基于rbf神经网络电力负荷预测

《基于rbf神经网络电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、四川理工学院本科毕业论文四川理工学院毕业论文基于RBF神经网络的短期负荷预测研究学生：周路尧学号：09021040324专业：电气工程及其自动化班级：2009.3指导教师：曾晓辉四川理工学院自动化与电子信息学院二〇一三年六月II四川理工学院本科毕业论文基于RBF神经网络的短期负荷预测研究摘要：随着电力市场的不断发展，对电力负荷科学管理的迫切要求以及对准确和适应性强的负荷预测模型的渴望，使得负荷预测的重视程度越来越高。本文采用了基于RBF(RadialBasisFunction)神经网络的电力系统短期负荷预测方法，简单讨论了影响负荷的各种因素，并根

2、据电力负荷的特点主要针对负荷值设定7个输入节点，1个输出节点以及48点负荷值，将1999年1月3日至9日负荷数据作归一处理并作为训练数据预测10日负荷值。该方法训练速度快，收敛性好，而且可以大大地减少隐含层神经元的数目，有效地提高了预测精度和预测速度。最后根据预测结果和实际负荷进行比较，表明其误差在允许范围之内，预测精度是符合要求的，从而说明了该方法的正确性和实用性。关键词：电力系统；负荷预测；RBF神经网络；预测模型I四川理工学院本科毕业论文TheResearchofShort-TermLoadForecastingBasedonRBFNeur

3、alNetworksZHOULuyao(SichuanUniversityofScienceandEngineering,Zigong,China,643000)Abstract：ThispaperusesabriefdiscussionofthevariousfactorsaffectingtheloadbasedonRBF(RadialBasisFunction)neuralnetworkshort-termloadforecastingmethod，andaccordingtothecharacteristicsofthemainpower

4、loadfortheloadsettingseveninputnodes,oneoutputnodes,and48pointloadvalue,theyear1999January3to9forthenormalizedloaddataprocessedandusedastrainingdatatopredictthe10thloadvalue.Thismethodtrainingspeed,goodconvergence,andcangreatlyreducethenumberofhiddenneurons,effectivelyimprove

5、thepredictionprecisionandpredictspeed.Basedontheresultandtheactualload,comparedtheerrorthatthescopeofthepermit,theforecastingaccuracyistosatisfytherequirements,whichshowsthatthemethodiscorrectandpractical.Keywords：Electricpowersystem;Loadforecasting;RBFneuralnetwork;Predictio

6、nmodelIII四川理工学院本科毕业论文目录摘要IAbstractII第1章前言11.1负荷预测研究的背景和意义11.2负荷预测的研究现状21.3本论文研究的主要工作51.4本章小结5第2章电力负荷预测概述62.1负荷预测的概念和原理62.2负荷预测的分类72.3负荷预测的基本步骤92.3.1负荷预测的基本要求92.3.2负荷预测的基本步骤102.4电力负荷的特性分析122.4.1负荷的周期性122.4.2负荷的随机性132.4.3负荷的影响因素分析132.5影响负荷预测的因素及误差分析152.5.1影响负荷预测的主要因素152.5.2负荷预测

7、的误差分析152.6本章小结17第3章人工神经网络183.1人工神经网络183.1.1人工神经网络简介183.1.2人工神经网络的模型183.2RBF神经网络203.2.1RBF神经网络的结构213.2.2RBF神经网络的具体实现22四川理工学院本科毕业论文3.2.3RBF神经网络的学习算法233.3RBF神经网络与BP网络的比较263.3.1BP网络存在的问题263.3.2RBF网络与BP网络之间的差别263.4本章小结27第4章基于RBF神经网络的短期负荷预测实例分析284.1RBF神经网络的建立284.2RBF神经网络的训练294.2.1样

8、本的选取294.2.2数据预处理304.2.3神经网络输入数据的归一化处理314.3短期负荷预测结果与分析324.4本章小结39第5章结