基于改进模糊聚类算法的短期负荷预测研究
发布时间：2022-10-15 11:51
电力系统短期负荷预测是电力调度中的重要内容。准确快速地完成短期负荷预测能够让电力系统经济平隐地运行。因此,如何提高电力系统中的短期负荷预测精度一直是国内外学者研究的重点。传统的短期负荷预测多是对多用户的负荷总体进行预测,但负荷变化与各用户用电特性关系密切,对负荷总体进行预测会损失用户用电行为信息,造成预测准确率下降,此时传统的预测方法不再适用。因此,本文给出一种基于改进模糊聚类算法的短期负荷预测方法。首先应用FCM算法对用户负荷总体进行聚类。传统的FCM算法需要预先知道聚类数目,并且对聚类中心初始值较为依赖。因此本文通过Calinsli-Harabasz指标获取最佳聚类数目,引入磁优化算法寻优获得聚类中心初始值,解决了 FCM算法稳定性差的问题。进一步利用差分进化算法和全局记忆性提高了磁优化算法寻优的稳定性和快速性。然后,在确定聚类数目和聚类中心初始值的FCM算法下进行负荷曲线聚类,获得负荷特性相近的用户群体。以聚类获得的若干负荷变化相近的用户群体为基础,利用GRU网络进行短期负荷预测。针对每个用户群体,采用GRU作为元模型,分别建立GRU短期负荷预测模型,最后将各用户群体的负荷预测值...
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究的背景及意义
1.2 研究现状
1.2.1 负荷聚类分析研究现状
1.2.2 短期负荷预测研究现状
1.3 主要工作和内容安排
第2章 负荷特性分析与负荷预测相关理论基础
2.1 聚类算法
2.1.1 聚类分析方法
2.1.2 模糊C均值聚类算法
2.1.3 聚类算法评价指标
2.2 神经网络
2.2.1 循环神经网络
2.2.2 长短期记忆网络(LSTM)
2.2.3 门控循环单元网络(GRU)
2.3 负荷预测
2.3.1 电力负荷预测的影响因素
2.3.2 负荷数据预处理
2.3.3 预测性能分析
2.4 本章小结
第3章 基于改进FCM算法的用户聚类分析
3.1 磁优化算法(MOA)
3.1.1 磁优化算法简介
3.1.2 改进磁优化算法(MOA)
3.2 基于改进磁优化算法的FCM算法(MOA FCM)
3.2.1 IMOA FCM算法的实现
3.3 实例分析
3.3.1 数据预处理及参数选择
3.3.2 最佳聚类数的获取
3.3.3 聚类结果及评价
3.4 本章小结
第4章 基于GRU网络的短期负荷预测
4.1 基于GRU的预测模型设计和编码
4.1.1 影响因素的归一化与量化处理
4.1.2 预测模型结构
4.2 负荷实例预测与分析
4.2.1 模型搭建环境介绍
4.2.2 GRU模型参数设置
4.2.3 测试结果与分析
4.3 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于门控循环单元网络与模型融合的负荷聚合体预测方法[J]. 陈海文,王守相,王绍敏,王丹. 电力系统自动化. 2019(01)
[2]基于长短期记忆的实时电价条件下智能电网短期负荷预测[J]. 李鹏,何帅,韩鹏飞,郑苗苗,黄敏,孙健. 电网技术. 2018(12)
[3]用于储能容量配置的典型负荷曲线提取方法[J]. 修晓青,唐巍,马健. 太阳能学报. 2018(08)
[4]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
[5]基于改进模糊C均值聚类算法的云计算入侵检测方法[J]. 刘绪崇,陆绍飞,赵薇,张悦. 中南大学学报(自然科学版). 2016(07)
[6]面向海量用户用电特性感知的分布式聚类算法[J]. 朱文俊,王毅,罗敏,林国营,程将南,康重庆. 电力系统自动化. 2016(12)
[7]基于特性指标降维的日负荷曲线聚类分析[J]. 刘思,李林芝,吴浩,孙维真,傅旭华,叶承晋,黄民翔. 电网技术. 2016(03)
[8]结合降维技术的电力负荷曲线集成聚类算法[J]. 张斌,庄池杰,胡军,陈水明,张明明,王科,曾嵘. 中国电机工程学报. 2015(15)
[9]基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 吴潇雨,和敬涵,张沛,胡骏. 电力系统自动化. 2015(12)
