基于智能理论的综合能源系统多元负荷短期预测研究
发布时间：2022-11-12 15:55
作为能源领域的一项技术创新,综合能源系统的发展影响着人类的社会生活。综合能源系统的供能与用户各类负荷需求之间的动态平衡对于系统的供能质量至关重要,而综合能源系统多元负荷短期预测正是解决上述动态性问题的主要措施,因此其成为了综合能源系统方面的重要研究领域。为了提高多元负荷预测的精度,需要在预测之前对各负荷的特性进行分析。文中,首先通过不同的负荷指标分析了各类负荷的负荷特性,对负荷的变化规律进行了研究。其次,采用经Copula理论导出的Spearman系数,对多元负荷之间以及多元负荷与气象因素之间的非线性相关关系进行了定量分析。为了改善模型的学习和泛化能力,基于多元负荷之间以及多元负荷与天气因素之间存在的非线性耦合,文中选择能够处理非线性数据的核主成分分析法（KPCA）进行对原始数据的降维解耦,并选择广义回归神经网络（GRNN）实现对于多元负荷的短期预测。通过算例分析,可知KPCA-GRNN模型相比于PCA-GRNN模型以及GRNN模型,能够更加准确地实现多元负荷的预测。在研究分析了GRNN模型之后,针对其存在的不足,构造了一种改进广义回归神经网络（IGRNN）模型,在GRNN的基础上,对...
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 综合能源系统发展现状
1.2.2 负荷特性分析研究现状
1.2.3 短期负荷预测模型研究现状
1.3 论文主要内容与结构安排
第二章 综合能源系统负荷特性及多元负荷相关性分析
2.1 负荷特性分析
2.1.1 日负荷特性分析
2.1.2 月负荷特性分析
2.1.3 年负荷特性分析
2.1.4 周负荷特性分析
2.2 基于Copula理论的多元负荷相关性分析
2.2.1 Copula理论
2.2.2 相关性度量指标
2.2.3 基于Copula理论的相关性分析
2.2.4 多元负荷相关性分析
2.3 小结
第三章 基于KPCA-GRNN的多元负荷短期预测模型
3.1 主成分分析(PCA)
3.1.1 PCA数学原理
3.1.2 PCA计算步骤
3.2 核主成分分析(KPCA)
3.2.1 KPCA数学原理
3.2.2 KPCA计算步骤
3.3 KPCA-GRNN模型
3.3.1 广义回归神经网络(GRNN)数学原理
3.3.2 KPCA-GRNN模型
3.4 算例分析
3.5 小结
第四章 基于KPCA-IBA-IGRNN的多元负荷短期预测模型
4.1 IGRNN模型
4.1.1 传统GRNN模型缺陷
4.1.2 GRNN改进方法
4.1.3 多带宽设置
4.2 蝙蝠算法
4.2.1 蝙蝠的生物特性
4.2.2 蝙蝠算法基本原理
4.2.3 蝙蝠算法数学模型
4.2.4 蝙蝠算法实现流程
4.3 改进蝙蝠算法
4.3.1 蝙蝠算法缺陷
4.3.2 惯性权重因子和学习因子
4.3.3 方向约束机制
4.4 算例分析
4.5 小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读学位期间的研究成果
致谢
【参考文献】：
期刊论文
[1]基于机会约束的多能源枢纽电气互联综合能源系统日前经济调度[J]. 周晟锐,刘继春,张浩禹,文杰,张林,冯麒铭. 现代电力. 2020(02)
[2]长江流域居住建筑不同供暖模式下的负荷特性分析[J]. 缪玉玲,丁勇,谢源源. 暖通空调. 2020(01)
[3]基于GA-GRNN-GA的飞机发动机风扇叶片清洗参数优化[J]. 董慧芬,代玉行,王渗. 计算机应用与软件. 2020(01)
[4]考虑区域综合能源系统拓扑特性的能源站和管线规划[J]. 徐成司,董树锋,吴金城,韩荣杰,寿挺,李建斌. 电力系统自动化. 2020(03)
[5]基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法[J]. 徐晶,迟福建,葛磊蛟,李娟,张梁,羡一鸣. 电力系统及其自动化学报. 2020(02)
[6]考虑分布式风电接入下的区域综合能源系统多元储能双层优化配置研究[J]. 贾云辉,张峰. 可再生能源. 2019(10)
[7]基于智能相似日识别及偏差校正的短期负荷预测方法[J]. 刘翊枫,周国鹏,刘昕,汪洋,郑宇鹏,邵立政. 电力系统保护与控制. 2019(12)
[8]基于一种组合模型的短期电力负荷预测[J]. 王瑞,周晨曦,逯静. 计算机仿真. 2018(12)
[9]基于时间序列嵌入的电力负荷预测方法[J]. 田英杰,苏运,郭乃网,姚博,庞悦,周向东. 计算机应用与软件. 2018(11)
[10]基于时间序列分析和卡尔曼滤波算法的电力系统短期负荷预测[J]. 石文清,吴开宇,王东旭,王迪. 自动化技术与应用. 2018(09)
博士论文
[1]并网型光伏电站发电功率预测方法与系统[D]. 王飞.华北电力大学 2013
硕士论文
[1]基于改进脊波神经网络的电力系统短期负荷预测研究[D]. 岳远波.青岛大学 2019
