基于虚拟预测的电力系统短期负荷预测研究
发布时间：2021-10-11 02:51
当前我国经济发展处于新常态,电力改革向纵向推进,电力负荷增长存在较大的波动性与不确定性,负荷预测能为电网规划提供可靠决策依据,对电网高效运营十分重要。短期负荷预测是负荷预测工作的重要组成部分,对于提高发电设备的利用率和经济调度有着重要意义。本文在对传统负荷预测方法进行评价与比较的基础上,引入虚拟预测的思想,并将其应用于电力系统短期负荷预测的研究。首先以电力负荷大数据趋势加剧为背景,充分考虑历史负荷及多种气象因素,为解决高维数据信息混杂的现象,对相关数据展开筛选与挖掘:采用小波阈值去噪技术处理历史负荷数据,修复异常数据;引入广义灰色绝对关联度作为气象因素的筛选指标,从12个气象因素中筛选得到6个因素,再运用PCA算法对6个气象因素进行降维处理和特征提取,获得有效气象数据样本集。其次,运用BP神经网络、支持向量机、灰色预测等多种不同的预测方法对同一历史时段进行虚拟预测,以离差最大化综合属性值作为评判指标,从6种单项模型中择优遴选出四种模型。最后,以虚拟预测残差平方和最小为目标,建立最优虚拟预测方式下的短期负荷预测综合模型,并应用该模型对真正的“待预测日”进行预测,验证模型和算法的合理性及有...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图５．１原始信号图像??图５．１表示的是历史负荷数据的原始信号，看图可知，这１６天的负荷数据??呈现出明显的日周期性
?第５章算例分析???？?硬阈值去噪处理??８０?Ｉ?！?￣ｎ?Ｉ?ｉ?Ｉ?！??Ｉ?Ｉ＇??６０?－??Ｉ??５０?－?Ｉ?｜??卜?（１１?－??３？偏１１?ｈ丨丨…??Ｑ??｜?｜?｜?Ｉ?Ｉ?Ｉ?Ｉ???０?２００?４００?６００?８００?１０００?１２００?１４００?１６００??负荷个数／（个）??图５．２硬阈值处理后的图像??上图５．２表示的是原始信号经过硬阈值方法处理后的信号图，看图可知，处??理之后所达到的效果为：（Ｉ）毛刺现象有所缓解，但是并没有完全消除。（２）曲??线的光滑程度大大提高。（３）奇异值仍然较为明显，没有达到去除奇异值的效果。??４５??
?第５章算例分析???＿?软阈值去噪处理??〇（Ｊ?Ｉ?Ｉ?！?１?Ｉ?Ｓ?Ｉ??７０?Ｉ?ｉ?Ｉ?（■??６０?－?｜?｜｜?＊?－??５０－?｜?１?－??－?ｈ?Ｕ??＾?Ｊ?ｍ?１?ｉ?ｈｉｖ??３０?－?｜＾ｌ?］?ｓ?ｊ?ｊ＼?ｆ?Ｉ?ｊ?＼?Ｉ?＾?Ｉ??１?ｙ?ｎ?１?．?１?Ｊ?＾?ｕｈ?Ｊ??２°＂擊?＿＿??１０?－?ｙ?ｙ?－??〇??Ｉ?Ｉ?Ｉ?１?Ｉ?ｌ?Ｉ???０?２００?４００?６００?８００?１０００?１２００?１４００?１６００??负荷个数／（个）??图５．３软阈值处理后的图像??图５．３表示的是原始信号经过软阈值方法处理后的信号图，看图可知，处理??之后，与硬阈值方法相比，所达到的效果为：（１）毛刺现象基本全部消除。（２）??在一定程度上消除了奇异值，但并没有完全消除。（３）曲线平滑度与硬阈值相比，??有了更进一步的提高。??４６??
