短期电力负荷预测的神经网络模型优化研究及应用

论文摘要

论文从电力系统负荷预测的发展及研究现状入手,总结了人工神经网络方法用于短期负荷预测的研究现状,分析了电力负荷特性及影响负荷预测精度的因素。将粒子群优化神经网络方法用于短期电力负荷预测,在对邢台市电网历史负荷分析的基础上,建立了考虑多种影响因素的负荷预测模型,对输入负荷、温度值进行了归一化处理,并对日期类型、气象因素变量等进行了量化处理。经实例验证,本文所建立的基于粒子群优化算法的神经网络预测模型能提高预测精度和速度,其预测性能明显优于基于BP神经网络的负荷预测。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 本课题的研究背景及意义
• 1.2 负荷预测的发展和研究现状
• 1.3 短期负荷预测的人工神经网络方法
• 1.4 本论文所做的主要工作
• 第二章 短期负荷预测概述和分析
• 2.1 电力系统负荷预测的分类
• 2.1.1 按用电部门的属性分类
• 2.1.2 按时间分类
• 2.2 电力系统负荷预测的特点
• 2.3 电力负荷特性分析
• 2.3.1 负荷的周期性
• 2.3.2 负荷的随机性
• 2.3.3 负荷的影响因素分析
• 2.4 短期负荷预测的模型要求
• 2.5 影响负荷预测精度的因素及误差分析
• 2.5.1 影响负荷预测精度的因素
• 2.5.2 负荷预测的误差分析
• 2.6 河北省邢台市电力负荷分析
• 2.7 本章小结
• 第三章 粒子群优化神经网络的基本原理及算法实现
• 3.1 人工神经网络理论基础
• 3.1.1 人工神经网络简介
• 3.1.2 人工神经元模型及人工神经网络的分类
• 3.1.3 BP 神经网络及其学习算法
• 3.2 粒子群优化算法概述
• 3.2.1 PSO 算法原理
• 3.2.2 PSO 算法基本步骤和流程
• 3.2.3 PSO 算法的参数设置
• 3.3 基于PSO 的神经网络学习算法
• 3.3.1 算法设计
• 3.3.2 主要步骤
• 3.3.3 算法流程图
• 3.4 本章小结
• 第四章 基于粒子群优化神经网络的电力短期负荷预测
• 4.1 粒子群优化神经网络短期负荷预测模型的建立
• 4.1.1 网络模型输出层的选择
• 4.1.2 网络模型输入层的选择
• 4.1.3 对网络输入量的处理
• 4.1.4 学习样本的选取
• 4.1.5 神经网络隐含层节点数的选取
• 4.1.6 预测模型的BP 神经网络结构图
• 4.2 短期负荷预测实例分析
• 4.2.1 基于BP 神经网络的电力系统短期负荷预测
• 4.2.2 基于PSO 优化神经网络的电力系统短期负荷预测
• 4.2.3 结果分析
• 4.3 本章小结
• 第五章 总结
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况
• 详细摘要