中壓配電網(wǎng)短期節(jié)點(diǎn)負(fù)荷預(yù)測(cè)的模糊神經(jīng)網(wǎng)絡(luò)法.pdf

1、中壓配電網(wǎng)是電力系統(tǒng)的重要組成部分,其安全、經(jīng)濟(jì)運(yùn)行是整個(gè)電力系統(tǒng)安全、經(jīng)濟(jì)運(yùn)行的重要保障.中壓配電網(wǎng)短期節(jié)點(diǎn)負(fù)荷預(yù)測(cè)技術(shù)可為運(yùn)行規(guī)劃、故障處理、需求側(cè)管理及未來(lái)的配電市場(chǎng)開(kāi)放等提供數(shù)據(jù)支持.因此十分重要.由于中壓配電網(wǎng)節(jié)點(diǎn)負(fù)荷具有歷史數(shù)據(jù)少、數(shù)據(jù)不精確、負(fù)荷變化的趨勢(shì)性不明顯和負(fù)荷變化模式易變等特點(diǎn),傳統(tǒng)方法很難解決這類問(wèn)題,亟需建立一種新的節(jié)點(diǎn)負(fù)荷預(yù)測(cè)方法.為此,本文做了以下工作: 1.在并行分布處理模型基礎(chǔ)上,構(gòu)建了一種新

2、型的模糊神經(jīng)網(wǎng)絡(luò)以求解中壓配電網(wǎng)短期節(jié)點(diǎn)負(fù)荷預(yù)測(cè)問(wèn)題.該網(wǎng)絡(luò)具有輸入層、輸入模糊化運(yùn)算層、樣本神經(jīng)元層、輸出隸屬度函數(shù)層和反模糊化運(yùn)算層五層前饋式結(jié)構(gòu),所有節(jié)點(diǎn)在學(xué)習(xí)的過(guò)程中動(dòng)態(tài)生成. 2.提出了一種快速、增量式的學(xué)習(xí)算法.學(xué)習(xí)過(guò)程中,采用無(wú)監(jiān)督學(xué)習(xí)算法對(duì)輸入權(quán)重進(jìn)行調(diào)整,采用有監(jiān)督學(xué)習(xí)算法對(duì)輸出權(quán)重進(jìn)行調(diào)整.該算法只需一次學(xué)習(xí)就能達(dá)到較好的精度,而且實(shí)現(xiàn)了增量學(xué)習(xí),即在學(xué)習(xí)新知識(shí)的同時(shí),不破壞原有知識(shí).此外,對(duì)近似的樣本神經(jīng)元

3、進(jìn)行合并,使用剪枝操作刪除含壞數(shù)據(jù)的樣本神經(jīng)元,從而保證了算法的健壯性,并且精煉了網(wǎng)絡(luò)結(jié)構(gòu). 3.使用兩個(gè)來(lái)自實(shí)際系統(tǒng)的算例驗(yàn)證了本文方法的有效性.算例1屬于商業(yè)負(fù)荷,其負(fù)荷變化比較規(guī)律；算例2來(lái)自居民負(fù)荷,負(fù)荷變化規(guī)律性很差. 模糊神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)由經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的原則確定.計(jì)算結(jié)果表明本文方法計(jì)算速度快,容錯(cuò)能力強(qiáng),并且有很好的泛化能力.此外,對(duì)實(shí)際配電網(wǎng)的測(cè)量系統(tǒng)進(jìn)行分析,在此基礎(chǔ)上提出了一種新的節(jié)點(diǎn)負(fù)荷數(shù)據(jù)處理