能使得网络的表达不够充分，从而导致网络外推能力不够而样本过多可能会出现样本冗长现象，既增加了网络的训练负担，也可能出现信息量过剩使得网络出现过拟合现象。总之，样本的选取过程需要注意代表性均衡性和用电负荷的自身特点，从而选择合理的训练样本。网络的设计本文依据人工神经网络来建模，根据网络来预测点负荷。如图预测点负荷的网络。图预测点负荷的网络网络是系统预测中应用特别广泛的种网络形式，因此，本文采用网络对负荷值进行预报。根据网络来设计网络，般的预测问题都可以通过单隐层的网络实现。本文由于输入向量有个元素，所以网络输入层的神经元有个，经过多次训练网络中间层的神经元可以取个。而输出向量有个，所以输出层中的神经元应该有个。网络中间层的神经元传输函数采用型正切函数，输出层神经元传递函数采用型对数函数。这是因为函数的输出位于区间，中，正好满足网络输出的要求。利用以下代码创建个满足上述要求的网络其中，变量用于规定输入向量的最大值最小值，规定了网络输入输出层隐层输入层向量的最大值为，最小值为。表示设定网络的训练函数为,它采用算法进行网络学习。网络训练计算出预测日点的归化系数网络经过训练后才可以用于电力负荷预测的实际应用。考虑到网络的结构比较复杂，神经元个数比较多，需要适当增大训练次数和学习速率。训练参数的设定如表所示。表训练参数训练次数训练目标学习速率训练代码如下为输入向量，为目标向量休息日训练结果为,,,工作日训练结果为,,,可见，经过次训练后，网络误差达到要求，结果如图休息日训练结果所示,图工作日训练结果所示。图休息日训练结果图工作日训练结果训练好的网络还需要进行测试才可以判定是否可以投入实际应用。休息日测试代码如下工作日测试代码如下有赵老师的悉心指导，本论文也不可能完成得如此顺利。在为期几个月的设计中，同学们的团结互助，无私帮助让我十分的感动，如果在这几个月中，我单凭己之力要完成本设计是十分困难的，因为本设计的知识和内容大部分是以前未曾接触的，有许多新的东西要求我在短短几个月内消化吸收。但我们小组做为个团队，大家相互帮助，相互鼓励，互相监督，共同讨论和解决问题，使论文能高质高效的完成。此外，我还要感谢我所列参考文献的作者，正是他们的许多研究成果给了我很大的帮助，在此表示诚挚的谢意这里利用仿真函数来计算网络的输出。预报误差曲线如图休息日预报误差曲线所示,图工作日预报误差曲线所示。图休息日预报误差图工作日预报误差结论分析电力负荷预测是电力调度用电计划规划等部门的重要工作，国内外关于短期负荷预测的文献很多，但是由于电力负荷受诸多因素的影响和负荷本身的不确定性，使得迄今还没有种十分满意的方法。本文介绍的基于神经网络的预测方法，在综合考虑天气情况历史负荷和日类型等对未来负荷影响的因素后，使用了神经网络的非线性拟合等功能，取得了较好的负荷预测效果。如表休息日预测结果对照所示，如表工作日预测结果对照所示。表休息日预测结果对照预测时段实际值预测值误差从表可见，个点的误差的绝对百分误差小行范围更大。但实际工作时的输入信号很难事先给定，因为控制目标是使系统输出具有期望的运动，对于未知控制系统期望输入不可能给出。另方面，在系统预报中，为保证参数估计算法的致收敛，必须使用定的持续激励的输入信号。对于神经网络，这是个仍有待于进步研究的问题。电力系统短期负荷预测建模及实现负荷预测对电力系统控制运行和计划都有着重要的意义。电力系统负荷变化受多方面的影响，方面，负荷变化存在着由未知不确定的因素引起的随机的波动另方面，又具有周期变化的规律性，这也使得负荷曲线具有相似性。同时，由于受天气节假日等特殊情况的影响，又使负荷变化出现差异。由于神经网络所具有的较强的非线性映射等特性，它常被用于负荷预测。本文采用软件编程仿真，具体过程如下所示问题描述电力系统负荷短期预报问题的解决办法和方式可以分为统计技术专家系统法和神经网络法等。众所周知，负荷曲线是很多因素相关的个非线性函数。对于抽样和逼近这种非线性函数，神经网络是种合适的方法。