基于人工鱼群模糊神经网络的电力系统短期负荷预测研究

《基于人工鱼群模糊神经网络的电力系统短期负荷预测研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于人工鱼群模糊神经网络的电力系统短期负荷预测研究答辩人：张恒指导教师：姜囡主要内容绪论本文所需的预备知识本文主要预测方法算例仿真分析结论与展望第一章绪论我国电力系统的发展对电网管理现代化的要求越来越高，负荷预测成为现代电力系统科学中的一个重要领域。准确的电力系统负荷预测对我国的电力系统发展有着重要的意义，主要表现在电网管理中准确的负荷预测能够为电网经济调度以及生产计划制定提供有力帮助；其次，负荷预测是电力系统安全分析及运行的基础，是电网进行实时调度的必须数据;最后，预测负荷需求数据还是电力系统市场化的重要组成。电力系统的作用应当是对各类用户尽可能经济的提供可靠而合乎标准要求的电能，以

2、随时满足各类用户的要求。用电力系统的术语来说，就是要满足负荷要求。电力系统负荷预测是电力系统发电计划的重要组成部分，也是电力系统经济运行的基础。在当前电力发展迅速和供应紧张的情况下，合理地进行电力系统规划和运行极其重要。电力系统的负荷预测就是在考虑一些重要因素（如系统运行特性、增容决策、自然条件和社会影响）的条件下，研究或利用一套系统地处理过去的负荷数值，通过探索出历史负荷之间以及历史负荷与主要影响因素之间的内在联系和发展变化规律，用于在满足一定精度要求的条件下，确定未来某特定时刻的电力系统负荷需求值的方法。电力系统负荷预测从时间方面来说，可以分为长期、中期、短期与超短期。短期负荷预测

3、则指几个月、几周、几天，一天内各小时，甚至更短时间内的预测本文主要研究的是对电力系统短期的负荷预测方法，既是通过对历史数据的分析处理，达到对未来某一日内的电力系统负荷进行预测。短期负荷预测技术的发展状况电力系统负荷预测技术的发展主要分为两个阶段第一个阶段是到上世纪八十年代末，是使用传统负荷预测技术的阶段。以时间序列法和回归分析法这两种方法为主要预测技术的理论依据。第二个阶段是进入九十年代，人工智能技术的兴起，负荷预测迅速进入了使用智能化负荷预测技术的阶段。目前主要的负荷预测方法有专家系统法，人工神经网络法，模糊系统法和多种预测方法相结合的复合预测方法本文主要工作分析和介绍了负荷预测技术

4、的发展情况，现有的电力系统短期负荷预测的主要方法，进行了分析及比较。在现有的电力系统短期负荷预测方法的基础上应用了人工神经网络和模糊推理规则相结合的组合预测方法。学习和应用了人工鱼群算法训练前向神经网络，将模糊推理规则引入负荷预测，用以将天气，节假日等影响因素加入短期负荷预测模型，提高了负荷预测的精确和实现程度，具有现实意义。第二章预备知识负荷预测作为当前电力系统管理现代化，自动化的重要标志之一，经过几十年的发展，已经有很多成型有效的预测理论方法成功应用在电力系统生产实际中。其中较为典型的方法有基于数学统计的线性外推法、多元线性回归法、指数平滑法、时间序列法、状态空间法、基于人工智能的

5、专家系统法、人工神经网络法，以及模糊推理法，灰色模型法，小波变换等预测方法。在第一章已经大致介绍了各种方法的发展状况，本章将简要介绍各种方法的原理，对于本文将应用的人工神经网络法和模糊推理方法将做重点的介绍。人工神经网络法人工神经网络（ANN），是大脑及其活动的一个理论化的数学模型，由大量的处理单元（神经元）互连而成的，是神经元联结形式的数学抽象，是一个大规模的非线性自适应模型。神经网络模型用于模拟人脑神经元活动的过程，其中包括对信息的加工、处理，存贮和搜索等过程，它具有如下基本特点：（1）神经网络能够分布式存贮信息（2）神经网络能够并行处理及推理信息（3）神经网络可以自组织，自学习信

6、息神经网络结构人工神经网络的机构主要有层状和网状两大类。其中层状前向神经网络为本文主要研究使用的神经网络类型。如右图所示的三层前向神经网络，层间无反馈，每一层输出为下一层的输入。三层前向神经网络的学习前向人工神经网络具有数层相连的处理单元，连接可从一层中的每个神经元到下一层的所有神经元，且网络中不存在反馈环，是常用的一种人工神经网络模型，它的主要用途是用来逼近非线性映射。本文中主要应用的三层前向网络，输出层为线性层，隐层神经元的非线性作用函数为S-型函数：三层前向神经网络中，输入层神经元把输入神经网络的数据不做任何处理直接作为该神经元的输出。设输入层神经元的输出为，隐层神经元的输入为，

7、隐层神经元的输出为，输出层神经元的输出为，则网络的输入-输出为：其中，为输入层-隐层的连接权值，为隐层神经元的阈值，为隐层-输出层的连接权值，为输出层神经元的阈值。网络的输入-输出映射也可简写为：网络输入关系可以写成矩阵形式：或写成三层前向神经网络的学习算法前向神经网络对非线性映射的逼近能力是通过对样本数据的学习获得的。学习方式一般可分为单样本学习和批学习两种。对于日负荷预测模型的训练一般皆采用批学习方式人工神经网络的学习算法可以分为三类：局部