学位论文 > 优秀研究生学位论文题录展示

基于模糊粗糙集和神经网络的短期负荷预测研究

作　者: 陈鹏
导　师: 张青
学　校: 河北农业大学
专　业: 农业电气化与自动化
关键词: 短期负荷预测人工神经网络模糊粗糙集理论隶属函数约简
分类号: TM715
类　型: 硕士论文
年　份: 2008年
下　载: 204次
引　用: 4次
阅　读: 论文下载

内容摘要

短期负荷预测是对电力系统进行在线控制时,实现发、供电合理调度的基础,是电力系统安全调度、经济运行的重要依据,负荷预测的质量将直接影响到电力系统运行的可靠性、经济性和供电质量。随着电力事业的发展,电力部门为获得最好的经济效益,对负荷预测精度的要求越来越高。人工神经网络以对大脑的生理研究成果为基础,其目的在于模拟大脑的某些机理与机制,实现某个方面的功能。人工神经网络是由大量的简单计算单元(即神经元)构成的非线性系统,它在一定程度和层次上模仿了人脑神经系统的信息处理、存储及检索功能,因而具有学习、记忆和计算等智能处理功能。大量研究表明,神经网络模型用于短期负荷预测是有效的。通过分析比较,本文选用改进的单隐层BP网络来建立短期负荷预测基本模型。神经网络用于负荷预测,输入变量的选择是影响预测效果的关键问题。神经网络的结构受网络的输入数据的维数影响很大,同时,输入数据的维数也直接影响到决策规则的数目、网络的计算量,甚至影响到神经网络是否收敛。粗糙集理论和神经网络在数据挖掘方面的互补性是大家所共识的,通过粗糙集的数据挖掘方法精简网络输入属性是提高网络模型预测质量的一个有效途径。本文根据电力系统短期负荷预测的特点,在对待预测地区的负荷特性进行分析的基础上,提出了一种利用模糊粗糙集理论与神经网络互补建立负荷预测模型的方法。模糊粗糙集理论通过模糊隶属函数将模糊集的研究方法引入到粗糙集的研究中,通过模糊隶属函数来分辨类内元素,把模糊集合中的隶属度看作是粗糙集理论中的属性值,可以更好指导特征选取。首先,该方法能在充分考虑多种负荷影响因素的前提下,通过约简舍去多余或不重要的输入信息,并把约简后属性相应的属性重要度作为网络输入的初始权值,这样大大缩减了网络结构,提高了网络效率和精度。另外,模糊粗糙集约简理论可以经过属性模糊化处理天气等连续变量,避免了经典粗糙集离散化时的信息丢失,从而可以得到更为合理的输入参量。通过对具体电网的实例分析,表明用该模型进行短期负荷预测能取得比较令人满意的预测结果。

全文目录

摘要  4-5
Abstract  5-9
1 引言  9-15
  1.1 短期负荷预测的研究意义  9-10
  1.2 短期负荷预测的发展及预测方法  10-12
  1.3 人工神经网络在负荷预测中的应用现状  12-13
  1.4 本文所做的主要工作  13-15
2 电力负荷特性分析  15-24
  2.1 电力负荷变化的内在规律  15-17
    2.1.1 负荷变化的年周期性  15-16
    2.1.2 负荷变化的周周期性  16-17
    2.1.3 负荷变化的日周期性  17
  2.2 电力负荷变化的外在特性  17-20
    2.2.1 经济影响  18
    2.2.2 气候因素影响  18-20
    2.2.3 随机因素的影响  20
  2.3 日负荷曲线分析  20-24
    2.3.1 相同类型日变化曲线  20
    2.3.2 日负荷的归一化曲线  20-21
    2.3.3 相似日的选取  21-24
3 模糊粗糙集约简算法  24-35
  3.1 经典粗糙集合论  24-27
    3.1.1 概述  24-25
    3.1.2 粗糙集的基本概念  25-27
  3.2 模糊粗糙集  27-35
    3.2.1 模糊集合预备知识  27-30
    3.2.2 基于属性依赖度的模糊粗糙集约简  30-35
4 人工神经网络  35-43
  4.1 人工神经网络概述  35-36
  4.2 BP网络的基本理论  36-43
    4.2.1 标准 BP算法  37-41
    4.2.2 BP网络的缺点及改进方法  41-43
5 基于模糊粗糙集和BP网络的负荷预测  43-53
  5.1 负荷数据的预处理  43-45
  5.2 模糊粗糙集约简选取输入属性  45-49
  5.3 预测负荷极值的BP网络设计  49-51
    5.3.1 输入输出层设计  49
    5.3.2 隐层层数及节点的确定  49
    5.3.3 神经网络结构和参数的确定  49-50
    5.3.4 选用的网络训练算法  50-51
  5.4 日整点负荷值的获取  51
  5.5 误差分析  51-53
6 负荷预测结果与分析  53-60
  6.1 误差训练性能曲线  53-54
  6.2 日最大负荷预测结果  54-55
  6.3 整点负荷预测结果分析  55-60
7 结论与展望  60-62
参考文献  62-68
在读期间发表的学术论文  68-69
作者简介  69-70
致谢  70-71
附件  71-77

基于模糊粗糙集和神经网络的短期负荷预测研究

内容摘要

全文目录

相似论文