基于云计算和灰色神经网络的短期电力负荷预测

《基于云计算和灰色神经网络的短期电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、：－．－．＇Ｔ．巧／－．＞＇；Ｈ；．‘蔡扣．ｙｒｖ？．；資－■苗糸；１了■明叫護；兰妾－暑－－京Ａ．苗祭．ｖ著ｔ减；■：？ｖ早—｜＇■‘．＇＾ｆ菩听－１＾＾－巧焉＾；；華；＇／．斗：：Ｉ曼Ｋ．，．ｙ．Ｖ＇，Ｉ衰．＇，ｖｆ．．；．象＇／．ｆ‘ｕ甲＞ｉ芝１巧ｌ／＇；ｕ．．．．Ｘ一：ｆ．护＞３＾：．．多案、態．．’．ｒ．．＇ｖ；＾．；．．巧／，谭－；；－．＇Ａ％；＇，、＊；．ｖ，吉与＾＞；０＇．；Ｓ、，：Ｉ－＇某－与藻＾ｖ＇＂Ｖ：＾．气＇．，．載．方．：一换狐Ｉｐ．．．Ｃ．苗．＾Ｔ；Ｊ、：－謹＇繁＇、掉．ｆ电巧謹ｆｅ

2、技，‘例挤：．．．＇．ｌ￣啡Ｋｉｒ—．．；：卢．。警Ｍｖ掉＞．计＾．新三＾去寺色始艇ｓ＾力？Ｖ警，鼓＇难．綱衾鱗．，＾－：．．．＇ｒ－荷．ｖ＇一：ｐ＇＂／ｒ＇．．－‘．．ｖ／一：ｓ－；；：：ｒ＾－＾．手ｖｖ．卿ｖｉ－ｒ■．Ｉ＞，Ｖ－打純：＾Ｏ掠脚１§ｎ：；．一ｆ岐畔．ｉ－＼．：；．＇畔。」．＾一／：；Ｕ．ｇ誌Ｎ．ｓ如ｉｏ占ｉ＇咬－：．－■＾＾．，．－＇＇．＇．＇．，－．．／，■．．．Ｖ＾．，＊：＇．０，－’．－‘＂－．４＇苗／ｉ．＇通；—＇片ｃ■．■ｒ■ｒ

3、．－／ｒ，．，■：。．巧Ｖ；議‘－．；５■；：．；犀＇七■媒．；＼苗：Ｖ；再Ｖ．：＾＊户＇＼、Ｈ＾节‘＾＊．＇＼、．戸ｒ，声＇ｒ安＇骑；戸节‘片户＞、－＾．．，＼军ｖ＾，＇？看．：＇＝气‘饒－．＇蘇■．＾．－、；ｒｉ＇怒只－出．皆－’心；－Ｖ．一，寧＾ｗ．Ｖ：．．Ｖ單＜．ＡＷＶ＞－－踩．．＼＞Ａ＞梦，，，．１＂：．－ｖｒ－＾填＞＇Ｖ．—Ｊｒ接＾－ｖｖ．翁－ｖＷ－－藍Ｖ尔韦韻．－．寄－％ｓ■＾＇－■＾Ｉ．，国

4、内图书分类号：TP399学校代码：10079国际图书分类号：004.02密级：公开硕士学位论文基于云计算和灰色神经网络的短期电力负荷预测硕士研究生：王正导师：王保义教授申请学位：工学硕士学科：计算机科学与技术专业：计算机应用技术所在学院：控制与计算机工程学院答辩日期：2016年3月授予学位单位：华北电力大学ClassifiedIndex:TP399U.D.C:004.02ThesisfortheMasterDegreeShortTermPowerLoadForecastingbasedonCloudComputingandGrayNeuralNetworkCandi

5、date：ZhengWangSupervisor：Prof.BaoyiWangSchool：SchoolofControlandComputerEngineeringDateofDefence：March,2016Degree-Conferring-Institution：NorthChinaElectricPowerUniversity摘要电力系统短期负荷预测关系到电力系统的平稳调度。负荷预测的精度直接影响到电力系统的经济性和稳定性，智能电网对负荷预测的实时性要求也越来越高。因此，国内外学者一直将短期电力负荷预测作为研究重点。研究发现，电力负荷受众多因素的影响，其

6、中学者在研究过程中选取最多的是气象因素和日期因素。本文选取某地区的真实负荷数据，对其特性进行了分析，并采用垂直和水平数据处理方法对负荷数据进行了前期的预处理，利用相似度法分析所有的气象因素，确定他们是否对电力负荷有影响，以及影响的大小。人工神经网络是一种智能算法，其在各种领域都有广泛的应用。近年来专家学者也将人工神经网络应用到了短期电力负荷预测中。在负荷预测算法中，使用最多的是BP神经网络。众所周知，BP神经网络是一个静态网络，而电力负荷是随着时间变化而不断更新的数据序列。使用BP神经网络对电力负荷预测过程就可以看成是用静态网络处理动态问题的过程，且在实际应中BP神

7、经网络容易陷入局部最小点，其预测效果没有预期的优秀。本文舍弃静态的BP神经网络，而是选择具有动态递归性的Elman神经网络和对样本数据稀少条件下有优秀表现的灰色理论相结合，提出了灰色Elman神经网络负荷预测算法。针对神经网络普遍存在将局部最优解作为全局最优解的缺陷，通过遗传算法优化灰色Elman神经网络得到最优的网络初始权值，利用历史数据验证表明其效果明显优于Elman神经网络和未经遗传算法优化的灰色Elman神经网络。近年来电力系统智能化的发展导致了负荷数据的海量化和高维化，负荷预测面临着单机计算资源不足、预测实时性差的挑战。本文引入分布式思想，将遗传算法和