学位论文 > 优秀研究生学位论文题录展示
地区电网短期负荷预测方法研究
作 者: 胡松峰
导 师: 彭显刚
学 校: 广东工业大学
专 业: 电力系统及其自动化
关键词: 短期负荷预测 RBF神经网络 PSO优化算法
分类号: TM715
类 型: 硕士论文
年 份: 2011年
下 载: 89次
引 用: 0次
阅 读: 论文下载
内容摘要
电力系统短期负荷预测是电力系统日常运行中的一项重要工作。精确的负荷预测,对电力系统的生产安排、经济调度和安全分析都起着十分重要的作用,也直接影响着电力企业的经济效益。由于电力系统内负荷的复杂性及其进一步复杂化的趋势,各种传统的负荷预测技术越来越难满足电力部门对预测精度等方面的要求,实际工作要求开发出具有较高预测精度和智能水平的新型预测技术。传统的负荷预测方法往往存在着预测精度不高、鲁棒性差,不能表述复杂的非线性关系等缺点;随着人工神经网络(ANN)方法在负荷预测中的引入,有效克服了传统方法在处理非线性问题方面的不足,给负荷预测注入了新的活力。在众多神经网络模型中,RBF神经网络因其具有良好的全局逼近性能,训练方法简单易行且没有陷入局部最优值的缺陷,故而被本文所采用。正确认识和分析各种相关因素对负荷的影响并定量体现其内在规律一直是短期负荷预测的关键问题,尤其预测中会出现由于某种不确定性负荷因素数值发生改变,使得负荷预测模型无法把握负荷变化趋势的情况,进而降低预测精度。对影响负荷因素的研究主要包括:影响负荷因素的筛选、确定性负荷影响因素的分析、不确定性负荷影响因素的分析及少数据负荷的处理等。本文在充分利用气象及负荷历史数据的基础上,对影响负荷的关键因素进行了深入分析,结合RBF神经网络的结构特性,科学合理设置相关输入参数节点,力求最大限度地准确体现出影响因素与负荷之间的映射关系,实现神经网络结构配置的最优化。本文在选择RBF神经网络的训练算法时,采用了粒子群优化算法PSO;根据分析确定的电力负荷的主要影响因素;考虑日期类型、温度、天气状况等影响负荷预测的因素,建立了基于粒子群算法PSO和径向基函数RBF神经网络的短期负荷预测模型,用粒子群算法对RBF神经网络的训练进行优化,提高了模型的可信度和可靠性。通过广东河源电网实际负荷预测试验表明,采用PSO优化RBF神经网络预测方法的预测精度是令人满意的,从而验证了本方法的有效性和实用性。
|
全文目录
摘要 4-5 ABSTRACT 5-7 目录 7-10 CONTENTS 10-13 第一章 引言 13-22 1.1 进行短期电力负荷预测的意义 13-14 1.2 短期电力负荷预测技术的发展和研究现状 14-20 1.2.1 传统预测方法 15-16 1.2.2 人工智能方法 16-20 1.3 本文所完成的主要工作 20-22 第二章 电力系统短期负荷预测概述 22-32 2.1 电力系统负荷预测 22-24 2.1.1 电力系统负荷预测类型 22-23 2.1.2 电力系统负荷预测的特点和基本原理 23-24 2.2 电力系统短期负荷预测分析 24-28 2.2.1 电力系统短期负荷特征分析 24-25 2.2.2 电力系统短期负荷中的影响因素分析 25-28 2.3 电力系统短期负荷预测的基本思路 28-29 2.3.1 以河源地区电力系统为例总结短期负荷基本特征 28 2.3.2 建立短期负荷预测模型应考虑的问题 28-29 2.3.3 建立短期负荷预测模型基本原则 29 2.4 电力系统短期负荷预测中的数据预处理 29-32 2.4.1 异常数据的识别 29-30 2.4.2 异常数据的处理 30-32 第三章 RBF神经网络及其结构分析 32-44 3.1 人工神经网络的基本概念 32-34 3.2 RBF神经网络 34-42 3.2.1 RBF神经网络的结构 34-36 3.2.2 RBF神经网络的具体实现 36-37 3.2.3 RBF网络的学习算法 37-42 3.3 RBF神经网络与BP网络的比较 42-44 3.3.1 BP网络存在的问题 42 3.3.2 RBF网络与BP网络之间的差别 42-44 第四章 粒子群优化算法 44-50 4.1 PSO算法 44 4.2 算法原理 44-46 4.3 算法参数分析 46-47 4.4 算法流程 47-49 4.5 和其它进化计算的比较 49-50 第五章 基于PSO优化的RBF神经网络短期负荷预测研究 50-60 5.1 河源短期电力负荷特性分析 50-51 5.2 RBF短期负荷预测模型的建立 51-53 5.3 RBF短期负荷预测模型的训练 53-55 5.4 预测误差分析 55-57 5.5 使用PSO对RBF短期负荷预测模型参数进行优化 57-60 5.5.1 算法流程及分析 57-58 5.5.2 算法评价及分析 58-60 第六章 负荷预测仿真实例与分析比较 60-68 6.1 预测模型计算一般步骤 60-61 6.2 算法综合比较 61-68 结论与展望 68-69 参考文献 69-72 攻读硕士学位期间发表论文 72-74 致谢 74
|
相似论文
- 基于神经网络辨识的同步发电机励磁控制研究,TM31
- 制造业绿色产品研发的风险识别与评价研究,F205;F224
- 基于人工神经网络的电网日负荷预测研究,TM715
- 网络化控制系统故障诊断与容错控制研究,TP273
- 基于人工智能优化算法的聚丙烯熔融指数预报建模优化研究,TQ325.14
- 基于RBF神经网络的自适应控制研究,TP13
- RBF神经网络和HMM用于音乐识别的算法研究,TN912.34
- 神经网络在科研人员项目申报评价中的应用,G316
- 优化RBF神经网络用于语音识别的研究,TN912.34
- 基于负荷预测的变电站电压无功控制,TM76
- 全氢罩式炉炉温的RBF神经网络PID预测控制的研究,TP273
- 基于RBF神经网络的农村公路混凝土旧桥损伤评估方法研究,TP18
- 基于神经网络的感应电机故障诊断技术研究,TP183
- 基于混沌预测的水声微弱信号检测技术研究,TB566
- 加筋水泥土桩锚支护试验结果分析及工程应用,TU753
- 基于油中溶解气体分析的变压器神经网络诊断系统研究,TM407
- 基于小波分析和支持向量机的电力短期负荷预测,TM715
- 微网短期负荷预测“机理+辨识”策略中的白噪声分离,TM715
- 基于数据挖掘的电力系统短期负荷预测应用研究,TM715
- 变压器经济运行中相关技术的研究,TM406
- 变电站集控智能告警系统研究,TM76
中图分类: > 工业技术 > 电工技术 > 输配电工程、电力网及电力系统 > 理论与分析 > 电力系统规划
© 2012 www.xueweilunwen.com
|