發(fā)布時(shí)間：2023-01-30 13:39

　　近年來(lái),經(jīng)濟(jì)社會(huì)的快速發(fā)展使電力系統(tǒng)面臨著越發(fā)嚴(yán)峻的挑戰(zhàn)。電力系統(tǒng)的安全調(diào)度和社會(huì)的正常生產(chǎn)與電力負(fù)荷預(yù)測(cè)（STLF）的準(zhǔn)確程度直接相關(guān)。目前,很多學(xué)者將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用到電力負(fù)荷預(yù)測(cè)中,取得了較好的效果。但預(yù)測(cè)精度還不能滿足實(shí)際應(yīng)用的需要,因此,本文針對(duì)該問(wèn)題,將小波神經(jīng)網(wǎng)絡(luò)與混合蛙跳算法結(jié)合進(jìn)行了電力負(fù)荷預(yù)測(cè)研究。首先,本文從電力負(fù)荷數(shù)據(jù)的混沌特性出發(fā),用C-C法求出該時(shí)間序列的嵌入維數(shù)m和時(shí)間延遲τ,來(lái)對(duì)實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行相空間重構(gòu)。通過(guò)此方法來(lái)獲得該時(shí)間序列中隱藏的更多有用信息。并對(duì)數(shù)據(jù)進(jìn)行了歸一化處理來(lái)加快算法的收斂速度。其次,本文用實(shí)際電力負(fù)荷數(shù)據(jù)進(jìn)行了基于梯度下降算法的小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Network,WNN）短期電力負(fù)荷預(yù)測(cè)仿真實(shí)驗(yàn),結(jié)果表明,小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可以取得比較好的效果,但仍有改進(jìn)空間。再次,針對(duì)小波神經(jīng)網(wǎng)絡(luò)中梯度下降算法對(duì)初值敏感,容易陷入局部最優(yōu)的問(wèn)題。分別提出了兩種改進(jìn)算法,一種是在梯度下降算法中加入自適應(yīng)學(xué)習(xí)率和懲罰項(xiàng),即IWNN;另一種則采用混合蛙跳算法（Shuffled Frog Leaping Algorithms,S... 