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设的能力。它不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽样和逼近隐含的输入输出非线性的关系。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。在对短期负荷进行预报前，个特别重要的问题是如何划分负荷类型或日期类型。纵观已经发表的文献资料，大体有以下几种划分模式将周的天分为工作日星期到星期五和休息日星期六和星期天等两种类型将周分为星期星期二到星期四星期五星期六星期天等种类型。将周的天每天都看做种类型，共有种类型。本文采用第种负荷划分模式，将周的天分为工作日星期到星期五和休息日星期六和星期天等两种类型。输入输出向量设计在预测日的前天中，每个小时对电力负荷进行次测量，这样来，天共测得组负荷数据。由于负荷值曲线相邻的点之间不会发生突变，因此后时刻的值必然和前时刻的值有关，除非出现重大事故等特殊情况。所以这里将前天的实时负荷数据作为网络的样本数据。此外，由于电力负荷还与环境因素有关，如最高和最低温度等。因此，还需要通过天气预报等手段获得预测日的最高和最低温度。这里将电力负荷预测日当日的气象特征数据作为网络的输入变量。因此，输入变量就是个维的向量。显而易见，目标向量就是预测日当天的个负荷值，即天中每个整点的电力负荷。这样来，输出变量就成为个维的向量。获得输入和输出变量后，要对其进行归化处理，将数据处理为区间，之间的数据。归化方法有许多种形式，这里采用如下公式在样本中，输入向量为预测日前天的电力实际负荷数据，目标向量是预测日当天的电力负荷。由于这都是实际的测量值，因此，这些数据可以对网络进行有效的训练。如果从提高网络精度的角度出发，方面可以增加网络训练样本的数目，另方面还可以增加输入向量的维数。即，或者增加每日的测量点，或者把预测日前几天的负荷数据作为输入向量。目前，训练样本数目的确定没有通用的方法，般认为样本过少可于，用金属线跨接，且跨接点间距小于。幕墙预埋件应与防雷系统可靠连通，幕墙主立面与幕墙预埋件应有可靠的电气连通。幕墙内部横竖梁之间及幕墙主立面之间应有可靠的电气连通由幕墙公司按幕墙行业规范及标准图集建筑物防雷设施安装页进行施工。凡垂直敷设的所有金属管道其顶部与底部均应与防雷接地装置做可靠连接。建筑物接地系统设计浙江科技学院本科毕业设计论文低压配电系统接地方式低压配电系统有三种形式系统系统系统。接地制式按照配电系统和电气设备的不同接地组合分类。按照规定，接地系统般由两个字母组成，必要时可加后续字母。第个字母表示电源中性点对地的关系。直接接地。不接地，或通过阻抗与大地相连。第二个字母表示电气设备外壳与大地的关系。独立于电源接地点的直接接地。表示直接与电源系统接地点或与该点引出的导体相连。后续字母表示中性线与保护线之间的关系。表示中性线与保护线合二为线。表示中性线与保护线分开。表示在电源侧为线，从点分开为中性线和保护线。不同接地系统的组成及特点在系统中，所有电气设备的外壳接到保护线上，与配电系统的中性点相连若无中性点，即变压器二次侧三角形连接或未引出中性点，可将变压器二次侧绕组的相接地，但该接点不能用作线。保护线应在每个变电所附近接地，配电系统引入建筑物时，保护线在其入口处接地。为了保证故障时保护线的电位尽量接近地电位，尽可能将保护线与附近的有效接地体相连，如必要，可增加接地点，并使其均匀分布。其特点是故障电流较大，仅与电缆的阻抗大小有关。出现绝缘故障时，需要短路电流保护装置瞬时断开电路。国际标准规定，根据中性线与保护线是否合并的情况，系统分为如下三种。浙江科技学院本科毕业设计论文注对电网来说，当铜导线截面积，铝导线截面积时，必须采用系统，而不允许采用系统。系统图接地系统系统公共，指与合即四线制系统，三根相线，根中性线与保护地线合并的线，用电设备的外露可导电部分接到线上，如图优点方案易于实现，节省了根导线，且保护电器可节省极，降低设备的初期投资费用。