神经网络预测方法及其在光伏微网优化运行中的研究
发布时间：2021-11-03 10:57
微电网可以有效解决大量分布式发电并网的问题,实现对分布式能源的最大化利用,保证负荷的供电可靠性和电网运行的经济性,因此保障微电网的优化运行就显得极其重要。本文以光伏微网为研究对象,对微网中用户侧负荷预测、光伏逆变器的控制和储能蓄电池SOC预测展开了研究。本文的主要研究工作如下:本文首先分析了课题的研究背景及意义,介绍了光伏微网的基本概念及其优化运行的研究现状,最后列举了一些光伏微网的关键技术,分别对负荷预测技术、光伏逆变器电流控制技术和储能蓄电池SOC预测技术的研究现状进行了综述。其次针对配电网络中大量分布式电源的接入增加了用户用电模式复杂度问题,提出了基于人体舒适度指数的改进Elman神经网络短期居民负荷预测方法。对居民负荷的特性和影响因素进行了详尽的分析,引入了人体舒适度指数,研究了 Elman神经网络的结构,改进了 Elman神经网络隐藏层的激活函数。在不同负荷类型情况下,该方法均提高了居民负荷的预测精度。然后在分析NPC三电平逆变器基本工作原理的基础上,提出了一种NPC并网逆变器的RBF神经网络多步预测电流控制策略。对传统逆变器电流控制策略进行了分析,在传统模型预测控制方法的基...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图２．１?Ｅｌｍａｎ神经网络的结构??由Ｅｌｍａｎ神经网络的结构图可知，承接层第Ｚ个单元々时刻的输出为：??
］４〇?？??实际负荷???Ｅｌｍａｎ??Ｅｌｍａｎ??１２０??ＲＢＦ?１２０?．…ＲＢＦ??＾?改进?Ｅｌｍａｎ?、?改进?Ｅｌｍａｎ??＞?１００??１?－?＞?１００????？?？??搭?８０＿?？?？铤?８０?＾??丨丨??〇??＇?＇?＇?＇??０?１?１?１?１???０?５?１０?１５?２０?２５?０?５?１０?１５?２０?２５??时间／ｈ?时间／ｈ??（Ｃ）?（ｄ）??图２．４四个季节天气的负荷预测结果：（ａ）春季；（ｂ）夏季；（ｃ）秋季；（ｄ）冬季??图２．４为春夏秋冬四季中的一组负荷预测结果对比分析图，由图可以看出，??由于在夏季用电行为不确定性较大，导致在负荷波峰时段的预测精度有所下降。??表２．２是３种方法对四个季节的负荷分别进行预测时的误差，表中误差均为３０??次实验的平均值。在考虑温度、湿度、风速影响的情况下，改进Ｅｌｍａｎ神经网络??预测方法可以描述出影响因子和负荷之间的非线性关系，相应的四个季节的预??测误差都比ＲＢＦ神经网络和Ｅｌｍａｎ神经网络预测方法的小，在一定程度上可以??提高居民负荷预测的精度。??表２．２四个季节的负荷预测误差??ＭＡＰＥ／％??季节?ＲＢＦ?Ｅｌｍａｎ?改进?Ｅｌｍａｎ??１００１?８３４?６＾５９??夏季?１０．７９?９．８７?８．２２??秋季?８．９５?８．５１?６：１０??冬季?９．２５?９．０４?７．７８??１６??
?ｏ?１?＇?＇?＇???０?５?１０?１５?２０?２５?０?５?１０?１５?２０?２５??时间／ｈ?时间／ｈ??（ａ）?（ｂ）??１６０?■?■?■?■???１４〇???实际负荷???Ｅｌｍａｎ??１２０?…．■…ＲＢＦ??改进?Ｅｌｍａｎ??Ｉ?１００?■１??．?？??疟?８０．?Ａｉｋ??０??１?１?１?１???０?５?１０?１５?２０?２５??时间／ｈ??（Ｃ）??图２．５不同天气类型的负荷预测结果：（ａ）连续晴天；（ｂ）连续雨天；（ｃ）连续阴天??表２．３不同天气类型的负荷预测误差??ＭＡＰＥ／％??气候类型?ＲＢＦ?Ｅｌｍａｎ?改进Ｅｌｍａｎ??连续晴天?￣?１０６４?７＾５９??连续雨天?１６．３０?１３．９２?１１．２４??连续阴天?１１．６１?１１．３８?９．２８??由图２．５可以看出，Ｅｌｍａｎ神经网络与ＲＢＦ神经网络的预测结果与实际输??出存在一定的误差，曲线拟合度较低。改进Ｅｌｍａｎ神经网络的预测结果基本符??１７??