[2]基于PCA-BA-GRNN模型的公共自行车需求预测[D]. 张山山.兰州大学 2018
[3]基于回归分析的短期负荷概率密度预测方法研究[D]. 蒙园.华北电力大学(北京) 2018
[4]电力负荷季节特性分析及需求响应动态电价策略研究[D]. 刘红.华北电力大学(北京) 2018
[5]基于核主成分分析和径向基神经网络的文本分类研究[D]. 杨俊.中国科学技术大学 2009
[6]电力负荷特性分析及中长期负荷预测方法研究[D]. 原媛.上海交通大学 2008
本文编号：3706654
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.2.1 综合能源系统发展现状
1.2.2 负荷特性分析研究现状
1.2.3 短期负荷预测模型研究现状
1.3 论文主要内容与结构安排
第二章 综合能源系统负荷特性及多元负荷相关性分析
2.1 负荷特性分析
2.1.1 日负荷特性分析
2.1.2 月负荷特性分析
2.1.3 年负荷特性分析
2.1.4 周负荷特性分析
2.2 基于Copula理论的多元负荷相关性分析
2.2.1 Copula理论
2.2.2 相关性度量指标
2.2.3 基于Copula理论的相关性分析
2.2.4 多元负荷相关性分析
2.3 小结
第三章 基于KPCA-GRNN的多元负荷短期预测模型
3.1 主成分分析(PCA)
3.1.1 PCA数学原理
3.1.2 PCA计算步骤
3.2 核主成分分析(KPCA)
3.2.1 KPCA数学原理
3.2.2 KPCA计算步骤
3.3 KPCA-GRNN模型
3.3.1 广义回归神经网络(GRNN)数学原理
3.3.2 KPCA-GRNN模型
3.4 算例分析
3.5 小结
第四章 基于KPCA-IBA-IGRNN的多元负荷短期预测模型
4.1 IGRNN模型
4.1.1 传统GRNN模型缺陷
4.1.2 GRNN改进方法
4.1.3 多带宽设置
4.2 蝙蝠算法
4.2.1 蝙蝠的生物特性
4.2.2 蝙蝠算法基本原理
4.2.3 蝙蝠算法数学模型
4.2.4 蝙蝠算法实现流程
4.3 改进蝙蝠算法
4.3.1 蝙蝠算法缺陷
4.3.2 惯性权重因子和学习因子
4.3.3 方向约束机制
4.4 算例分析
4.5 小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
攻读学位期间的研究成果
致谢
【参考文献】：
期刊论文
[1]基于机会约束的多能源枢纽电气互联综合能源系统日前经济调度[J]. 周晟锐,刘继春,张浩禹,文杰,张林,冯麒铭. 现代电力. 2020(02)
[2]长江流域居住建筑不同供暖模式下的负荷特性分析[J]. 缪玉玲,丁勇,谢源源. 暖通空调. 2020(01)
[3]基于GA-GRNN-GA的飞机发动机风扇叶片清洗参数优化[J]. 董慧芬,代玉行,王渗. 计算机应用与软件. 2020(01)
[4]考虑区域综合能源系统拓扑特性的能源站和管线规划[J]. 徐成司,董树锋,吴金城,韩荣杰,寿挺,李建斌. 电力系统自动化. 2020(03)
[5]基于SARIMA-GRNN-SVM的短期商业电力负荷组合预测方法[J]. 徐晶,迟福建,葛磊蛟,李娟,张梁,羡一鸣. 电力系统及其自动化学报. 2020(02)
[6]考虑分布式风电接入下的区域综合能源系统多元储能双层优化配置研究[J]. 贾云辉,张峰. 可再生能源. 2019(10)
[7]基于智能相似日识别及偏差校正的短期负荷预测方法[J]. 刘翊枫,周国鹏,刘昕,汪洋,郑宇鹏,邵立政. 电力系统保护与控制. 2019(12)
[8]基于一种组合模型的短期电力负荷预测[J]. 王瑞,周晨曦,逯静. 计算机仿真. 2018(12)
[9]基于时间序列嵌入的电力负荷预测方法[J]. 田英杰,苏运,郭乃网,姚博,庞悦,周向东. 计算机应用与软件. 2018(11)
[10]基于时间序列分析和卡尔曼滤波算法的电力系统短期负荷预测[J]. 石文清,吴开宇,王东旭,王迪. 自动化技术与应用. 2018(09)
博士论文
[1]并网型光伏电站发电功率预测方法与系统[D]. 王飞.华北电力大学 2013
硕士论文
[1]基于改进脊波神经网络的电力系统短期负荷预测研究[D]. 岳远波.青岛大学 2019
[2]基于PCA-BA-GRNN模型的公共自行车需求预测[D]. 张山山.兰州大学 2018
[3]基于回归分析的短期负荷概率密度预测方法研究[D]. 蒙园.华北电力大学(北京) 2018
[4]电力负荷季节特性分析及需求响应动态电价策略研究[D]. 刘红.华北电力大学(北京) 2018
[5]基于核主成分分析和径向基神经网络的文本分类研究[D]. 杨俊.中国科学技术大学 2009
[6]电力负荷特性分析及中长期负荷预测方法研究[D]. 原媛.上海交通大学 2008
本文编号：3706654
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3706654.html