【参考文献】：
期刊论文
[1]基于改进评价指标的波动性负荷短期区间预测[J]. 徐诗鸿,张宏志,林湘宁,李正天,卓毅鑫,汪致洵,随权. 电力系统自动化. 2020(02)
[2]基于虚拟预测的月径流量时间序列非线性混沌预测[J]. 孙妍. 北京信息科技大学学报(自然科学版). 2019(03)
[3]常用电力负荷预测方法的对比研究[J]. 郑春,朱文广,肖园,樊丽君,胡彩红. 现代国企研究. 2019(04)
[4]基于大数据简约及PCA改进RBF网络的短期电力负荷预测[J]. 张淑清,任爽,陈荣飞,钱磊,姜万录,李盼. 计量学报. 2018(03)
[5]基于支持向量机的某地区电网短期电力负荷预测[J]. 万强,王清亮,王睿豪,黄朝晖,白云飞,陈大军,栗维勋. 电网与清洁能源. 2016(12)
[6]国内外关于电力系统负荷预测的研究现状分析[J]. 张彦宇,肖茜. 山东工业技术. 2016(11)
[7]基于有效度和虚拟预测的负荷组合预测[J]. 王智翔,殷豪,卢海明. 黑龙江电力. 2015(04)
[8]基于混沌理论和Legendre正交基神经网络的短期负荷预测[J]. 杨胡萍,左士伟,涂雨曦,王承飞. 电测与仪表. 2015(13)
[9]基于虚拟预测的组合预测模型在电力负荷预测中的应用[J]. 陈文. 机电信息. 2015(15)
[10]小波去噪在矿用钢丝绳损伤检测中的应用研究[J]. 王闯,华钢. 煤炭工程. 2014(12)
硕士论文
[1]基于灰色理论的风电功率预测研究[D]. 李博文.贵州大学 2018
[2]基于支持向量机的短期电力负荷预测方法研究及应用[D]. 马鸿芳.兰州理工大学 2018
[3]基于改进的灰色模型在中长期电力负荷预测中的应用研究[D]. 何路缘.哈尔滨理工大学 2018
[4]基于大数据分析及改进神经网络的电力负荷预测方法[D]. 任爽.燕山大学 2017
[5]基于Adaboost的改进多元线性回归灰色组合中期负荷预测[D]. 李辉.南昌大学 2016
[6]基于PCA算法的人脸识别系统研究[D]. 张利芳.中北大学 2015
[7]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[8]基于改进支持向量机的短期电力负荷预测研究[D]. 盖姝.华北电力大学 2013
[9]基于BP人工神经网络的电力短期负荷预测[D]. 曲薇薇.东北石油大学 2011
[10]基于改进BP神经网络的电力负荷预测研究[D]. 方方.哈尔滨工业大学 2011
本文编号：3429644
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图５．１原始信号图像??图５．１表示的是历史负荷数据的原始信号，看图可知，这１６天的负荷数据??呈现出明显的日周期性
?第５章算例分析???？?硬阈值去噪处理??８０?Ｉ?！?￣ｎ?Ｉ?ｉ?Ｉ?！??Ｉ?Ｉ＇??６０?－??Ｉ??５０?－?Ｉ?｜??卜?（１１?－??３？偏１１?ｈ丨丨…??Ｑ??｜?｜?｜?Ｉ?Ｉ?Ｉ?Ｉ???０?２００?４００?６００?８００?１０００?１２００?１４００?１６００??负荷个数／（个）??图５．２硬阈值处理后的图像??上图５．２表示的是原始信号经过硬阈值方法处理后的信号图，看图可知，处??理之后所达到的效果为：（Ｉ）毛刺现象有所缓解，但是并没有完全消除。（２）曲??线的光滑程度大大提高。（３）奇异值仍然较为明显，没有达到去除奇异值的效果。??４５??
