基于RBF神经网络电力负荷预测毕业论文.doc

PAGE I 周路尧：基于RBF神经网络的短期负荷预测研究 PAGE II 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 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(Radial Basis Function)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 PAGE IV PAGE III The Research of Short-Term Load Forecasting Based on RBF Neural Networks ZHOU Luyao (Sichuan University of Science and Engineering,Zigong, China, 643000) Abstract：This paper uses a brief discussion of the various factors affecting the load based on RBF (Radial Basis Function) neural network short-term load forecasting method，and according to the characteristics of the main power load for the load setting seven input nodes, one output nodes, and 48 point load value, the year 1999 January 3 to 9 for the normalized load data processed and used as training data to predict the 10th load value.This method training speed, good convergence, and can greatly reduce the number of hidden neurons, effectively improve the prediction precision and predict speed. Based on the result and the actual load, compared the error that the scope of the permit, the forecasting accuracy is to satisfy the requirements, which shows that the method is correct and practical. Key words：Electric power system; Load forecasting; RBF neural network; Prediction model 四川理工学院本科毕业论文 目 录 TOC \o 1-3 \h \z \u 的存在给正常隶属序列带来较大的随机干扰，影响预测体系的预测精度，如果“异常数据”过大甚至会误导预测体系的预测结果，因此必须排除由于“异常数据”的存在带来的不良影响。 3、统计分析的全面性。对于大量的历史资料，要进行客观而全面的统计分析。预测工作者应该从客观情况出发，本着实事求是的原则，反复研究和分析历史发展的内在规律性，为预测工作打好基础。 4、预测手段的先进性。包含两层意思，一是预测工具的先进性，由于数据量很大，可采用计算机进行各种统计分析及预测工作，预测人员可以从繁杂的大量计算中解脱出来，二是预测理论的先进性，可以不断发展和应用新的预测理论与方法，借鉴其他领域预测工作中的成功经验，使电力负荷预测达到一个较高的水平。 5、预测方法的适应性。预测量发展变化的自然规律复杂多样，因此要求预测方法所具有的适应性包括： （1）由于电力系统负荷预测是在一定的假设条件下进行，其中包含了许多不确定因素，采用单一的方法进行预测，很难取得令人满意的结果。预测方法能适应预测量发展变化规