【参考文献】：
期刊论文
[1]面向微电网源–储–荷互动的分布式多目标优化算法研究[J]. 王侨侨,曾君,刘俊峰,陈剑龙,王振刚. 中国电机工程学报. 2020(05)
[2]基于一致性算法的户用光伏逆变器和储能分布式控制策略[J]. 张博,唐巍,蔡永翔,王照琪,李天锐,张涵. 电力系统自动化. 2020(02)
[3]估算锂电池SOC的基于LM的BP神经网络算法[J]. 姚芳,张楠,黄凯. 电源技术. 2019(09)
[4]计及电热混合储能的多源微网自治优化运行模型[J]. 滕云,孙鹏,罗桓桓,陈哲. 中国电机工程学报. 2019(18)
[5]含冰蓄冷装置的冷电联供型微网经济优化运行[J]. 施泉生,晏伟,任洪波,丁建勇. 电源学报. 2019(06)
[6]基于内阻法修正的蓄电池卡尔曼滤波SOC估算[J]. 司伟,冯长江,黄天辰. 计算机测量与控制. 2018(12)
[7]基于改进非线性下垂控制的微电网并/离网切换技术研究[J]. 王树东,杜巍,王焕宇,林莉,陈维铅. 电测与仪表. 2018(16)
[8]计及需求响应的主动配电网短期负荷预测[J]. 苏小林,刘孝杰,阎晓霞,王穆青,韩学楠. 电力系统自动化. 2018(10)
[9]基于深度信念网络的短期负荷预测方法[J]. 孔祥玉,郑锋,鄂志君,曹旌,王鑫. 电力系统自动化. 2018(05)
[10]基于BP神经网络的微电网蓄电池荷电状态估计[J]. 朱晓青,马定寰,李圣清,吴文凤,明瑶,张煜文. 电子测量与仪器学报. 2017(12)
博士论文
[1]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[2]中国新能源发展研究[D]. 张海龙.吉林大学 2014
硕士论文
[1]微电网中三电平并网逆变器故障诊断研究[D]. 裴石磊.南昌大学 2019
[2]基于虚拟同步发电机的微网逆变器控制策略研究[D]. 詹子录.南昌大学 2019
[3]基于改进型神经网络动力电池SOC估计研究[D]. 杨云龙.电子科技大学 2019
[4]光伏微电网发电预测与经济运行研究[D]. 张程熠.浙江大学 2017
[5]基于自适应遗传算法的多目标优化研究[D]. 顾鹏程.南京航空航天大学 2016
[6]基于改进型模糊神经网络的蓄电池SOC检测方法研究与实现[D]. 祁建佳.电子科技大学 2015
[7]分布式发电并网的综合评价研究[D]. 李钰龙.华北电力大学 2015
[8]基于混沌时间序列的短期负荷预测研究[D]. 郭杰昊.上海交通大学 2015
[9]基于Elman神经网络的短期负荷预测[D]. 刘荣.浙江大学 2013
本文编号：3473559
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图２．１?Ｅｌｍａｎ神经网络的结构??由Ｅｌｍａｎ神经网络的结构图可知，承接层第Ｚ个单元々时刻的输出为：??
］４〇?？??实际负荷???Ｅｌｍａｎ??Ｅｌｍａｎ??１２０??ＲＢＦ?１２０?．…ＲＢＦ??＾?改进?Ｅｌｍａｎ?、?改进?Ｅｌｍａｎ??＞?１００??１?－?＞?１００????？?？??搭?８０＿?？?？铤?８０?＾??丨丨??〇??＇?＇?＇?＇??０?１?１?１?１???０?５?１０?１５?２０?２５?０?５?１０?１５?２０?２５??时间／ｈ?时间／ｈ??（Ｃ）?（ｄ）??图２．４四个季节天气的负荷预测结果：（ａ）春季；（ｂ）夏季；（ｃ）秋季；（ｄ）冬季??图２．４为春夏秋冬四季中的一组负荷预测结果对比分析图，由图可以看出，??由于在夏季用电行为不确定性较大，导致在负荷波峰时段的预测精度有所下降。??表２．２是３种方法对四个季节的负荷分别进行预测时的误差，表中误差均为３０??次实验的平均值。在考虑温度、湿度、风速影响的情况下，改进Ｅｌｍａｎ神经网络??预测方法可以描述出影响因子和负荷之间的非线性关系，相应的四个季节的预??测误差都比ＲＢＦ神经网络和Ｅｌｍａｎ神经网络预测方法的小，在一定程度上可以??提高居民负荷预测的精度。??表２．２四个季节的负荷预测误差??ＭＡＰＥ／％??季节?ＲＢＦ?Ｅｌｍａｎ?改进?Ｅｌｍａｎ??１００１?８３４?６＾５９??夏季?１０．７９?９．８７?８．２２??秋季?８．９５?８．５１?６：１０??冬季?９．２５?９．０４?７．７８??１６??
