|
基于局部神經(jīng)網(wǎng)絡的電力需求預測研究
|
|
資料類別
|
電子電工畢業(yè)論文（設計） |
|
|
課程(專業(yè))
|
電力系統(tǒng) |
|
關(guān)鍵詞
|
局部神經(jīng)網(wǎng)絡|主成份分析 |
|
適用年級
|
大學 |
|
身份要求
|
普通會員 |
|
金 幣
|
100 （金幣如何獲得？） |
|
文件格式
|
word |
|
文件大小
|
1297K |
|
發(fā)布時間
|
2010-03-28 15:55:00 |
|
預覽文件
|
無 |
|
下載次數(shù)
|
0 |
| 發(fā)布人 |
xuzhiyang |
內(nèi)容簡介：
畢業(yè)論文 基于局部神經(jīng)網(wǎng)絡的電力需求預測研究，共63頁，32592字。
摘要
電力需求預測是實現(xiàn)電力系統(tǒng)安全、經(jīng)濟運行的基礎，對一個電力系統(tǒng)而言,提高電網(wǎng)運行的安全性和經(jīng)濟性，改善電能質(zhì)量，都依賴于準確的電力需求預測。中長期電力預測可以為新發(fā)電機組的安裝以及電網(wǎng)的規(guī)劃、增容和改建等提供決策支持，是電力規(guī)劃部門的重要工作之一。
本文提出基于局部神經(jīng)網(wǎng)絡的預測模型進行電力需求預測。首先，采用模式預處理的方法對原始時間序列歸一化處理等；其次，用時間窗將時間序列分割成一系列矢量形式的樣本，并在此基礎上用主成分分析方法對樣本進行特征提取，以降低樣本的維數(shù)；再次，運用KNN搜索獲得待預測樣本的K個近鄰；最后，用近鄰樣本訓練一個RBF神經(jīng)網(wǎng)絡，并利用該局部神經(jīng)網(wǎng)絡進行待預測樣本的預測。在局部RBF神經(jīng)網(wǎng)絡模型的選擇上，本文采用基于網(wǎng)格搜索與交叉驗證法相結(jié)合的方法進行神經(jīng)網(wǎng)絡模型參數(shù)的選擇，避免了參數(shù)選擇的盲目性、隨意性，提高了預測精度。本文通過仿真實驗對比了局部神經(jīng)網(wǎng)絡預測模型與全局RBF網(wǎng)絡預測模型的性能和執(zhí)行效率，結(jié)果表明局部神經(jīng)網(wǎng)絡預測模型無論在預測性能上還是在執(zhí)行效率上都好于全局RBF網(wǎng)絡預測模型。
關(guān)鍵詞：局部神經(jīng)網(wǎng)絡；主成份分析；KNN搜索；網(wǎng)格搜索；交叉驗證
Local Neural Network based Power Demand Forecasting
Abstract
Power demand forecasting is the basic issue to ensure the stable and economical operation of power system. For a power system, both the improvement of electricity quality and the increasing of operation stability and economy depend on the precise forecasting of power demand. Medium or long term power demand forecasting can offer some decision supports for the installation of new generators and the planning, capacity increase and rebuilding of the electric network, which is one of the most important work of the power planning departments.
A local neural network model is proposed for power demand forecasting. Firstly, preprocessing of original time series such as normalization is done with some pattern preprocessing methods. Secondly, the time series are segmented into a series of samples with vector form by time window, and then feature extraction with principal component analysis (PCA) is done on the sample set in order to reduce dimensions of samples. Thirdly, k nearest neighbors of the sample to be predicted is obtained by k nearest neighbors searching (KNNS). Finally, the k nearest neighbor samples are used to train a RBF neural network, and then the sample to be predicted is predicted with the RBF neural network well trained. In this paper, grid searching and cross-validation method are used to search the optimal parameter of the RBF neural network, which can avoid the blindness and casualness of the parameter selection and improve the forecasting accuracy. Comparison of the prediction performance and implementation efficiency between the local neural network model and the global artificial neural network (ANN) is done by simulation experiments. Experimental results showed that the prediction performance and execution efficiency of local neural network model are better than those of global artificial neural network model.