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 短期電力負(fù)荷預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 混沌時(shí)間序列在電力負(fù)荷預(yù)測(cè)中的研究現(xiàn)狀
    1.3 本文主要內(nèi)容及結(jié)構(gòu)安排
第2章 電力負(fù)荷預(yù)測(cè)的相關(guān)理論基礎(chǔ)
    2.1 混沌理論的產(chǎn)生和發(fā)展
    2.2 混沌時(shí)間序列
        2.2.1 混沌的定義及特征
        2.2.2 混沌時(shí)間序列
    2.3 短期電力負(fù)荷預(yù)測(cè)數(shù)據(jù)來(lái)源
    2.4 電力負(fù)荷時(shí)間序列的相空間重構(gòu)
        2.4.1 相空間重構(gòu)理論
        2.4.2 相空間重構(gòu)中參數(shù)的選取方法
        2.4.3 短期電力負(fù)荷預(yù)測(cè)相空間重構(gòu)仿真實(shí)例
    2.5 本章小結(jié)
第3章 基于WNN的短期電力負(fù)荷預(yù)測(cè)設(shè)計(jì)及仿真
    3.1 小波神經(jīng)網(wǎng)絡(luò)相關(guān)理論
        3.1.1 人工神經(jīng)網(wǎng)絡(luò)
        3.1.2 小波神經(jīng)網(wǎng)絡(luò)
    3.2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法
        3.2.1 預(yù)測(cè)模型構(gòu)建思路
        3.2.2 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定
        3.2.3 小波函數(shù)的確定
        3.2.4 小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
    3.3 基于WNN的短期電力負(fù)荷預(yù)測(cè)仿真與分析
        3.3.1 短期電力負(fù)荷預(yù)測(cè)評(píng)價(jià)指標(biāo)
        3.3.2 基于WNN的短期電力負(fù)荷預(yù)測(cè)算法步驟
        3.3.3 基于WNN的短期電力負(fù)荷預(yù)測(cè)實(shí)例仿真與分析
    3.4 本章小結(jié)
第4章 基于SFLA的小波神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)
    4.1 帶懲罰項(xiàng)和自適應(yīng)學(xué)習(xí)率的小波神經(jīng)網(wǎng)絡(luò)
        4.1.1 懲罰項(xiàng)簡(jiǎn)介
        4.1.2 自適應(yīng)學(xué)習(xí)率
    4.2 基于IWNN的短期電力負(fù)荷預(yù)測(cè)實(shí)例仿真
    4.3 混合蛙跳算法簡(jiǎn)介
        4.3.1 混合蛙跳算法原理及數(shù)學(xué)模型
        4.3.2 SFLA算法流程
    4.4 基于SFLA-WNN的短期電力負(fù)荷預(yù)測(cè)
        4.4.1 基于SFLA-WNN的短期電力負(fù)荷預(yù)測(cè)實(shí)現(xiàn)步驟
        4.4.2 基于SFLA-WNN的短期電力負(fù)荷預(yù)測(cè)仿真及分析
    4.5 本章小結(jié)
第5章 基于CSFLA-WNN的短期電力負(fù)荷預(yù)測(cè)
    5.1
        5.1.1 基于IWNN的混合蛙跳算法初始種群構(gòu)造
        5.1.2 基于自適應(yīng)移動(dòng)因子的局部搜索策略
        5.1.3 CSFLA算法流程
    5.2 改進(jìn)混合蛙跳算法性能測(cè)試仿真
        5.2.1 測(cè)試函數(shù)的選取
        5.2.2 仿真結(jié)果與分析
    5.3 基于CSFLA-WNN的短期電力負(fù)荷預(yù)測(cè)
        5.3.1 基于CSFLA-WNN的短期電力負(fù)荷預(yù)測(cè)步驟
        5.3.2 基于CSFLA-WNN的短期電力負(fù)荷預(yù)測(cè)仿真及分析
    5.4 本章小結(jié)
結(jié)論
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]BP與小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)對(duì)比研究[J]. 王健,孫結(jié)松.  科技視界. 2014(24)
[2]基于FHNN相似日聚類自適應(yīng)權(quán)重的短期電力負(fù)荷組合預(yù)測(cè)[J]. 牛東曉,魏亞楠.  電力系統(tǒng)自動(dòng)化. 2013(03)
[3]改進(jìn)的混合蛙跳算法[J]. 葛宇,王學(xué)平,梁靜.  計(jì)算機(jī)應(yīng)用. 2012(01)
[4]淺析電力系統(tǒng)負(fù)荷的混沌預(yù)測(cè)方法[J]. 賀志強(qiáng),張洪萍,馮平,蔡環(huán)宇,秦志強(qiáng).  四川建筑. 2011(01)
[5]混合蛙跳算法的Markov模型及其收斂性分析[J]. 駱劍平,李霞,陳泯融.  電子學(xué)報(bào). 2010(12)
[6]用PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的母線負(fù)荷預(yù)測(cè)方法[J]. 彭信淞,賀輝,姚建剛,鐘立軍,梁文舉,王建.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2010(05)
[7]電力系統(tǒng)暫態(tài)保護(hù)中小波基的選擇與應(yīng)用[J]. 楊淑英,王麗宏,杜榮華,蘇濤.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2008(05)
[8]基于EMD方法的混沌時(shí)間序列預(yù)測(cè)[J]. 楊永鋒,任興民,秦衛(wèi)陽(yáng),吳亞鋒,支希哲.  物理學(xué)報(bào). 2008(10)
[9]粒子群算法在小波神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[J]. 岑翼剛,秦元慶,孫德寶,李寧.  系統(tǒng)仿真學(xué)報(bào). 2004(12)
[10]基于小波分解和人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J]. 徐軍華,劉天琪.  電網(wǎng)技術(shù). 2004(08)

博士論文
[1]時(shí)間序列中的混沌判定、預(yù)報(bào)及其在電力系統(tǒng)中的應(yīng)用[D]. 楊正瓴.天津大學(xué) 2003

碩士論文
[1]基于混沌時(shí)間序列的短期負(fù)荷預(yù)測(cè)研究[D]. 郭杰昊.上海交通大學(xué) 2015
[2]基于混沌和小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法研究[D]. 金玉婷.西南交通大學(xué) 2014
[3]混合蛙跳算法研究[D]. 馬平莉.西安電子科技大學(xué) 2013
[4]基于混沌和小波神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法研究[D]. 劉奎.西南交通大學(xué) 2012
[5]短期電力負(fù)荷的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[D]. 陳標(biāo).湖南大學(xué) 2012
[6]基于改進(jìn)粒子群—小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型及其應(yīng)用研究[D]. 陳彩霞.華中師范大學(xué) 2011
[7]基于改進(jìn)蛙跳算法的多目標(biāo)優(yōu)化問(wèn)題研究[D]. 王曉笛.湖南師范大學(xué) 2011
[8]粒子群算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)控制器[D]. 費(fèi)磊.哈爾濱理工大學(xué) 2011
[9]優(yōu)化問(wèn)題的幾種智能算法[D]. 趙鵬軍.西安電子科技大學(xué) 2009



本文編號(hào)：3733121