基于RBF神经网络与粒子滤波算法的用户电力短期负荷预测及其系统实现

发布时间：2021-11-18 12:50

　　供电企业在开展电力调度、制定电力交易计划等业务时都需参考电力负荷预测结果,伴随电力交易现货市场的发展成熟,供电企业将更加重视电力负荷预测的实时性与准确性。因此,研发电力负荷预测系统是做好供电企业电力调度、营销保障、电力交易、客户服务等多个核心业务的基础。当前供电企业一般采用回归分析等经典负荷预测方法完成电力负荷预测,预测精度低,只能运用历史数据进行离线拟合,预测实时性也不高。进年来,伴随广东省电力现货市场的蓬勃发展,供电企业对负荷预测的实时性要求逐年提高。研究负荷预测新方法实现用户电力负荷的在线预测可满足供电企业各项业务开展需要,还可为参与省内电力现货市场交易提供有力的技术支持。按照上述要求,本论文主要包括以下几部分内容:1.提出了短期负荷预测的在线递推预测方法:针对静态模型无法实时更新模型参数的问题,采用基于粒子滤波及其改进算法的一种新方法,通过对系统状态量的递推估计,实现了电力负荷的在线预测,提高了预测算法的计算速度,满足实时性要求。2.提出了电力负荷的多维度输入状态模型:通过分析不同时间点影响电力负荷的因素,搭建了基于RBF神经网络的状态模型,叠加天气等外部因素的影响,提高了负荷... 

【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

用户电力负荷预测系统框架图

第 2 章 用户电力负荷预测系统及相关技术预测，它可以对大量非结构化、非精确性的电力负荷运行规律进行自适应学习如图 2.2 中 BP 神经网络，即是一种常见的人工神经网络，在电力负荷预测工中也常常被使用。BP 神经网络一般有输入输出层及隐含层组成，其中隐含层以有多个，各个隐含层中的节点数可以根据试验要求不同设置。

图 2.3 论文研究框架本论文研究基于递推预测方法的用户电力负荷预测系统，各层主要研究技术总结如下：1. 数据层研究数据输入系统的形式，初期计划采用导入 Excel 格式文件的方式读取文件；研制数据清洗方法、数据归一化处理方法，用 MATLAB 代码实现。2. 逻辑层这一层是本论文的核心工作，需研究 RBF 神经网络的状态模型，需研究基于贝叶斯滤波理论的递推预测方法，需要完成模型搭建、系统输入向量的构建，需完成粒子滤波算法及 UPF、EPF 算法的代码实现。3. 展示层

【参考文献】：
期刊论文
[1]融合日期类型的改进线性回归短期负荷预测模型[J]. 王凌谊,王志敏,钱纹,朱玥,顾洁,彭虹桥,时亚军.  广东电力. 2019(05)
[2]基于改进卡尔曼滤波算法的短期负荷预测[J]. 刘鑫,滕欢,宫毓斌,滕德云.  电测与仪表. 2019(03)
[3]电力负荷预测算法比较-随机森林与支持向量机[J]. 霍娟,孙晓伟,张明杰.  电力系统及其自动化学报. 2019(07)
[4]基于深度学习的电网短期负荷预测方法研究[J]. 吴润泽,包正睿,宋雪莹,邓伟.  现代电力. 2018(02)
[5]基于时间序列的电力系统短期负荷预测问题分析[J]. 陈冬沣,郑舟,吴永峰.  自动化应用. 2017(11)
[6]基于改进高斯过程回归模型的短期负荷区间预测[J]. 宗文婷,卫志农,孙国强,李慧杰,CHEUNG Kwok W,孙永辉.  电力系统及其自动化学报. 2017(08)
[7]基于拟蒙特卡洛滤波的改进式粒子滤波目标跟踪算法[J]. 任航.  电子测量与仪器学报. 2015(02)
[8]一种基于自适应粒子滤波的多层感知器学习算法[J]. 席燕辉,叶志成,彭辉.  中南大学学报(自然科学版). 2013(04)
[9]区间时间序列向量自回归模型在短期电力负荷预测中的应用[J]. 万昆,柳瑞禹.  电网技术. 2012(11)
[10]基于粒子滤波算法的电力系统短期负荷预测研究[J]. 李凯,刘金海,陆岩.  电力学报. 2011(06)

博士论文
[1]非线性滤波算法及在神经网络与金融市场建模中的应用[D]. 席燕辉.中南大学 2013

硕士论文
[1]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[2]基于非线性滤波优化的前馈神经网络训练方法研究[D]. 袁光耀.河南大学 2016
[3]混合量测下基于粒子滤波的电力系统动态状态估计研究[D]. 于耿曦.华北电力大学(北京) 2016



本文编号：3502929