基于小波及人工神经网络的短期负荷预测研究

基于小波及人工神经网络的短期负荷预测研究

论文题目: 基于小波及人工神经网络的短期负荷预测研究

论文类型: 硕士论文

论文专业: 电力系统及其自动化

作者: 周巍

导师: 李扬,卢毅

关键词: 人体舒适度指数,人工神经网络,小波分析,短期负荷预测

文献来源: 东南大学

发表年度: 2005

论文摘要: 负荷预测的准确程度对于电力系统安全经济运行具有十分重要的作用。本文针对电力系统短期负荷预测提出神经网络与小波混合模型,考虑到每日峰荷对系统调度管理的重要影响,引入每日峰荷相对误差作为评价负荷预测效果的重要标准。考虑到天气因素及日类型,引入人体舒适度指数这一气象新概念和日类型来反映其对负荷的影响。人体舒适度指数的引入,通过一个指数综合反映天气因素,可以大大简化神经网络的输入元及中间层结构,减少了计算量。通过对历史负荷的分析可知,负荷序列具有特定的周期性,可以看作是具有不同频率的负荷序列分量的迭加。其中每个分量都对应着一定范围的频率,有些具有很强随机变化性。小波分解则十分适用于时频暂态分析。在本文中,通过使用Mallat and Daubechies算法,负荷序列将被分解为一组子序列,每个子序列分别反映出原负荷的不同的频率特性。通过选择合适的小波基函数以及分解级数,子序列显示出比原负荷更强的规律性,有的序列会以特定的周期进行变化,而有的序列则会显现出极强的随机性。因此应针对不同序列的特点对每个序列分别建立模型进行预测。本文中,对负荷中具有较强周期变化规律的分量,根据其特点构造神经网络模型对其进行预测。而考虑到随机变化分量在负荷中所占比例较小,对这些只使用线性加权法对其进行预测。为增加神经网络的收敛速度及稳定性,在神经网络训练过程中采用了L-M算法。为了获得较小的网络规模,取得较快的训练速度及较高的预测精度,在本文中对各序列分别采用一组神经网络,每个时间点分别建立一个网络进行预测。最后通过迭加各分量预测结果得到最终预测结果。实例计算数据表明采用本文所提出的混合模型不但可以减少负荷预测的平均误差,而且对每日q峰值负荷预测精度也有较为显著的改善。

论文目录:

