基于小波神经网络的短期电能负荷预测方法研究

《基于小波神经网络的短期电能负荷预测方法研究》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、分类号：TPl83TM734密级：天津理工大学研究生学位论文基于小波神经网络的短期电能负荷预测方法研究(申请工程硕士学位)工程领域：电气工程作者姓名：傅祥廉指导教师：冷建伟教授赵相宾正高级工程师2013年12月ThesisSubmittedtoTianjinUniversityofTechnologyfortheMaster’sDegreeStudyonShort—termPowerLoadForecastingMethodBasedon”匀veletneuralnetworkByFuXianglianSupervisorProf．LengJianweiZhaoxiangbinDecem

2、ber2013独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津理工大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示了谢意。学位论文作者签名：掣罄诹，签字日期：加ILI-年3月1日学位论文版权使用授权书本学位论文作者完全了解墨盗墨兰盘望有关保留、使用学位论文的规定。特授权墨盗垄三盘望可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编，以供查阅和

3、借阅。同意学校向国家有关部门或机构送交论文的复本和电子文件。(保密的学位论文在解密后适用本授权说明)学位论文作者叛惭氰签字日期：矽C牛年弓月1日导师签名：A柳勿衫多签'-k-日期：如lc}年弓月J日摘要电能作为日常生活中必不可少的能源，与此同时大量的用电设备在生产生活中得到了广泛的应用，大型低压用户如何对电能有效利用是现在所面临的问题。负荷预测不仅应用在电网高压侧负荷分配与规划中，而且为低压用户电能的规划、监控以及电能的有效利用提供依据。本文针对天津某大型用电企业24小时连续不断运转的实验室进行短期日负荷电能预测。该实验室负荷以日为单位呈周期性变换，但是受一定外界干扰以及对于不同的实验对

4、象所耗电量不同。由此负荷预测对象波动性较大，且影响预测精度的因素多样，本文提出～种基于神经网络与小波变换的负荷预测建模方法。为验证小波神经网络模型有效性，采用传统BP神经网络(BP)、辅助式结合小波神经网络(WNN．)和嵌套式结合小波神经网络(WNN2)三种网络进行日负荷预测。对原始数据进行预处理以及归一化处理后，将其作为建模数据，在此基础上使用三种算法分别建立预测模型，通过比较模型的误差与负荷预测精度发现，WNN2网络模型预测精度能符合短期预测精度要求，其具有更强的学习能力，收敛速度更快。本文采用VC6．0和Matlab混合编程模式进行了预测软件的设计。Matlab在算法编程上灵活、简

5、单，具有更好的扩展性特点，利用Matlab中的COM生成器组件，将Matlab上编写的算法程序转换为能供VC调用的函数。同时以VC和SQLServer结合，实现数据、信息在数据库中的存储。本文通过对低压用户电能预测算法研究和预测软件的设计，可以较准确的实现目负荷预测，为电能的有效利用提供更好的依据。关键词：日负荷预测数据预处理BP神经网络小波分析小波神经网络AbstractElectricityisakindofindispensableenergyinourdailylife，atthesametimelotsofelectricalequipmentshavebeenwidelyus

6、edinproductionandlife．Andhowtousingelectricalenergyeffectivelybecomesahugeproblemforlargevoltageusers．Powerloadforecastingisnotonlyappliedinhighsideofpowergrid，butalsoforlowvoltageusers，itprovideseffectivebasisforpowerplanning，monitoringandeffectiveusing．Thetargetofthisthesisistomakingshort—termp

7、owerloadforecastingfora24一hourcontinuousoperationlabofalargemonitorenterpriseinTianjin．Theloadofthislabmakesaperiodictransformation，andthepowerconsumptionisdifferentfordifferentsubjects．LoadforecastingobjectsareSOvolat