学位论文 > 优秀研究生学位论文题录展示

基于粒子群优化算法的短期电力负荷预测

作　者: 周野
导　师: 尹新
学　校: 湖南大学
专　业: 电气工程
关键词: 电力负荷预测神经网络实时温度因子粒子群优化混合算法小波分析
分类号: TM715
类　型: 硕士论文
年　份: 2009年
下　载: 125次
引　用: 1次
阅　读: 论文下载

内容摘要

电力负荷预测是电力系统安全调度、经济运行的重要依据,是社会正常生产、降低发电成本的有力保障。神经网络预测模型是一种比较常用的短期电力负荷预测模型。本文针对传统BP神经网络的不足之处进行改进,建立新的预测模型,并应用于短期电力负荷预测。本文的主要研究内容如下:(1)针对传统BP神经网络预测模型收敛慢、容易陷入局部最优等不足,引入收敛速度快、全局搜索能力强的粒子群优化算法代替BP算法优化神经网络的权值和阈值,建立一种基于粒子群优化算法的神经网络预测模型。分析温度和负荷的关系,并在对夏季负荷进行预测时,引入实时温度因子。通过对某地区秋季和夏季负荷进行实验仿真,验证了该模型的有效性和优越性。(2)针对标准粒子群算法不能够绝对保证搜索到全局最优解,容易陷入局部极小解的问题,在粒子群优化算法搜索过程中引入模拟退火算法中概率突跳的思想,提出一种混合算法。该算法继承了PSO算法的优点且在搜索过程中也拥有概率突跳的能力,能够有效的跳出局部最优解。将该算法代替BP算法优化神经网络,建立一种基于混合算法的神经网络预测模型。通过对某地区负荷进行预测,验证了混合算法的优越性以及预测模型的有效性。(3)通过最优小波包分解,将复杂的电力负荷序列分解成多个简单的、规律性强的负荷分量。分别对这些分量进行预测,并在对夏季负荷低频分量进行预测时,引入实时温度因子,最后重构负荷序列得到最终预测结果,提高了预测精度。通过在某地区的实际应用,验证了该方法的可行性。

全文目录

摘要  5-6
Abstract  6-10
第1章绪论  10-16
  1.1 选题的背景和意义  10
  1.2 粒子群算法研究现状  10-12
    1.2.1 粒子群优化算法的研究进展  10-11
    1.2.2 PSO 算法的应用  11-12
  1.3 电力负荷预测研究现状  12-14
  1.4 论文的主要研究内容  14
  1.5 论文的结构安排  14-16
第2章电力负荷预测概述  16-21
  2.1 电力负荷预测概念和原理  16-17
    2.1.1 电力负荷预测基本概念  16
    2.1.2 电力负荷预测基本原理  16-17
  2.2 电力负荷预测的特点  17
  2.3 电力负荷预测作用大小因素  17-18
  2.4 电力负荷预测基本程序  18-20
  2.5 本章小结  20-21
第3章电力负荷预测模型理论基础  21-33
  3.1 神经网络模型  21-23
    3.1.1 BP 神经网络  21-22
    3.1.2 BP 神经网络的优点和不足  22-23
  3.2 粒子群优化算法  23-26
    3.2.1 算法的基本原理  23-24
    3.2.2 粒子群优化算法的流程  24
    3.2.3 PSO 算法参数分析和设置  24-25
    3.2.4 粒子群优化算法的优点与不足  25-26
  3.3 小波分析理论  26-32
    3.3.1 小波变换基本理论  26-28
    3.3.2 小波包分析  28-32
  3.4 本章小结  32-33
第4章基于粒子群优化算法的预测模型  33-44
  4.1 基于粒子优化算法的神经网络模型  33-34
  4.2 实验仿真  34-43
    4.2.1 秋季负荷预测  34-38
    4.2.2 夏季负荷预测  38-43
  4.3 本章小结  43-44
第5章基于混合算法的预测模型  44-53
  5.1 混合算法  44-45
    5.1.1 混合算法的设计思想  44-45
    5.1.2 混合算法基本流程  45
  5.2 基于混合算法的神经网络模型  45-46
  5.3 实验仿真  46-52
    5.3.1 秋季负荷预测  46-49
    5.3.2 夏季负荷预测  49-52
  5.4 本章小结  52-53
第6章基于最优小波包预处理的预测方法  53-62
  6.1 最优小波包预处理  53
    6.1.1 最优小波包预处理基本思想  53
    6.1.2 最优小波包预处理基本步骤  53
  6.2 基于最优小波预处理的预测流程  53-54
  6.3 实验仿真  54-61
    6.3.1 秋季负荷预测  54-58
    6.3.2 夏季负荷预测  58-61
  6.4 本章小结  61-62
总结与展望  62-64
参考文献  64-69
致谢  69-70
附录 A 攻读学位期间所发表的学术论文目录  70

基于粒子群优化算法的短期电力负荷预测

内容摘要

全文目录

相似论文