基于AHP和RBF神经网络的城网负荷预测

论文摘要

城市中发展相对成熟的老城区,用地性质基本不发生变化,土地发展使用情况比较稳定成熟,本文针对这种区域,建立了基于层次分析法(AHP)和径向基函数(RBF)神经网络的分类负荷中长期预测模型,为在此基础上得到小区负荷空间分布提供了数据基础。利用层次分析法对多准则、多目标复杂问题的决策分析方法能力,考虑到多个因素,且分别以总量、总量增长量及增长率三个指标量建立AHP评价体系,融合了组合预测法的优点,优选出最佳模型,同时结合RBF神经网络逼近能力强、结构简单、学习速度快等优点,以最优模型的预测值及相关影响因素为RBF网络的输入,拟合得到负荷的预测值。本文最后通过基于AHP和RBF网络的预测模型,选择实际区域,进行了分类负荷的中长期预测,在考虑多个因素的同时提高了预测的精度,验证了所提出模型在配电网负荷预测中的优越性。

论文目录

• 中文摘要
• 英文摘要
• 第一章 绪论
• 1.1 研究背景及其意义
• 1.2 电力负荷预测的发展现状
• 1.3 本文的主要工作
• 第二章 基于AHP中长期分类负荷预测模型的构建
• 2.1 负荷预测
• 2.1.1 负荷预测的基本原理及要求
• 2.1.2 负荷预测的内容及分类
• 2.1.3 中长期负荷预测方法
• 2.1.4 空间负荷预测方法
• 2.2 层次分析法简介
• 2.2.1 层次分析法简介
• 2.2.2 层次分析法的基本原理
• 2.2.3 层次分析法的应用
• 2.3 AHP预测模型的构建
• 2.3.1 层次预测模型构建的基本思想
• 2.3.2 预测模型的层次结构
• 2.3.3 预测模型权重的计算
• 2.4 中长期分类负荷预测的步骤及流程图
• 2.4.1 建立预测模型的步骤
• 2.4.2 预测的流程图
• 2.5 本章小结
• 第三章 基于RBF神经网络的拟合预测
• 3.1 RBF网络方法
• 3.1.1 RBF网络简介
• 3.1.2 RBF网络的结构
• 3.1.3 RBF网络的学习算法
• 3.1.4 RBF网络与BP网络的对比
• 3.1.5 RBF网络的应用
• 3.2 基于RBF神经网络的拟合计算
• 3.2.1 拟合模型的综合构架
• 3.2.2 基于RBF神经网络拟合模型的计算
• 3.3 RBF神经网络的MATLAB实现
• 3.3.1 RBF神经网络的工具箱函数
• 3.3.2 RBF神经网络拟合模型的实现
• 3.3.3 分类负荷与小区负荷的综合调整
• 3.3.4 分类负荷中长期负荷预测的流程
• 3.4 本章小结
• 第四章 实例分析
• 4.1 研究区域概述
• 4.2 基于AHP分类负荷预测最优模型计算
• 4.2.1 工业负荷
• 4.2.2 商业负荷
• 4.2.3 居住负荷
• 4.3 分类负荷的负荷特性及影响因素分析
• 4.3.1 工业负荷特点分析及影响因素选取
• 4.3.2 商业负荷特点分析及影响因素选取
• 4.3.3 居住负荷特点分析及影响因素选取
• 4.4 基于RBF的分类负荷拟合预测
• 4.5 预测结果分析
• 4.5.1 拟合预测结果分析
• 4.5.2 RBF神经网络扩展速度对结果的影响
• 4.5.3 误差分析
• 4.6 本章小结
• 第五章 结论与展望
• 5.1 主要结论
• 5.2 探索与展望
• 参考文献
• 致谢
• 在学校期间参加科研情况和发表的学术论文