发生接地短路故障时，故障电流大，可采用过流保护电器瞬时切断电源，保证人员生命和财产安全。缺点线路中有单相负荷，或三相负荷不平衡，及电网中有谐波电流时，由于中有电流，电气设备的外壳和线路金属套管间有压降，对敏感性电子设备不利。线中的电流在有爆炸危险的环境中会引起爆炸。线断线或相线对地短路时，会呈现相当高的对地故障电压，可能扩大事故范围。浙江科技学院本科毕业设计论文不能使用剩余电流保护装置由于检测不出漏电流，会拒动，因此绝缘故障时，不能有效地对人身和设备进行保护。系统图接地系统图系统分开，指与分开即五线制系统，三根相线分别是，根零线，根保护线，仅电力系统中性点点接地，用点设备的外露可导电部分直接接到线上，如图。优点正常时线不通过负荷电流，适用于数据处理和精密电子仪器设备，也可用于爆炸危险场合。民用建筑中，家用电器大都有单独接地触点的插头，采用系统，既方便，又安全。如果回路阻抗太高或者电源短路容量较小，需采用剩余电流保护装能使得网络的表达不够充分，从而导致网络外推能力不够而样本过多可能会出现样本冗长现象，既增加了网络的训练负担，也可能出现信息量过剩使得网络出现过拟合现象。总之，样本的选取过程需要注意代表性均衡性和用电负荷的自身特点，从而选择合理的训练样本。网络的设计本文依据人工神经网络来建模，根据网络来预测点负荷。如图预测点负荷的网络。图预测点负荷的网络网络是系统预测中应用特别广泛的种网络形式，因此，本文采用网络对负荷值进行预报。根据网络来设计网络，般的预测问题都可以通过单隐层的网络实现。本文由于输入向量有个元素，所以网络输入层的神经元有个，经过多次训练网络中间层的神经元可以取个。而输出向量有个，所以输出层中的神经元应该有个。网络中间层的神经元传输函数采用型正切函数，输出层神经元传递函数采用型对数函数。这是因为函数的输出位于区间，中，正好满足网络输出的要求。利用以下代码创建个满足上述要求的网络其中，变量用于规定输入向量的最大值最小值，规定了网络输入输出层隐层输入层向量的最大值为，最小值为。表示设定网络的训练函数为,它采用算法进行网络学习。网络训练计算出预测日点的归化系数网络经过训练后才可以用于电力负荷预测的实际应用。考虑到网络的结构比较复杂，神经元个数比较多，需要适当增大训练次数和学习速率。训练参数的设定如表所示。表训练参数训练次数训练目标学习速率训练代码如下为输入向量，为目标向量休息日训练结果为,,,工作日训练结果为,,,可见，经过次训练后，网络误差达到要求，结果如图休息日训练结果所示,图工作日训练结果所示。图休息日训练结果图工作日训练结果训练好的网络还需要进行测试才可以判定是否可以投入实际应用。休息日测试代码如下工作日测试代码如下有赵老师的悉心指导，本论文也不可能完成得如此顺利。在为期几个月的设计中，同学们的团结互助，无私帮助让我十分的感动，如果在这几个月中，我单凭己之力要完成本设计是十分困难的，因为本设计的知识和内容大部分是以前未曾接触的，有许多新的东西要求我在短短几个月内消化吸收。但我们小组做为个团队，大家相互帮助，相互鼓励，互相监督，共同讨论和解决问题，使论文能高质高效的完成。此外，我还要感谢我所列参考文献的作者，正是他们的许多研究成果给了我很大的帮助，在此表示诚挚的谢意这里利用仿真函数来计算网络的输出。预报误差曲线如图休息日预报误差曲线所示,图工作日预报误差曲线所示。图休息日预报误差图工作日预报误差结论分析电力负荷预测是电力调度用电计划规划等部门的重要工作，国内外关于短期负荷预测的文献很多，但是由于电力负荷受诸多因素的影响和负荷本身的不确定性，使得迄今还没有种十分满意的方法。本文介绍的基于神经网络的预测方法，在综合考虑天气情况历史负荷和日类型等对未来负荷影响的因素后，使用了神经网络的非线性拟合等功能，取得了较好的负荷预测效果。如表休息日预测结果对照所示，如表工作日预测结果对照所示。表休息日预测结果对照预测时段实际值预测值误差从表可见，个点的误差的绝对百分误差小