與系統(tǒng)調(diào)度面臨更多的挑戰(zhàn)。因此,通過(guò)引入含風(fēng)電場(chǎng)區(qū)域等效負(fù)荷的概念,對(duì)計(jì)及風(fēng)電并網(wǎng)的等效負(fù)荷預(yù)測(cè)對(duì)于電網(wǎng)的穩(wěn)定經(jīng)濟(jì)運(yùn)行有重要作用。在此背景下,本文提出了基于改進(jìn)回聲狀態(tài)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)模型,以及基于三維卷積-門控循環(huán)單元網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)模型,進(jìn)而搭建了含風(fēng)電場(chǎng)區(qū)域等效負(fù)荷預(yù)測(cè)模型。針對(duì)電力負(fù)荷預(yù)測(cè)任務(wù),提出了強(qiáng)健回聲狀態(tài)網(wǎng)絡(luò)模型�；芈暊顟B(tài)網(wǎng)絡(luò)兼具較好的預(yù)測(cè)能力和算力成本較低的優(yōu)點(diǎn),但同時(shí)存在訓(xùn)練不穩(wěn)定、初始化困難和存在過(guò)擬合問(wèn)題的缺點(diǎn)。通過(guò)研究分析,使用相空間重構(gòu)理論優(yōu)化了網(wǎng)絡(luò)的初始化和訓(xùn)練過(guò)程,同時(shí)提出了三種回聲狀態(tài)網(wǎng)絡(luò)正則化算法改善模型訓(xùn)練速度及過(guò)擬合問(wèn)題。最后,為了滿足更魯棒的電力負(fù)荷預(yù)測(cè)要求,將回聲狀態(tài)網(wǎng)絡(luò)與分位數(shù)回歸結(jié)合,推導(dǎo)得到了回聲狀態(tài)分位數(shù)回歸網(wǎng)絡(luò)以實(shí)現(xiàn)電力負(fù)荷概率預(yù)測(cè)。針對(duì)風(fēng)電功率預(yù)測(cè)任務(wù),提出了基于變分模...

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1M-P人工神經(jīng)元模型

燕山大學(xué)工學(xué)碩士學(xué)位論文-8-第2章深度學(xué)習(xí)與電力負(fù)荷預(yù)測(cè)2.1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)自誕生以來(lái)，已有70多年歷史。在近代高速的科技發(fā)展進(jìn)程中，經(jīng)歷了跌宕起伏的發(fā)展過(guò)程。如今，各種各樣的人工神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于各個(gè)領(lǐng)域如時(shí)間序列預(yù)測(cè)，自動(dòng)駕駛，語(yǔ)音識(shí)別，人臉識(shí)別等。人工神經(jīng)網(wǎng)....

圖2-2人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第2章深度學(xué)習(xí)與電力負(fù)荷預(yù)測(cè)-9-LeakyRelu等。常見(jiàn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2-2所示，由一層層的神經(jīng)元組成。簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)可以分為三部分，第一層為輸入層，中間層稱為隱藏層，最后一層為輸出層[47]。輸人信號(hào)或輸入特征經(jīng)過(guò)輸入層傳給隱藏層，逐層經(jīng)過(guò)神經(jīng)元計(jì)算最后由輸出層輸出，在....

圖2-3循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

芰Γ?薹ūＡ粼毒嗬肜?沸畔⒋?吹撓跋歟?所以在時(shí)間序列預(yù)測(cè)任務(wù)中，卷積神經(jīng)網(wǎng)絡(luò)通常需要與循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合使用[42]。2.3循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是一種特殊的神經(jīng)網(wǎng)絡(luò)。普通神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的同一層的神經(jīng)元之間沒(méi)有連接，而RNN的隱藏層不僅接收前一層神經(jīng)元的信號(hào)，....

圖2-4LSTM網(wǎng)絡(luò)結(jié)構(gòu)示意圖

燕山大學(xué)工學(xué)碩士學(xué)位論文-12-,的更新公式為：,=(,+,/!)(2-4)式中——輸入向量權(quán)重矩陣；——隱藏層狀態(tài)權(quán)重矩陣；,/!、,——1、時(shí)刻的隱藏層狀態(tài)；——非線性激活函數(shù)。從式(2-4)可以看出，時(shí)刻隱藏層的狀態(tài)值,不僅與當(dāng)前時(shí)刻的輸入,有關(guān)，還與上一時(shí)刻的狀態(tài),/!有....

本文編號(hào)：3919695