| 【中文题名】 | 人工鱼群神经网络在短期负荷预测中的应用研究 |
| 【英文题名】 | Research and Application of Artificial Fish-swarm Neural Network in Electric Power System Short-term Load Forecasting |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-3-16 |
| 【中关键词】 | 电力系统,短期负荷预测,人工神经网络,人工鱼群算法,, |
| 【英关键词】 | electronic power system,short-term load forecasting,artificial neural network,artificial fish-swarm algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 | 人工鱼群算法(AFSA)是2002年李晓磊提出的基于鱼群行为的寻求全局最优的新型搜索策略,该算法具有较优的全局收敛能力及较快的寻优速度。本文首次将人工鱼群算法应用于人工神经网络的学习,形成了人工鱼群神经网络模型,通过与BP算法、模拟退化算法、进化算法训练的人工神经网络进行比较,验证了人工鱼群神经网络在全局寻优能力上的优势,进而利用人工鱼群神经网络进行电力系统短期负荷预测,建立了人工鱼群神经网络预测模型。为了进一步提高算法的稳定性,以及求得全局最优值的能力,文中给出了改进的人工鱼群算法。当人工鱼种群的最优值在多代未变的情况下,加入了“跳跃”行为,改变人工鱼个体的参数,避免陷入局部最优并提高了寻求全局最优解的能力。然后建立了新的预测模型,实际编程表明,改进后的模型具有更好的全局最优化能力及稳定性。 |
| 【论文题纲】 |
|
中文摘要 |
4 |
|
ABSTRACT |
4-7 |
|
第一章 引言 |
7-10 |
|
1.1 课题的研究背景和意义 |
7 |
|
1.2 短期负荷预测的研究和应用现状 |
7-8 |
|
1.3 短期负荷预测中存在的问题 |
8-9 |
|
1.4 本文的主要工作 |
9-10 |
|
第二章 前向人工神经网络模型 |
10-19 |
|
2.1 人工神经网络 |
10-13 |
|
2.1.1 神经网络原理 |
10-11 |
|
2.1.2 神经网络的结构 |
11-12 |
|
2.1.3 人工神经网络的学习 |
12-13 |
|
2.2 三层前向神经网络 |
13-15 |
|
2.3 前向人工神经网络模型的快速学习算法 |
15-19 |
|
2.3.1 BP 算法的原理 |
16 |
|
2.3.2 BP 算法的实现 |
16-19 |
|
第三章 人工鱼群神经网络 |
19-29 |
|
3.1 人工鱼群算法 |
19-20 |
|
3.2 人工鱼群神经网络 |
20-23 |
|
3.2.1 算法结构及相关定义 |
20-21 |
|
3.2.2 行为描述 |
21-22 |
|
3.2.2.1 觅食行为 |
21 |
|
3.2.2.2 聚群行为 |
21-22 |
|
3.2.2.3 追尾行为 |
22 |
|
3.2.2.4 公告板 |
22 |
|
3.2.3 行为选择 |
22-23 |
|
3.3 前向神经网络的训练 |
23-25 |
|
3.3.1 利用人工鱼群算法优化训练三层前向神经网络的过程 |
23 |
|
3.3.2 试验结果 |
23-25 |
|
3.4 改进的人工鱼群算法 |
25-29 |
|
3.4.1 对人工鱼群算法的改进 |
25-26 |
|
3.4.2 利用改进人工鱼群算法训练神经网络的过程 |
26 |
|
3.4.3 两种人工鱼群神经网络的比较 |
26-29 |
|
第四章 基于人工鱼群神经网络的电力系统短期负荷预测 |
29-38 |
|
4.1 电力系统短期负荷预测 |
29-33 |
|
4.1.1 电力系统负荷预测及其分类 |
29 |
|
4.1.2 影响系统负荷的主要因素 |
29-30 |
|
4.1.3 电力系统短期负荷预测的复杂性 |
30-31 |
|
4.1.4 电力系统短期负荷预测的数学模型 |
31 |
|
4.1.5 短期负荷预测的方法概述 |
31-33 |
|
4.2 短期负荷预测的神经网络模型 |
33 |
|
4.3 利用人工鱼群神经网络进行短期负荷预测 |
33-38 |
|
4.3.1 神经网络的输入及预处理 |
33-36 |
|
4.3.2 神经网络的结构 |
36-37 |
|
4.3.3 基于人工鱼群神经网络的电力系统短期负荷预测 |
37-38 |
|
第五章 系统关键技术 |
38-47 |
|
5.1 试验环境 |
38 |
|
5.1.1 面向对象技术简介 |
38 |
|
5.2 数据结构 |
38-40 |
|
5.2.1 三个基础类 |
38 |
|
5.2.2 主要函数 |
38-40 |
|
5.2.2.1 人工鱼群算法的主要函数 |
38-39 |
|
5.2.2.2 改进人工鱼群算法的主要函数 |
39-40 |
|
5.3 试验步骤 |
40-41 |
|
5.4 人工鱼群神经网络与BP 神经网络两种预测模型的比较 |
41-44 |
|
5.4.1 试验数据 |
41-42 |
|
5.4.2 试验结果 |
42 |
|
5.4.3 试验结论 |
42-44 |
|
5.5 改进前后的人工鱼群神经网络预测模型的比较 |
44-47 |
|
5.5.1 试验数据 |
44 |
|
5.5.2 试验结果 |
44-45 |
|
5.5.3 试验结论 |
45-47 |
|
第六章 结束语 |
47-49 |
|
参考文献 |
49-53 |
|
致谢 |
53-54 |
|
附录 |
54-57 |
|
在学期间发表的学术论文和参加科研情况 |
57 |
|
| 【DOI】 | LunWen.ID:2.2008.388411 |
