-
摘要近些年来，世界能源问题日益突出，不可再生能源的大量消耗甚至带来全球气候的剧烈变化。中国作为人均能源占有率居于世界末位的发展中国家，尤其需要提倡节能减排。在保持经济持续快速增长的同时，也要让我们的GDP更加节能，更加可持续。
- 上一篇：无线传感器网络的节点部署方法+文献综述
- 下一篇：MATLAB稳定平台陀螺信号的数字滤波技术研究
配电网是连接电力网所传输的电能与用户之间的桥梁，具有用户数量多、负荷多变、运行方式灵活的特点。结合近些年的发展情况来看，我国配电网的损耗率居于世界中等水平，与英、美、俄、日等国家仍然存在较大差距，有较为明显的节能潜力。本论文从实际工程案例入手，创造性地利用神经网络算法来解决配电网损耗问题，并在理论线损预测和如何降低其损耗的分析过程中取得了很好的效果。和常规算法相比，该算法在数据处理速度和精度方面有着较大优势。本论文正是充分利用其在这些方面的优势，实现了配电网的理论线损量的计算并以此为基础实现了基于节能降损策略的优化方案设计，取得了明显的降损效果。19366
关键词 配电网 神经网络 统计线损 节能 优化
毕业设计说明书（论文）外文摘要
Title Theoretical analysis and research of distribution network line loss calculation and energy loss reduction strategy based on neural network
Abstract
The great improvement of our country's economy and society greatly changed the people’s approaches of lives, changing the face of our society. Nonetheless, in recent ten years, the whole world's energy dilemma is becoming more and more grievous. People have been using a great deal of fossil energy , which have given rise to dramatic changes in the daily weather and situation. China's per capita energy as a share rate bottom of the world living in developing countries, particularly have a need in haste to improve the work of energy protection.
Distribution network is concatenated to the net of electric power transmission energy bridge between users. ANN is applied in the linear loss calculation and analysis of energy loss reduction strategies among distribution grid. Relying on a strong learning ability of neural networks and nonlinear data processing capabilities, to achieve a distribution network statistical calculation of the amount of line loss. Finally received a significant power decrease effect.
Keywords Distribution network Neural Networks Statistical line losses Power Source Reduction
目次
1 绪论1
1.1 线损计算及节能降损的意义.1
1.2 国内外研究现状.2
1.3 本论文的主要研究内容.2
2 配电网理论线损计算4
2.1 理论线损的定义及分类.4
2.2 需要收集的资料信息.5
2.3 理论线损计算的常规方式.6
2.4 本章小结.8
3 配电网节能降损措施10
3.1 管理措施.10
3.2 技术措施.10
3.3 本章小结.16
4 人工神经网络（ANN）的研究17
4.1 人工神经网络简介.17
4.2 BP神经网络模型17
4.3 霍费尔德神经网络模型.19
4.4 本章小结.21
5 基于ANN算法的线损计量22
5.1 输入、输出数据的选择.22
5.2 BP网络结构参数的选择23
5.3 网络训练仿真.33
5.4 预测结果分析.39
5.5 本章小结 .40
6 基于霍费尔德神经网络的配电网节能降损措施41
6.1 配电网结构的简化.41
6.2 基于霍费尔德网络的配网重构技术.42
6.3 基于霍费尔德网络的无功优化技术.48
6.4 本章小结.49
结论50
致谢51