收藏本站
《甘肃农业大学》 2018年
收藏 | 手机打开
二维码
手机客户端打开本文

基于改进广义回归神经网络的短期电力负荷预测

张兆旭  
【摘要】:电力系统负荷预测是国家电网公司各级电力调度部门日常工作的基本内容,它已经成为评价电力系统现代化运行管理的重要指标,特别是准确的短期负荷预测更具有指导意义。在电网日趋完善的情形下,传统的预测办法已经很难提高预测精度。本文对电力负荷的预测做了简要的概述,介绍了负荷预测的特点和分类等内容,流程化地论述了预测的步骤以及误差评价指标,并对广义回归神经网络(GRNN)做了叙述。主要做了如下的内容和工作:(1)以白银市地区为例,重点分析了该地区短期负荷的特点。期间通过收集并整理该地区的负荷数据和气象信息等内容,研究了负荷的变化规律并讨论了负荷与其影响因素之间的联系。由于负荷数据和影响因素涵盖的内容较多,因此考虑采用相关性分析方法将影响因素进行简化,提取与负荷相关的信息,去除不相关的因素,从而为预测模型的建立减少了工作量。(2)根据负荷特征及其相关影响因素的确定,建立了神经网络的预测模型。为此,本文选用误差反向传播神经网络(BPNN)和GRNN进行预测。与BPNN相比,GRNN的函数逼近能力很强,需要调整的因子较少,其训练只依靠输入的样本,并且能够防止人为对结果的不利影响等特点。经过对某三日整点时刻的预测得出,GRNN的预测误差不仅比现有预测系统的要小,而且要比BPNN的预测更加精准。(3)群体智能优化算法是近些年来新兴的一类优化方法。本文介绍了果蝇优化算法(FOA)的原理和步骤,选取10个测试函数来研究各个参数对算法的影响,并且得出了一般意义的结论。虽然FOA的性能比较优异,但是它容易陷进局部最优,而且稳定性不高。因此本文从FOA的其中一个参数——搜寻距离l入手,提出了两种改进方法,第一种是将l逐渐减小,第二种是让l先增大后减小。通过测试函数对其进行仿真验证得出,第二种改进方法不仅收敛精度要比原始算法好一些,而且在算法稳定性方面要优于原始算法。(4)对GRNN的优化训练实际上就是优化其平滑因数σ。本文使用粒子群优化算法(PSO)、FOA和IFOA(改进FOA,即提出的第二种改进方法)分别优化GRNN的σ并预测某3日整点时刻的负荷。通过验证得出,使用PSO或者FOA来优化的GRNN,其预测误差会进一步缩小,而将FOA进行改进来优化GRNN是所使用的方法中误差最小的一个。
【学位授予单位】:甘肃农业大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:TM715;TP183

【相似文献】
中国期刊全文数据库 前10条
1 张强劲;陈忠华;;基于GRNN算法的潜在产出与产出缺口估算模型[J];重庆大学学报;2016年06期
2 王莉;;基于GRNN的棉纱条干均匀度预测研究[J];纺织科技进展;2017年03期
3 管帅;;基于广义回归神经网络(GRNN)的地下水水位预测[J];吉林水利;2016年04期
4 杨彬;贺正洪;;一种GRNN神经网络的高超声速飞行器轨迹预测方法[J];计算机应用与软件;2015年07期
5 张治华;徐元红;;基于粒子群算法的GRNN神经网络在股票预测中的应用[J];数学学习与研究;2017年14期
6 丁硕;常晓恒;巫庆辉;;基于GRNN的霍尔式位移传感器特性曲线拟合研究[J];电子测试;2014年01期
7 郎济才;谢行;范蠡;蔡世泽;;基于GRNN的船舶阻力预测[J];武汉船舶职业技术学院学报;2014年03期
8 张杰;陆宝宏;李莉会;刘蕊蕊;常娜;许丹;翟梦恩;;基于GRNN网络的苏州市水资源承载能力评价[J];水资源保护;2013年02期
9 辜小花;廖志强;李太福;易军;;面向抽油机节能的GRNN过程建模及工艺参数优化[J];重庆大学学报;2013年06期
10 高凌琴;;基于GRNN的汽车保有量预测模型[J];山东理工大学学报(自然科学版);2011年04期
中国重要会议论文全文数据库 前10条
1 念其锋;施式亮;李润求;;煤与瓦斯突出区域的GRNN预测模型研究[A];中国职业安全健康协会2013年学术年会论文集[C];2013年
2 银涛;俞集辉;;基于GRNN的电力系统短期负荷预测[A];第十届全国电工数学学术年会论文集[C];2005年
3 Ziwen Leng;Junwei Gao;Yong Qin;Xin Liu;Jing Yin;;Short-term Forecasting Model of Traffic Flow Based on GRNN[A];第25届中国控制与决策会议论文集[C];2013年
4 陈光;刘文涛;;广义回归神经网络(GRNN)在高炉炼铁工序能耗预测中的应用[A];第七届全国能源与热工学术年会论文集[C];2013年
5 王小辉;王琪洁;;基于广义回归神经网络的日长变化的高精度预报[A];中国天文学会2011年学术年会手册[C];2011年
6 马珊;庞永杰;张铁栋;;基于GRNN的声图像特征研究[A];第十五届中国海洋(岸)工程学术讨论会论文集(上)[C];2011年
7 陈其红;阚树林;秦臻;;基于广义回归神经网络(GRNN)的设备可靠性预测[A];2011年全国机械行业可靠性技术学术交流会暨第四届可靠性工程分会第三次全体委员大会论文集[C];2011年
8 王戡;郑玲;;基于广义回归神经网络的磁流变减振器模型辨识研究[A];第六届全国电磁流变液及其应用学术会议程序册及论文摘要集[C];2011年
9 柴毅;凌睿;;基于参数优化与GRNN逼近的非线性PID控制[A];第二十六届中国控制会议论文集[C];2007年
10 徐中;张敬莹;赵小波;;基于GRNN的粘弹材料阻尼性能的预测[A];第六届中国功能材料及其应用学术会议论文集(10)[C];2007年
中国博士学位论文全文数据库 前3条
1 NIBIKORA ILDEPHONSE;[D];东华大学;2011年
2 廖薇;基于神经网络和遗传规划的汇率预测技术研究[D];华东师范大学;2010年
3 雷成亮;大兴安岭森林火烈度遥感估测方法研究[D];东北林业大学;2012年
中国硕士学位论文全文数据库 前10条
1 席东洁;基于组合预测模型的汾河上游径流预报研究[D];太原理工大学;2018年
2 张兆旭;基于改进广义回归神经网络的短期电力负荷预测[D];甘肃农业大学;2018年
3 张山山;基于PCA-BA-GRNN模型的公共自行车需求预测[D];兰州大学;2018年
4 吴伟;广义回归神经网络(GRNN)在肾综合征出血热发病率预测中的应用[D];中国医科大学;2008年
5 李浩;基于SVR异常值检测和VMD分解的GRNN和Markov联合模型在风速预测中的应用[D];兰州大学;2017年
6 张宇;一种新型GRNN神经网络的制冷压缩机销售预测研究[D];上海交通大学;2015年
7 李孟杰;基于GRNN神经网络的船舶柴油机排放预测的研究[D];集美大学;2016年
8 裴浩鹏;GRNN及PNN分类算法性能分析[D];河南大学;2017年
9 任茹香;基于GRNN的变权重组合预测模型在传染病发病率预测中的应用[D];浙江大学;2011年
10 李聪;基于GRNN网络的短期与超短期负荷预测[D];东北电力大学;2010年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026