电力系统降温负荷估算及中长期预测方法研究

发布时间：2017-09-06 15:51

  本文关键词：电力系统降温负荷估算及中长期预测方法研究

  更多相关文章： 降温负荷 气象信息 熵权理论 支持向量机 粗糙集 负荷预测

【摘要】：不断增长的空调数量,以及夏季频频出现的持续性晴热高温天气,导致空调等降温设备开启频率高、运行时间长,降温负荷持续增长。降温负荷的增长已成为夏季最大负荷屡创新高的重要原因,同时亦给电力系统日负荷特性及电网运行调度带来一定的负面影响。更为准确的年最大降温负荷估算及预测有利于提高运行人员对于电网负荷特性的把握,提高负荷预测准确度,并能为电网未来的规划提供一定的参考。本文首先根据2008~2013年广东电网及各地市的负荷数据和气象信息,从年、月、日三个时间维度,构建了省、地负荷特性分析指标体系,对广东省及地市电网负荷特性进行了分析。基于负荷特性和气象条件,采用K-MEANS算法对广东省各地市进行聚类分析。考虑到传统降温负荷估算方法存在各种不足,本文提出一种基于气象信息和熵权理论的降温负荷估算方法。该方法采用全年最大负荷日负荷曲线与不含降温负荷的基准负荷曲线对应相减后取最大值求年最大降温负荷。在计算基准负荷曲线时,以气温、相对湿度、降水量等多种气象为轴建立气象坐标系统,通过确定基准气象象限以筛选无降温负荷的基准工作日;并根据基准工作日的日最大负荷与气温、相对湿度、降水量等气象信息的相关系数,利用熵权理论确定各基准工作日负荷曲线相对基准负荷曲线的权值。最后,利用广东省及地市2009~2013负荷数据及气象数据估算广州市年最大降温负荷,结果表明本文方法较传统方法更为合理。在此基础上,本文提出一种基于信息熵和变精度粗糙集优化的不确定支持向量机方法,用于中长期降温负荷预测。该方法通过挖掘数据中的相互关系去除冗余信息,从输入属性变量集中寻找核心变量。该方法利用基于信息熵改进的变精度粗糙集对支持向量机的条件属性进行约简,得到最小决策表,并将该最小决策表中对应的变量作为支持向量机预测模型的输入属性变量,进行年最大降温负荷预测。且随着预测年份的推移,该支持向量机预测模型的输入属性变量亦将随之滚动更新,能够为电网规划与运行人员提供不同预测时期降温负荷预测需重点关注的影响因子。最后,利用广东省实际数据对广东电网“十二五”和“十三五”年最大降温负荷进行预测,结果表明,本文所提的预测方法预测效果良好,预测精度稳定,对于中长期预测过程中的各种不确定因素的影响具有较好的鲁棒性,真正实现了中长期降温负荷的动态预测。
【关键词】：降温负荷 气象信息 熵权理论 支持向量机 粗糙集 负荷预测
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM714;TM715
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-17
• 1.1 选题背景与研究意义10-11
• 1.2 降温负荷估算及预测国内外研究现状11-16
• 1.2.1 降温负荷估算方法11-14
• 1.2.2 降温负荷预测方法14-16
• 1.3 本论文主要完成工作16-17
• 第二章 电力系统多时间尺度负荷特性指标解析17-28
• 2.1 负荷特性指标17-18
• 2.1.1 日负荷特性指标17
• 2.1.2 月负荷特性指标17
• 2.1.3 年负荷特性指标17-18
• 2.2 广东电网负荷特性18-23
• 2.2.1 年负荷特性18-20
• 2.2.2 月负荷特性20-22
• 2.2.3 日负荷特性22-23
• 2.3 聚类分析23-25
• 2.4 广州市负荷特性25-27
• 2.5 本章小结27-28
• 第三章 电力系统降温负荷的估算方法及应用28-43
• 3.1 降温负荷估算方法28-36
• 3.1.1 最大负荷比较法28
• 3.1.2 基准负荷比较法28-29
• 3.1.3 基于气象信息和熵权理论的降温负荷估算方法29-35
• 3.1.4 降温负荷估算方法对比35-36
• 3.2 算例36-42
• 3.2.1 广东电网年最大降温负荷估算结果36-38
• 3.2.2 广州市年最大降温负荷估算结果38-40
• 3.2.3 其他地市降温负荷估算结果40-41
• 3.2.4 地市降温负荷的聚类41-42
• 3.3 本章小结42-43
• 第四章 电力系统中长期降温负荷预测模型及应用43-57
• 4.1 多元回归模型43-44
• 4.2 不确定支持向量机预测模型44-52
• 4.2.1 信息熵改进的变精度粗糙集约简原理45-47
• 4.2.2 支持向量机理论47-51
• 4.2.3 不确定支持向量机模型51-52
• 4.3 算例52-56
• 4.3.1 广东省电网中长期降温负荷预测52-54
• 4.3.2 地市中长期降温负荷54-56
• 4.4 本章小结56-57
• 结论57-58
• 参考文献58-60
• 攻读硕士学位期间取得的研究成果60-61
• 致谢61-62
• 答辩委员会对论文的评定意见62

【相似文献】

中国期刊全文数据库 前10条

1 逄勇;藻类浓度预测方法研究[J];人民珠江;1998年03期

2 林明;张彩庆;邱自龙;;华北电网售电量的预测方法研究[J];华北水利水电学院学报;2008年01期

3 韩亮,王卫亚,陈克鹏,冯小明;中国轿车近期市场预测方法研究[J];西安公路交通大学学报;1999年02期

4 岳雅t，

本文编号：804052