[10]基于核特征模糊聚类及模糊关联熵的齿轮故障模式识别[J]. 李怀俊,谢小鹏. 仪器仪表学报. 2015(04)
博士论文
[1]短期电力负荷预测关键问题与方法的研究[D]. 卢芸.沈阳工业大学 2007
硕士论文
[1]智能电网中居民用户聚类与短期负荷预测研究[D]. 吴孟林.重庆邮电大学 2019
[2]基于深度学习的短期电量预测方法研究[D]. 郭海波.北京邮电大学 2019
[3]自适应动态规划在电力系统负荷预测中的应用研究[D]. 曾志明.广西大学 2013
本文编号：3691256
【文章页数】：58 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究的背景及意义
1.2 研究现状
1.2.1 负荷聚类分析研究现状
1.2.2 短期负荷预测研究现状
1.3 主要工作和内容安排
第2章 负荷特性分析与负荷预测相关理论基础
2.1 聚类算法
2.1.1 聚类分析方法
2.1.2 模糊C均值聚类算法
2.1.3 聚类算法评价指标
2.2 神经网络
2.2.1 循环神经网络
2.2.2 长短期记忆网络(LSTM)
2.2.3 门控循环单元网络(GRU)
2.3 负荷预测
2.3.1 电力负荷预测的影响因素
2.3.2 负荷数据预处理
2.3.3 预测性能分析
2.4 本章小结
第3章 基于改进FCM算法的用户聚类分析
3.1 磁优化算法(MOA)
3.1.1 磁优化算法简介
3.1.2 改进磁优化算法(MOA)
3.2 基于改进磁优化算法的FCM算法(MOA FCM)
3.2.1 IMOA FCM算法的实现
3.3 实例分析
3.3.1 数据预处理及参数选择
3.3.2 最佳聚类数的获取
3.3.3 聚类结果及评价
3.4 本章小结
第4章 基于GRU网络的短期负荷预测
4.1 基于GRU的预测模型设计和编码
4.1.1 影响因素的归一化与量化处理
4.1.2 预测模型结构
4.2 负荷实例预测与分析
4.2.1 模型搭建环境介绍
4.2.2 GRU模型参数设置
4.2.3 测试结果与分析
4.3 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于门控循环单元网络与模型融合的负荷聚合体预测方法[J]. 陈海文,王守相,王绍敏,王丹. 电力系统自动化. 2019(01)
[2]基于长短期记忆的实时电价条件下智能电网短期负荷预测[J]. 李鹏,何帅,韩鹏飞,郑苗苗,黄敏,孙健. 电网技术. 2018(12)
[3]用于储能容量配置的典型负荷曲线提取方法[J]. 修晓青,唐巍,马健. 太阳能学报. 2018(08)
[4]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
[5]基于改进模糊C均值聚类算法的云计算入侵检测方法[J]. 刘绪崇,陆绍飞,赵薇,张悦. 中南大学学报(自然科学版). 2016(07)
[6]面向海量用户用电特性感知的分布式聚类算法[J]. 朱文俊,王毅,罗敏,林国营,程将南,康重庆. 电力系统自动化. 2016(12)
[7]基于特性指标降维的日负荷曲线聚类分析[J]. 刘思,李林芝,吴浩,孙维真,傅旭华,叶承晋,黄民翔. 电网技术. 2016(03)
[8]结合降维技术的电力负荷曲线集成聚类算法[J]. 张斌,庄池杰,胡军,陈水明,张明明,王科,曾嵘. 中国电机工程学报. 2015(15)
[9]基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 吴潇雨,和敬涵,张沛,胡骏. 电力系统自动化. 2015(12)
[10]基于核特征模糊聚类及模糊关联熵的齿轮故障模式识别[J]. 李怀俊,谢小鹏. 仪器仪表学报. 2015(04)
博士论文
[1]短期电力负荷预测关键问题与方法的研究[D]. 卢芸.沈阳工业大学 2007
硕士论文
[1]智能电网中居民用户聚类与短期负荷预测研究[D]. 吴孟林.重庆邮电大学 2019
[2]基于深度学习的短期电量预测方法研究[D]. 郭海波.北京邮电大学 2019
[3]自适应动态规划在电力系统负荷预测中的应用研究[D]. 曾志明.广西大学 2013
本文编号：3691256
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3691256.html
