论文部分内容阅读
电力系统负荷预测水平已成为衡量电力系统运行管理现代化的标志之一,尤其是准确的短期负荷预测更具有重要的意义。负荷预测的影响因素较多,既由负荷本身的历史表现决定,还要受众多非负荷因素的影响。
分析了电力系统负荷预测的意义和方法之后,在分析模糊推理和神经网络生物学特性的基础上,本文提出了构造模糊神经网络模型的新方法,也即是将模糊推理的过程融入到了BP网络中。在新的模糊神经网络模型的构造中,本文提出了两类模糊推理规则的抽取方法:一类是基于组合方式的规则抽取方法:另一类是基于树型结构的模糊推理规则的抽取方法,同时给出了模糊规则树的定义。基于树型结构的模糊规则的抽取方法在一定程度上可以避免组合方式带来的维数爆炸问题。同时,通过在模糊神经网络模型中使用控制器对信息前馈进行控制,使得模糊推理和网络的传递计算得到了很好的结合。本文对模型中的控制器、两类规则抽取和模糊神经网络模型的训练给出了详尽的算法,并对模型中的关键问题给出了证明和相应的数学模型。
最后,本文将模糊神经网络模型应用于电力系统的短期负荷预测中。从负荷的特性和负荷预测的依据出发,本文首先对负荷数据作了预处理,选择了4个时间的负荷值并生成了2个变化率;利用相似变化率和趋势变化率作为模糊神经网络模型的输入,在网络的输入层利用神经元t实现控制器的功能;在网络的隐含层中设置了24个神经元分别实现对不同时刻负荷的推理和传递运算。最后用实际负荷值对模糊神经网络进行训练和模拟,达到了对系统短期负荷预测的目的。从预测的结果来看,本文提出的模糊神经网络模型不但扩展了BP网络的功能,加快了网络训练学习的速度,而且符合实际应用的要求。