最新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-药学医学精品资料.ppt

《最新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-药学医学精品资料.ppt》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、最新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-药学医学精品资料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

2、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。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

3、列法、状态空间法、基于人工智能的专家系统法、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

4、：（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

5、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，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

6、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：局部搜索算法，包括误差反传（BP）算法、牛顿法和共扼梯度法等，其中最经典、最常用的算法为BP算法，但是这种方法收敛速度较慢且容易陷入局部极小值。线性化算法，它一般收敛较快，但是容易过早收敛。随机优化算法，包括遗传算法、演化算法、模拟退火算法等，这些算法可以处理离散、非凸的非线性问题，在搜索方法上采用随机搜索，具有一定的全局搜索能力。模糊推理法模糊集合将经典集合的绝对隶属关系（非A即B）模糊化（既A又B），典型的隶属度

7、函数有三角函数、梯形函数、正态分布函数、S形分布函数和Z形分布函数。模糊推理基于模糊规则，模糊规则以TF-THEN的形式来表达模糊集合间的关系。模糊推理策略通常用来描述影响负荷的不确定的因素，比如天气条件，阴与晴之间没有明确的界限，冷与暖之间也没有明确的界限，这些因素如果用精确集合来描述，一般取影响程度最大的方面，这样会无疑丢失很多其它方面的信息。模糊集合和模糊推理一般与其它预测方法相结合来进行短期负荷预测。第三章人工鱼群模糊神经网络预测方法基于大量历史数据表明电力系统的负荷数据经过归一化之后呈现出规律性的特征，本

8、文采用的预测方法如下：1确定预测日类型；2根据预测日类型将有关历史负荷按照某种方式（如公式3.1）进行归一化以后，通过线性外推法预测未来日负荷归一化曲线；3预测未来日归一化参数（如最大负荷Lmax和最小负Lmin）；4将2和3预测结果进行综合得到最终的预测结果。，本文将在它们的基础之上进行适当的改进，主要包括以下两点：（1）通过人工鱼群神经网络预测负荷归一化