?第５章算例分析???＿?软阈值去噪处理??〇（Ｊ?Ｉ?Ｉ?！?１?Ｉ?Ｓ?Ｉ??７０?Ｉ?ｉ?Ｉ?（■??６０?－?｜?｜｜?＊?－??５０－?｜?１?－??－?ｈ?Ｕ??＾?Ｊ?ｍ?１?ｉ?ｈｉｖ??３０?－?｜＾ｌ?］?ｓ?ｊ?ｊ＼?ｆ?Ｉ?ｊ?＼?Ｉ?＾?Ｉ??１?ｙ?ｎ?１?．?１?Ｊ?＾?ｕｈ?Ｊ??２°＂擊?＿＿??１０?－?ｙ?ｙ?－??〇??Ｉ?Ｉ?Ｉ?１?Ｉ?ｌ?Ｉ???０?２００?４００?６００?８００?１０００?１２００?１４００?１６００??负荷个数／（个）??图５．３软阈值处理后的图像??图５．３表示的是原始信号经过软阈值方法处理后的信号图，看图可知，处理??之后，与硬阈值方法相比，所达到的效果为：（１）毛刺现象基本全部消除。（２）??在一定程度上消除了奇异值，但并没有完全消除。（３）曲线平滑度与硬阈值相比，??有了更进一步的提高。??４６??
【参考文献】：
期刊论文
[1]基于改进评价指标的波动性负荷短期区间预测[J]. 徐诗鸿,张宏志,林湘宁,李正天,卓毅鑫,汪致洵,随权. 电力系统自动化. 2020(02)
[2]基于虚拟预测的月径流量时间序列非线性混沌预测[J]. 孙妍. 北京信息科技大学学报(自然科学版). 2019(03)
[3]常用电力负荷预测方法的对比研究[J]. 郑春,朱文广,肖园,樊丽君,胡彩红. 现代国企研究. 2019(04)
[4]基于大数据简约及PCA改进RBF网络的短期电力负荷预测[J]. 张淑清,任爽,陈荣飞,钱磊,姜万录,李盼. 计量学报. 2018(03)
[5]基于支持向量机的某地区电网短期电力负荷预测[J]. 万强,王清亮,王睿豪,黄朝晖,白云飞,陈大军,栗维勋. 电网与清洁能源. 2016(12)
[6]国内外关于电力系统负荷预测的研究现状分析[J]. 张彦宇,肖茜. 山东工业技术. 2016(11)
[7]基于有效度和虚拟预测的负荷组合预测[J]. 王智翔,殷豪,卢海明. 黑龙江电力. 2015(04)
[8]基于混沌理论和Legendre正交基神经网络的短期负荷预测[J]. 杨胡萍,左士伟,涂雨曦,王承飞. 电测与仪表. 2015(13)
[9]基于虚拟预测的组合预测模型在电力负荷预测中的应用[J]. 陈文. 机电信息. 2015(15)
[10]小波去噪在矿用钢丝绳损伤检测中的应用研究[J]. 王闯,华钢. 煤炭工程. 2014(12)
硕士论文
[1]基于灰色理论的风电功率预测研究[D]. 李博文.贵州大学 2018
[2]基于支持向量机的短期电力负荷预测方法研究及应用[D]. 马鸿芳.兰州理工大学 2018
[3]基于改进的灰色模型在中长期电力负荷预测中的应用研究[D]. 何路缘.哈尔滨理工大学 2018
[4]基于大数据分析及改进神经网络的电力负荷预测方法[D]. 任爽.燕山大学 2017
[5]基于Adaboost的改进多元线性回归灰色组合中期负荷预测[D]. 李辉.南昌大学 2016
[6]基于PCA算法的人脸识别系统研究[D]. 张利芳.中北大学 2015
[7]主成分分析法研究及其在特征提取中的应用[D]. 陈佩.陕西师范大学 2014
[8]基于改进支持向量机的短期电力负荷预测研究[D]. 盖姝.华北电力大学 2013
[9]基于BP人工神经网络的电力短期负荷预测[D]. 曲薇薇.东北石油大学 2011
[10]基于改进BP神经网络的电力负荷预测研究[D]. 方方.哈尔滨工业大学 2011
本文编号：3429644
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3429644.html
