电力系统相关论文范例,与电力短期负荷预测的相关论文发表

本论文是一篇电力系统相关论文发表,关于电力短期负荷预测的相关在职毕业论文范文。免费优秀的关于电力系统及电力负荷及神经网络方面论文范文资料,适合电力系统论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。

【摘 要】电力短期负荷预测是电力部门的一项重要工作,在电力系统的安全、可靠及经济运行中起到了很重要的作用.在本文中,利用模拟退火算法的全局寻优能力和BP神经网络的非线性学习能力,提出了模拟退火BP神经网络的电力短期负荷预测模型来实现短期负荷的预测,从而能有效地克服BP神经网络容易限入局部极小的缺陷.通过某市的实际数据为算例,验证了本算法的有效性和优越性.

写电力系统论文的注意事项
播放:31813次 评论:4612人

【关 键 词】短期负荷预测；BP神经网络；模拟退火算法

0引言

电力的短期负荷预测是电力系统的一项重要工作,是实现供电可靠、经济管理的基础.由于电力负荷受到很多因素的影响,负荷预测方法发展至今,虽然已经积累了很多经验,但是还没有一种可靠的模型实用于不同地区.本文针对某市电力负荷的特点,提出了模拟退火BP神经网络电力短期负荷预测模型.经验证,该模型在实现负荷预测方面的可行性.

1BP神网络

人工神经网络理论的研究始于1890年美国著名心理学家W.James关于人脑结构与功能的研究,至今已提出过许多网络模型,其中用于预测的网络主要是BP神经网络.这是因为BP神经网络主要有以下特点：（1）较强的非线性映射能力；（2）很好的泛化能力；（3）很强的容错能力和学习能力.

D.E.Rumelhart和J.L.McCelland及其研究小组于1986年研究并设计出来BP神经网络（Back-propagationNeutralNetwork）是一种基于误差反向传播（BP算法）的多层前向神经网络,采用有导师的训练方式.BP算法的学习过程包括信号的正向传播与误差的反向传播两个过程.三层BP网络是一种应用很普遍的神经网络,它包括输入层、隐层和输出层,如图1所示,输入层神经元的个数为输入信号的维数,隐含节点的个数视具体情况而定,输出层神经元的个数为输出信号的维数.BP网络的工作流程见图2所示.

图1BP神经网络

误差的反向传播是BP网络的一大特点,但是,该网络也存在以下一些主要缺陷：（1）训练次数太多,效率较低；（2）易于陷入局部极小而不能实现全局最优.针对这些缺点,本文利用模拟退火算法对BP网络进行改进.

2模拟退火算法

1953年Metropolis等提出的模拟退火算法（SimulatedAnnealing,简称SA）能够近似求解具有NP复杂性的问题,可以避免陷入局部极小的问题.模拟退火算法主要包括状态产生函数、状态接受函数、温度更新函数、内循环终止准则和外循环终止准则.

其工作过程如图3所示.

图2BP网络的工作过程

图3模拟退火算法的流程图

3神经网络负荷预测模型

本文设计的预测模型中BP神经网络的输入层共有8个输入端,分别用来输入待测日前四天对应时刻的负荷,以及天气因素中的最低温度、最高温度、降雨量和日期类型；因为本模型的输出为对应时刻的负荷,故输出层只有一个输出端；隐含节点的最佳个数现在没有一个具体的方法或者公式来确定,通过实验,本文最终取9个隐含节点.该模型工作流程见图4所示.

4验证

本文利用该模型及单一的BP神经网络模型来预测某市的负荷.由于预测过程中所用的数据性质不同,大小差别很大,因此在使用之前,需要对数据进行归一化处理,对预测结果需要进行还原.本文所用的转移函数均为单极性Sigmoid函数.利用历史数据,进行预测,预测结果见图5所示.预测误差分布见图6所示.

图4预测模型工作流程

图5预测结果

图6预测误差

通过以上预测结果可知,利用该模型在预测结果的准确性方面,比单一BP神经网络具有很大的优势,同时也验证了该模型的可行性.

5结论

针对单一的BP神经网络的缺点,本文利用模拟退火算法来优化BP神经网络,经验证,该方法是可行的