BP神经网络的短期负荷预测研究-开题报告-文献综述-参考文献

BP神经网络的短期负荷预测研究-开题报告-文献综述-参考文献(二)

预测时通过模式识别，找出与预测天相符的预测类别，利用相应的神经网络预测模型进行24小时的短期电力负荷预测。文献[8]首先采用日最小负荷对日负荷曲线进行规范化，再将日负荷曲线预测转化为对日最小负荷的预测和对日规范负荷曲线的预测。对日最小负荷预测应用动态时序模型；对日规范负荷曲线应用专家系统进行推理预测，专家系统中的推理规则应用粗糙集理论从历史数据中获取。提出了一种将粗糙集理论和正交最小二乘法相结合建立短期负荷预测模型的新方法。该方法采用粗糙集理论选择模型输入变量并对其进行划分，由样本数据的离散化结果确定模糊推理规则及其逻辑前件参数，进而采用改进的正交最小二乘法去掉冗余模糊规则和确定模糊推理规则后件参数。

二、论文提纲

引言：电力短期负荷预测的特点，即都是受多个影响因素共同影响，且各个因素之间有着比较复杂的关系，具有高度不确定的非线性系统，利用传统的预测方法有着诸多限制，而采用神经网络方法则能较好地克服这些限制，实现精确的非线性预测。为了进一步提高网络的预测精度，需要从以下几个方面展开研究：

1.网络的训练过程是从给定的样本数据中归纳出输入、输出之间的复杂规律，为了能够更加精确地对系统进行预测，样本数据应该尽可能准确。

2．提高网络预测能力的主要途径有：

2.1．尽可能增加样本的涵盖面；

2.2．在输入中尽可能地包括影响输出的主要因子；

2.3．确定适当的收敛误差。对于常用的BP算法，可考虑采用遗传算法、小波分析和径向基函数做进一步的深入研究。

3．针对BP算法中存在的收敛速度慢、易陷入局部最小值的问题，可采用附加动量法和自适应学习速率法在一定程度上解决这些问题。附加动量法是在BP算法的基础上，在每个权值变化上加上一项正比于上一次权值变化量的值，并根据BP算法来产生新的权值变化，利用附加动量法可能会避开某些局部最小值。自适应学习速率法是在学习过程中不断修正学习速率，有利于提高学习效率，缩短学习时间。

三、参考文献

[1]飞思科技产品研发中心编.神经网络理论与MATLAB7实现[M].北京：电子工业出版社， 2005

[2]许东、吴铮编著.基于MATLAB6.x的系统分析与设计——神经网络[M].西安：西安电子科技大学出版社，2002

[3]楼顺天、胡昌华、张伟编著.基于MATLAB的系统分析与设计—— 模糊系统[M].西安：西安电子科技大学出版社，2001

[4]赵希正编著.中国电力负荷特性分析与预测[M].北京：中国电力出版社，2001

[5]于尔铿、刘广一、周京阳等编著.能量管理系统（EMS）[M].北京：科学出版社，1998

[6]张乃尧、阎平凡编著.神经网络与模糊控制[M].北京：清华大学出版社，1998

[7]王士同编著.模糊系统、模糊神经网络及应用程序设计[M].上海：上海科学技术文献出版社，1998

[8]诸静编著.模糊控制原理与应用[M].北京：机械工业出版社，1995

[9]牛东晓、曹树华、赵磊等编著.电力负荷预测技术及其应用[M].北京：中国电力出版社，1998

[10]肖国泉、王春、张福伟编著.电力负荷预测[M].北京：中国电力出版社，2001

[11] 焦李成.神经网络系统理论［M］. 西安：西安电子科技大学出版社，1990.