Keywords：Local neural network; Principal component analysis; k-nearest neighbors searching; Grid searching; Cross-validation
目 錄
1.緒論 1
1.1短期電量需求的意義及任務 1
1.1.1電量預測的意義 1
1.1.2短期電量預測的任務 2
1.2電量預測研究現(xiàn)狀 3
1.3 論文的主要內(nèi)容與結(jié)構(gòu) 6
2.電力需求分析及預測 7
2.1電力負荷預測組成及作用 7
2.1.1 電力負荷的分類 7
2.1.2 負荷預測的分類 8
2.1.3 負荷預測的特點和基本原理 9
2.2 短期負荷分析 10
2.2.1 短期負荷特性 11
2.2.2 典型負荷分量分析 12
2.2.3天氣敏感負荷分量分析 14
2.3 短期負荷預測的模型 15
2.3.1 短期負荷預測模型要求 15
2.3.2短期負荷預測的基本模型 16
2.4 本章小結(jié) 17
3.模式特征提取 18
3.1 特征提取過程介紹 18
3.2 數(shù)據(jù)的預處理 19
3.2.1 消除穩(wěn)態(tài)分量 19
3.2.2 模式樣本的歸一化處理 19
3.2.3 模式樣本的平滑與分塊 20
3.3 主成分分析 20
3.3.1 主成分分析介紹 21
3.3.2主成分分析計算方法 21
3.3.3主成分的性質(zhì) 22
3.4 本章小結(jié) 24
4.人工神經(jīng)網(wǎng)絡理論基礎 25
4.1 人工神經(jīng)網(wǎng)絡基礎 25
4.1.1人工神經(jīng)網(wǎng)絡介紹 25
4.1.2 神經(jīng)網(wǎng)絡的基本特征 25
4.1.3 神經(jīng)網(wǎng)絡的結(jié)構(gòu) 26
4.2 RBF神經(jīng)網(wǎng)絡及應用舉例 27
4.2.1 徑向基礎函數(shù)網(wǎng)絡 27
4.2.2 徑向基函數(shù)網(wǎng)絡的構(gòu)建 29
4.2.3 徑向基函數(shù)網(wǎng)絡的應用實例 31
4.2.4 人工神經(jīng)網(wǎng)絡在電力需求預測中的應用 33
4.3本章小結(jié) 34
5.最近鄰搜索及交叉驗證 35
5.1 最近鄰搜索 35
5.1.1 KNN法 35
5.1.2 KNN法的改進 35
5.1.3 等均值最近鄰搜索算法(ENNS) 36
5.2 交叉驗證法 37
5.3 最優(yōu)預測模型 38
5.4 本章總結(jié) 39
6.在MATLAB環(huán)境下實現(xiàn)電力需求預測 40
6.1 MATLAB語言及其神經(jīng)網(wǎng)絡工具箱 40
6.1.1 MATLAB簡介 40
6.1.2 人工神經(jīng)網(wǎng)絡工具函數(shù) 40
6.2 MATLAB語言環(huán)境下的程序設計 41
6.2.1 開發(fā)環(huán)境 41
6.2.2 程序開發(fā)方法介紹 41
6.2.3 具體實現(xiàn)方法 41
6.3 算例分析 43
6.4 仿真實驗 44
6.5 本章小結(jié) 46
7.結(jié)論 47
參考文獻 48
附錄 本設計程序 50
致謝 58
相關(guān)說明：
1. 如您下載的資料不止一份，建議您注冊成為本站會員。會員請登錄后下載。
2. 會員購買金幣50元以下，0.7元/個，50元以上，0.5元/個。具體請看：下載與付款。
3. 會員48小時內(nèi)下載同一文件，不重復扣金幣。
4. 下載后請用WinRAR或 WinZIP解壓縮后使用。
5. 如仍有其他下載問題，請看常見問題解答。
下載地址：
|
|
| 相關(guān)畢業(yè)論文（設計） |
|
|
| 推薦畢業(yè)論文（設計） |
|
|
|
|
|