学位论文 > 优秀研究生学位论文题录展示

基于小波和神经网络理论的电力系统负荷预测研究

作　者: 刘明
导　师: 都洪基
学　校: 南京理工大学
专　业: 电力系统及其自动化
关键词: 短期负荷预测神经网络遗传算法小波分析 PSO算法 SVM
分类号: TM715
类　型: 硕士论文
年　份: 2012年
下　载: 95次
引　用: 0次
阅　读: 论文下载

内容摘要

电力系统的负荷预测可以分为长期负荷预测、中期负荷预测和短期负荷预测。比较准确的短期负荷预测对调度安排、运行计划等起着关键性的作用。从大的方面说,对提高电力系统的电能质量,保证电力系统的安全性、可靠性都有重大影响,并且能够使电力系统在较低成本下运行。本文首先深入研究了电力系统的整体负荷特性,包括一年的变化特性、一个月的变化特性、一周的变化特性和一天的变化特性。对温度高低和负荷数值的变化关系等进行了较深入的探讨,对训练样本做了大量的预处理工作。接着介绍了神经网络理论,并随之建立基于BP学习算法的预测模型,通过大量的实验确定了网络的最佳结构,得到了较满意的预测结果。虽然误差反传(BP)算法的预测结果比较理想,但该算法的缺点是收敛的时间较长、且陷入局部极小点的可能性很大,故文章紧接着介绍了遗传算法(GA),类比遗传学理论,初始化BP神经网络的权值和阂值,编码并进行遗传算法操作,不断迭代寻优,从而获得最佳的权值和阈值,使用优化后的神经网络进行负荷预测时,预测负荷和实际负荷数值更加接近。在文章的最后,系统地介绍了小波理论、PSO算法、支持向量机(SVM)理论,构建了基于小波分析的综合预测系统,得到的预测结果以及最终的预测误差等指标表明该方法的预测精度和效率更高,达到了论文所期待的比较理想的误差和要求。

全文目录

摘要  3-4
Abstract  4-8
1 绪论  8-14
  1.1 课题的研究背景和意义  8-9
  1.2 电力系统负荷预测概述  9-10
    1.2.1 负荷预测的概念  9
    1.2.2 负荷预测的分类  9
    1.2.3 负荷预测的步骤  9-10
  1.3 电力系统负荷预测研究现状  10-12
  1.4 论文的主要工作和创新  12-14
2 论文前奏  14-30
  2.1 短期负荷特性分析  14-19
    2.1.1 短期负荷预测模型的各种分量  14-15
    2.1.2 短期负荷预测需考虑的影响因素  15
    2.1.3 负荷的周期性特性  15-19
  2.2 数据预处理  19-27
    2.2.1 负荷数据的预处理  19-24
    2.2.2 天气样本的预处理  24-26
    2.2.3 日期类型的预处理  26-27
  2.3 预测误差分析  27-28
    2.3.1 绝对误差和相对误差  27
    2.3.2 平均绝对误差  27
    2.3.3 均方误差  27
    2.3.4 均方根误差  27
    2.3.5 标准误差  27-28
  2.4 本章小结  28-30
3 人工神经网络在电力系统短期负荷预测中的应用  30-44
  3.1 人工神经网络概述  30-32
    3.1.1 神经网络发展简史  30-31
    3.1.2 人工神经元模型  31
    3.1.3 神经网络常用的激发函数  31-32
  3.2 误差反传(Back Propagation,BP)算法  32-35
    3.2.1 BP前向神经网络模型  33-34
    3.2.2 网络各层节点的输入输出关系  34
    3.2.3 BP学习算法  34-35
    3.2.4 BP神经网络训练过程  35
  3.3 BP网络模型建立  35-37
  3.4 算例和结果分析  37-43
  3.5 本章小结  43-44
4 遗传算法优化的BP神经网络在短期负荷预测中的应用  44-54
  4.1 遗传算法概述  44
  4.2 遗传算法的基本要素  44-47
    4.2.1 染色体编码方式  44-45
    4.2.2 适应度函数  45
    4.2.3 遗传操作  45-46
    4.2.4 遗传算法中关键参数的确定  46-47
  4.3 遗传算法优化BP神经网络的模型  47-48
  4.4 遗传算法优化BP神经网络预测结果  48-53
  4.5 本章小结  53-54
5 小波分析在短期负荷预测中的应用  54-86
  5.1 引言  54
  5.2 小波变换  54-58
    5.2.1 从Fourier变换到小波变换  54-55
    5.2.2 连续小波变换  55-57
    5.2.3 二进小波变换  57
    5.2.4 框架  57-58
  5.3 多分辨率分析  58-60
  5.4 MALLAT算法  60-61
  5.5 粒子群优化算法  61-63
    5.5.1 PSO算法介绍  61-62
    5.5.2 PSO算法步骤  62-63
    5.5.3 PSO优化的BP神经网络  63
  5.6 支持向量机  63-68
    5.6.1 支持向量机简介  63-65
    5.6.2 线性可分支持向量机  65-66
    5.6.3 近似线性可分支持向量机  66-67
    5.6.4 非线性可分支持向量机  67-68
    5.6.5 基于PSO参数寻优的SVM短期负荷预测  68
  5.7 算例仿真分析  68-84
    5.7.1 基于小波分析的短期负荷预测  68-70
    5.7.2 基于各子序列的负荷建模  70-75
    5.7.3 预测结果  75-77
    5.7.4 小波分析综合方法与BP、GABP预测结果对比分析  77-84
  5.8 本章小结  84-86
6 结论与展望  86-88
  6.1 结论  86
  6.2 有待研究的问题  86-88
致谢  88-90
参考文献  90-94
附录  94

基于小波和神经网络理论的电力系统负荷预测研究

内容摘要

全文目录

相似论文