?ｏ?１?＇?＇?＇???０?５?１０?１５?２０?２５?０?５?１０?１５?２０?２５??时间／ｈ?时间／ｈ??（ａ）?（ｂ）??１６０?■?■?■?■???１４〇???实际负荷???Ｅｌｍａｎ??１２０?…．■…ＲＢＦ??改进?Ｅｌｍａｎ??Ｉ?１００?■１??．?？??疟?８０．?Ａｉｋ??０??１?１?１?１???０?５?１０?１５?２０?２５??时间／ｈ??（Ｃ）??图２．５不同天气类型的负荷预测结果：（ａ）连续晴天；（ｂ）连续雨天；（ｃ）连续阴天??表２．３不同天气类型的负荷预测误差??ＭＡＰＥ／％??气候类型?ＲＢＦ?Ｅｌｍａｎ?改进Ｅｌｍａｎ??连续晴天?￣?１０６４?７＾５９??连续雨天?１６．３０?１３．９２?１１．２４??连续阴天?１１．６１?１１．３８?９．２８??由图２．５可以看出，Ｅｌｍａｎ神经网络与ＲＢＦ神经网络的预测结果与实际输??出存在一定的误差，曲线拟合度较低。改进Ｅｌｍａｎ神经网络的预测结果基本符??１７??
【参考文献】：
期刊论文
[1]面向微电网源–储–荷互动的分布式多目标优化算法研究[J]. 王侨侨,曾君,刘俊峰,陈剑龙,王振刚. 中国电机工程学报. 2020(05)
[2]基于一致性算法的户用光伏逆变器和储能分布式控制策略[J]. 张博,唐巍,蔡永翔,王照琪,李天锐,张涵. 电力系统自动化. 2020(02)
[3]估算锂电池SOC的基于LM的BP神经网络算法[J]. 姚芳,张楠,黄凯. 电源技术. 2019(09)
[4]计及电热混合储能的多源微网自治优化运行模型[J]. 滕云,孙鹏,罗桓桓,陈哲. 中国电机工程学报. 2019(18)
[5]含冰蓄冷装置的冷电联供型微网经济优化运行[J]. 施泉生,晏伟,任洪波,丁建勇. 电源学报. 2019(06)
[6]基于内阻法修正的蓄电池卡尔曼滤波SOC估算[J]. 司伟,冯长江,黄天辰. 计算机测量与控制. 2018(12)
[7]基于改进非线性下垂控制的微电网并/离网切换技术研究[J]. 王树东,杜巍,王焕宇,林莉,陈维铅. 电测与仪表. 2018(16)
[8]计及需求响应的主动配电网短期负荷预测[J]. 苏小林,刘孝杰,阎晓霞,王穆青,韩学楠. 电力系统自动化. 2018(10)
[9]基于深度信念网络的短期负荷预测方法[J]. 孔祥玉,郑锋,鄂志君,曹旌,王鑫. 电力系统自动化. 2018(05)
[10]基于BP神经网络的微电网蓄电池荷电状态估计[J]. 朱晓青,马定寰,李圣清,吴文凤,明瑶,张煜文. 电子测量与仪器学报. 2017(12)
博士论文
[1]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[2]中国新能源发展研究[D]. 张海龙.吉林大学 2014
硕士论文
[1]微电网中三电平并网逆变器故障诊断研究[D]. 裴石磊.南昌大学 2019
[2]基于虚拟同步发电机的微网逆变器控制策略研究[D]. 詹子录.南昌大学 2019
[3]基于改进型神经网络动力电池SOC估计研究[D]. 杨云龙.电子科技大学 2019
[4]光伏微电网发电预测与经济运行研究[D]. 张程熠.浙江大学 2017
[5]基于自适应遗传算法的多目标优化研究[D]. 顾鹏程.南京航空航天大学 2016
[6]基于改进型模糊神经网络的蓄电池SOC检测方法研究与实现[D]. 祁建佳.电子科技大学 2015
[7]分布式发电并网的综合评价研究[D]. 李钰龙.华北电力大学 2015
[8]基于混沌时间序列的短期负荷预测研究[D]. 郭杰昊.上海交通大学 2015
[9]基于Elman神经网络的短期负荷预测[D]. 刘荣.浙江大学 2013
本文编号：3473559
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3473559.html
