基于人工神经网络的短期电力负荷预测研究.pdf

《基于人工神经网络的短期电力负荷预测研究.pdf》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、‘‘’叫＇＇巧Ｍ如钓７：瓜知非皆；７游带汾／货．；＾、．接．留讀家：為从辦媒ＶＨ．，訪．．＾分类号：立墜单位備歴？；．－．．．气瑞：ｖｆｅ＃：．．．；一＇竭｜．．＂．Ｖ’ｒ．＇，：Ｔ：密紋公开■：处巧Ｖ学号：２１４１０１８２、％ｉ’＇：古．－＾式．戶戶．：．察藏參．ｆ．．；：．．＇＾＾巧？？．＊．－巧Ｖ户考去．説鴻挺。碟＼／．：．．’＇＇．：户’．、．．．．、＇’．．；鮮詔ｒ；巧产：、．吃．．．夸１爷的‘＇＇＇尸ｙ？、．，齐巧心ｒ群乏ｉ文森文题目：基于人工神经网络的短期电力负箭预娜，，巧＇；；銭捧％．；韦＂？

2、乃成至々ｖ；命停巧至论文题目－集藥文：ＳｈｏｒｔＴｅｒｍＥｌｅｃｔｒｉｃｉｔｙＤｅｍａｎｄＦｏｒｅｃａｓｔｉｎｇＫ山、苗马。＂ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ．常：＼聲；嗦巧穿’．’、、；＇．．．、．．．；Ｖ，－為叫．／知婷、Ｖ辕％．＂誦一．．．誦１桌編＞－鳴處＾令！＇礙解方？＇：专业名称：电气工程．．；爷？省接非＇．巧究方向：．巧荷预测＇＾．．－护．．＾．ｊ所在拿院．：＾％心．若武井鱗｜．Ｖ电气工程学院姜；＇’．＇‘？－？？心吟卢》．．、４；Ｖ－杉．ｙ．八，７．心．１．１八．、论文提交ｇ期

3、８Ｖ、；、ｔ…舅；卢心，知；，满；苗和瓦；、？‘．，：．．，．‘．０进护：，，Ｖ去，嫁皆：／／觀；／基于人工神经网络的短期电力负荷预测研究论方作者银違：指导教师签名论义评阅人１：杨强评阅人２：陈巧明评阅人３；马玉良评阅人４：评阅人５；答辩委员会主席；卢建刚．委员１：颜文俊委员２；姚维委员３：包哲静委员４；杨强委员５；答辩日期：３ＪｏＳｈｏｒｔ－ＴｅｒｍＥｌｅｃｔｒｉｃｉｔｙＤｅｍａｎｄＦｏｒｅｃａｓｔｉｎｇＢａｓｅｄｏｎＡｒｔｉｆｉｃｉａｌＮｅ

4、ｕｒａｌＮｅｔｗｏｒｋ戀Ａ，ｕ化ｏｒｓｓｉｎａ化ｒｅ：ｇ，Ｓｕｐｅｒｖｉｓｏｒｓｓｉｇｎａｔｕｒｅ：ＥｘｔｅｒｎａｌＲｅｖｉｅｗｅｒｓ：ＥｘａｍｉｎｉｎＣｏｍｍｉｔｅｅＣｈａｉｒｅｒｓｏｎ：ｇｐＥｘａｍｉｎｉｎＣｏｍｍｉｔｅｅＭｅｍｂｅｒｓ：ｇＤａｔｅｏｆｏｒａｌｄｅｆｅｎｃｅ：浙江大学研究生学位论文独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。除了文中特别加以、标注和致谢的地方化论文中不包含其他人已经发，表或撰写过的研究成果，也不包含为获得浙江大学或其他教育机构的学位或

5、证书而使用过的材料一同工作的同志对本研究所做的任何贡献均巴在论文。与我中作了明确的说明并表示谢意。学位论文作者签名；也签字日期：兴／年＾月／〇日餐冬７学位论文版权使用授权书本学位论文作者完全了解浙江大学有权保留并向国家有关部口或机构送交本论文的复印件和撼盘，允许论文被查阅和借阅。本人授权浙江大学■可Ｉ全部或部分内容编入有关数据库进行检索和传播乂将学位论文的，可Ｗ采用影印、缩巧或担描等复制手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文作者签名：舉孚也导师签名：狂巧／口签字日期：年〇日签字日期月日Ｗ＾月：Ｊ口申

6、７／３（山浙江大学硕击学位论文摘要摘要短期负费预测是电力系统运行和控制的重要基础化工作一直是学术研究的，一个随机非平稳序列热点问题。由于电力负荷历史数据本质上是，完全无误差的预测目前是不可能的一，因此研究者们直致力于提升预测的精度。人工神经网络具有自学习、泛化能力强等优点，已被广泛应用于短期电力负荷预测中，取得了较为理想的效果。近年来，人王神经网络领域又取得了可喜的突破，出现了深度学习这一新的研究领域。本文基于人王神经网络的最新发展成果，结合实际数据对短期电力负荷预测问题进行了相关研究。主要内容包括：（１）建立了基于改进粒子群算法优化极限学习

7、机的短期负荷点预测模型。该模型将改进粒子群算法与极限学习机结合，利用改进粒子群算法强大的全局搜索能力对极限学习机的输入权值及隐含层偏置矩阵进行寻优。基于用户实际负荷数据得到的仿真结呆验证了该模型的有效性。（２）基于深度学习领域的神经网络结构，分别建立了带词澡入层的＃层长短期记忆网络短期点预测模型和带词巧入层和卷积层的长短期记忆网络点预测模型。基于用户实际负荷数据，验巧了上述模型的有效性，并与基于改进粒子群优化极限学习机的模型进行