考虑节点负荷模糊聚类的级联神经网络日负荷预测模型

摘要

短期电力负荷预测是电力系统运行必不可少的工作，负荷预测的结果是系统安排发电计划、确定备用容量的基础，其结果的准确与否对系统运行的安全性和经济性都有着重要的影响。故如何提高短期负荷预测的精度一直是人们致力研究的方向之一。
　　 目前，国内外关于电力系统短期负荷预测的文献很多，但由于影响负荷的诸多因素和负荷的不确定性，使得短期负荷预测至今没有得到令人十分满意的解决，需要建立一种新的负荷预测方法。为此，本文做了以下工作：
　　 首先，简述了短期负荷预测的概念和意义，及其国内外的研究现状和负荷分类在短期负荷预测中的应用现状。进而重点讲述两种前馈型神经网络——BP和RBF网络的结构和学习算法，分析他们的异同和各自的优缺点，同时重点介绍了模糊聚类的基本原理、实用步骤。
　　 其次，根据母线节点负荷的不同特性，将模糊聚类技术应用于母线节点负荷分类当中。
　　 然后，根据BP和RBF网络各自的优缺点，建立一种基于BP和RBF网络的级联神经网络日负荷预测模型。并将其与单神经网络日负荷预测模型进行预测对比。
　　 最后，针对级联神经网络日负荷预测模型在预测精度上的不足，对日负荷预测模型进行两种改进：其一，引入前述的母线节点负荷模糊聚类，采用分类预测方式；其二，引入分段预测方式。

目录

文摘

英文文摘

声明

1绪论

1.1问题的提出及研究意义

1.2短期负荷预测概述及国内外研究现状

1.3负荷分类在短期负荷预测中的应用概述

1.4本文研究的主要内容

2神经网络和模糊聚类基本原理

2.1 BP网络及BP算法

2.1.1 BP网络结构

2.1.2 BP学习算法

2.2 RBF网络及其学习算法

2.2.1 RBF网络结构和工作原理

2.2.2 RBF网络学习算法

2.3 BP与RBF网络的对比

2.3.1 BP与RBF网络的区别

2.3.2 BP与RBF网络算例分析

2.4模糊聚类分析

2.4.1数据规格化

2.4.2标定(建立模糊相似矩阵)

2.4.3传递闭包法建立模糊等价矩阵

2.4.4模糊聚类步骤

2.4.5最佳阈值λ的确定

2.5本章小结

3母线节点负荷模糊聚类分析

3.1负荷分类标准

3.2建立负荷特性模糊聚类指标

3.3母线节点负荷聚类步骤

3.4母线节点负荷聚类实例分析

3.4.1不良负荷数据的预处理

3.4.2各母线节点年平均日负荷曲线

3.4.3母线节点负荷聚类结果分析

3.5本章小结

4日负荷预测的改进级联神经网络方法

4.1改进级联神经网络的建立

4.1.1 BP网络拓扑结构

4.1.2 RBF网络拓扑结构

4.2日负荷预测的前期工作

4.2.1日类型和气温的量化处理

4.2.2输入输出变量的处理

4.2.3样本的选取

4.2.4网络模型的训练与测试

4.3级联神经网络与单神经网络预测对比

4.3.1平均负荷比例法量化日类型

4.3.2 BP网络训练函数性能对比

4.3.3两种日负荷预测模型预测对比

4.4日负荷预测模型的改进方法一

4.4.1引入母线节点负荷模糊聚类

4.4.2聚类后与聚类前预测对比

4.5日负荷预测模型的改进方法二

4.5.1引入分段预测方式

4.5.2分段与未分段预测对比

4.6改进后的日负荷预测模型实例分析

4.7本章小结

5结论

致 谢

参考文献

附 录：作者在攻读硕士学位期间发表的论文目录