摘要

ABSTRACT

第一章 绪论

1.1 电力系统负荷预测

1.1.1 电力系统负荷预测定义

1.1.2 电力系统负荷预测重要性

1.2 电力负荷预测方法综述

1.2.1 电力负荷预测分类

1.2.2 预测原则

1.2.3 经典预测方法

1.3 人体舒适度综述

1.3.1 人体舒适度指数的概念

1.3.2 人体舒适度指数的计算方法

1.3.3 人体舒适度指数数量(D)、指数等级及人体感觉描述

1.4 本文的主要工作

1.4.1 问题的提出

1.4.2 本文所做的工作

第二章 负荷特性分析

2.1 影响系统负荷的因素

2.1.1 经济因素

2.1.2 气候因素

2.1.3 随机干扰

2.1.4 时间相关因素

2.2 人体舒适度指数对用电负荷的影响

2.2.1 南京夏季日最高、最低气温、人体舒适度指数与日最大负荷的相关性分析

2.2.2 南京夏季日最大负荷对日最高气温、最低气温、人体舒适度指数的离散度分析

2.2.3 南京夏季日最高负荷对人体舒适度指数的灵敏度分析

2.2.4 南京夏季日最高、最低气温、人体舒适度指数与日最小负荷的相关性分析

2.2.5 南京夏季日最小负荷对日最高气温、最低气温、人体舒适度指数的离散度分析

2.2.6 南京夏季日最小负荷对人体舒适度指数的灵敏度分析

第三章 时间序列、小波及神经网络理论

3.1 时间序列方法

3.1.1 时间序列

3.1.2 随机过程

3.1.3 平稳时间序列与非平稳时间序列

3.1.3.1 平稳时间序列

3.1.3.2 非平稳时间序列

3.1.3.3 随机过程的数字特征

3.2 神经网络方法

3.2.1 人工神经网络基本特征

3.2.2 神经网络学习方式

3.2.3 BP 神经网络模型

3.2.4 BP 神经网络算法

3.3 小波多分辨分析及其应用

3.3.1 小波基本理论

3.3.2 多分辨分析的概念

3.3.3 多分辨率分析的实现

第四章 时间序列,神经网络,小波及神经网络模型

4.1 时间序列模型

4.1.1 自回归模型AR(p)

4.1.2 滑动平均模型MA(p)

4.1.3 自回归——滑动平均模型ARMA(p,q)

4.1.4 模型的训练与测试

4.2 神经网络模型

4.2.1 数据的组织及ANN 训练

4.2.2 用于负荷预测的ANN 结构

4.2.3 BP神经网络进行预测的步骤

4.2.4 模型的训练与测试

4.3 小波及神经网络混合模型

4.3.1 对周期分量的建模

4.3.2 对负荷序列的分解

4.3.3 各分量的建模

4.3.4 迭加各分量得到预测结果

第五章 算例分析、误差比较

5.1 负荷预测误差指标

5.2 三种预测模型效果比较

第六章 总结与展望

6.1 总结

6.2 进一步的工作

致谢

参考文献

发布时间: 2007-06-11

参考文献

  • [1].基于人体舒适度指数负荷特性分析方法的研究[D]. 肖晶.东南大学2005
  • [2].计及气象因素的多小水电地区网供负荷预测研究[D]. 赵爽.华北电力大学(北京)2018
  • [3].应用分布式能源的园区冷热电负荷预测[D]. 申思.华北电力大学(北京)2018
  • [4].电力系统多因素饱和负荷预测研究[D]. 何淼.沈阳工程学院2018
  • [5].基于网格化的园区电力需求预测方法研究与应用[D]. 沈婧雯.湖南大学2018
  • [6].考虑微气象与负荷转供的母线负荷预测[D]. 代雅玲.湖南大学2018
  • [7].基于配电网规划的负荷预测研究[D]. 张金刚.西华大学2018
  • [8].基于空间负荷预测法的石家庄城网负荷预测[D]. 马会轻.华北电力大学2018
  • [9].营口地区电力系统短期负荷预测研究[D]. 薛茜.华北电力大学2018
  • [10].哈尔滨电网负荷预测研究[D]. 刘占坤.哈尔滨工程大学2018

相关论文

  • [1].基于小波变换和神经网络的短期负荷预测研究[D]. 王学平.南京理工大学2007
  • [2].基于混沌理论和小波变换的电力系统短期负荷预测[D]. 杨占民.天津大学2006
  • [3].基于负荷分解的电力系统短期负荷预测方法的研究[D]. 王成纲.华北电力大学(河北)2007
  • [4].基于改进人工神经网络法的短期负荷预测[D]. 吴功高.华北电力大学(北京)2007
  • [5].电力系统短期负荷预测方法的研究[D]. 张德玲.郑州大学2007
  • [6].电力系统短期负荷预测研究[D]. 卢峥.湖南大学2007
  • [7].基于改进BP算法的电力系统短期负荷预测[D]. 吕毅.华北电力大学(河北)2007
  • [8].基于混沌时间序列和神经网络的电力短期负荷预测[D]. 孙艳.广西大学2007
  • [9].基于神经网络的电力系统短期负荷预测研究[D]. 邵莹.哈尔滨理工大学2005
  • [10].基于时间序列和人工神经网络的电力系统短期负荷预测[D]. 莫玲.南昌大学2006

标签:;  ;  ;  ;  

基于小波及人工神经网络的短期负荷预测研究
下载Doc文档

猜你喜欢