文档介绍：目录
目录 1
摘要 3
ABSTRACT 5
前言 6
第一章绪论 7
大脑神经细胞 7
神经网络的学习 8
本章小结 8
第二章人工神经网络 9
人工神经网络的研究历史 9
人工神经网络的研究意义 10
人工神经网络的能力特点 12
人工神经网络模型 12
本章小结 13
第三章基于神经网络的系统辨识 14
系统辨识的应用 14
神经网络在系统辨识中的应用 14
本章小结 17
第四章反向传播(BP)网络及其学习算法 18
BP 网络的结构 18
BP网络学习算法 19
BP网络学习算法的比较 19
BP网络的学习规则 20
BP网络设计技巧 22
22
22
BP网络的不足及改进 23
本章小结 23
第五章 BP网络在电力负荷预报中的应用以及MATLAB的仿真 24
BP网络在电力负荷预报中的应用 24
24
24
基于BP网络电力负荷预测的MATLAB仿真 26
BP网络设计 26
27
本章小结 29
结论 30
附录 31
参考文献 33
后记 34
摘要
电力负荷的值是随天气,日期等因素变化的,有较大的随机性,因此预测时有很强的非线性要求。目前的预测方法是统计技术和专家系统法,除了其各自得弊端外,其非线性远远不如于神经网络。神经网络的优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假定的能力。他不依靠专家经验,只利用观察到的数据,可以从训练过程中通过学习来抽取和逼近隐含的输入/输出非线性关系。近年来的研究表明,相对于前两种方法,利用神经网络技术进行电力系统短期负荷预报可获得更高的精度,这里采用的是BP神经网络对电力负荷进行预测, BP网络是神经网络中应用最为广泛的网络, 由于它采用有导师的学习算法, 非常有利于实现预测功能。 BP网络实际上可以看作一个非线性映射, 因此, 它在处理非线性的预测问题上与以往的线性预测方法有本质的优越性。
关键词:电力负荷预测;BP神经网络;非线性预测
Abstract
Power load value is with the weather, factors such as the date of the change, a greater randomness, So the forecast is a highly nonlinear requirements. The current forecast is a statistical technique and expert systems, in addition to its own drawbacks, nonlinear far worse in the work. work is that it has advantages over simulation variables without the need to input variables plicated the ability of the underlying assumptions. He did not rely on the experience of experts, using only observed data, from the training process of learning to take implicit approximation and the input / output nonlinear relationship. In recent years, the study shows, compared with the first two methods, using work technology for the power system short-term load forecasts will be more accurate, Here is the work of electricity load forecasting, BP work is the most extensive application of the grid, as it adopted a tutor of learning algorithm, very conducive to the realization of pre