智能配电网环境下的短期负荷预测研究

发布时间：2020-03-23 18:28

【摘要】：准确的短期预测是电力系统运行规划的基础,是制定机组启停计划、经济调度计划和检修计划的重要依据。随着可再生能源大量接入传统配电网,可能会引起系统波动,使传统电网的运行控制越来越困难。同时,还会引起对电力数据采集维度和频率大幅度提升,导致电力负荷数据的大量累积,若要按传统负荷预测方法找出历史数据与影响因素之间具体表达式,就显得非常困难,所以使得传统预测方法逐步向智能化发展。本文针对可再生能源大量接入传统配电网,引起系统波动和负荷预测困难的问题,进行了详细的论述。在智能配电网大环境中,分别采用了最小二乘支持向量机、混沌优化粒子群最小二乘支持向量机和人工鱼群优化粒子群最小二乘支持向量机的预测方法进行短期负荷预测,实验表明,人工鱼群优化粒子群最小二乘支持向量机的短期负荷预测算法具有较高的预测精度。本文主要工作如下:(1)对历史负荷数据中异常数据进行辨识和预处理;为了便于计算,对影响负荷的各项因素做了归一化处理;介绍了最小二乘支持向量机的短期负荷预测模型。(2)由于最小二乘支持向量机模型中的参数是凭经验选择的,缺乏理论依据且存在较大的盲目性,因此本文首先建立了粒子群优化最小二乘支持向量机的短期负荷预测模型。但在实际应用中,粒子群算法在参数寻优的过程中,容易计算出局部极值,即出现早熟现象,导致预测精度不准确。所以本文针对这一现象,提出了混沌优化粒子群最小二乘支持向量机的方法进行短期负荷预测,并建立了相应的预测模型。(3)通过对实验和理论知识的进一步研究,发现理论上混沌优化算法与初始值大小的选择无关。所以,本文利用人工鱼群算法对初值要求低的特性,建立了人工鱼群优化粒子群最小二乘支持向量机的短期负荷预测模型。最后将三种预测模型用在西北某省的电力系统网络实验中,表明人工鱼群优化粒子群最小二乘支持向量机的短期负荷预测模型的预测精度更高。
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM715

【参考文献】

相关期刊论文 前10条

1 HAO Xuejun;AN Xaioran;WU Bo;HE Shaoping;;Application of a Support Vector Machine Algorithm to the Safety Precaution Technique of Medium-low Pressure Gas Regulators[J];Journal of Thermal Science;2018年01期

2 战非;张少茹;;适应云计算的混沌布谷鸟算法应用优化研究[J];控制工程;2017年07期

3 张楷楷;燕萍;;时间序列以及卡尔曼滤波在电力系统短期负荷预测中的应用[J];电气开关;2016年02期

4 吴文江;陈其工;高文根;;基于PSO优化参数的最小二乘支持向量机短期负荷预测[J];重庆理工大学学报(自然科学);2016年03期

5 张超;任国臣;牛艺桥;蒋蕾;贾书文;;基于时间序列法超短期负荷预测改进方法的研究[J];辽宁工业大学学报(自然科学版);2015年05期

6 李龙;魏靖;黎灿兵;曹一家;宋军英;方八零;;基于人工神经网络的负荷模型预测[J];电工技术学报;2015年08期

7 辛耀中;石俊杰;周京阳;高宗和;陶洪铸;尚学伟;翟明玉;郭建成;杨胜春;南贵林;刘金波;;智能电网调度控制系统现状与技术展望[J];电力系统自动化;2015年01期

8 赵腾;张焰;张东霞;;智能配电网大数据应用技术与前景分析[J];电网技术;2014年12期

9 滕雪莉;;智能计算的配电网负荷预测方法研究[J];黑龙江科技信息;2013年36期

10 张东霞;姚良忠;马文媛;;中外智能电网发展战略[J];中国电机工程学报;2013年31期

相关博士学位论文 前2条

1 谭益;考虑新能源发电不确定性的智能配电网优化调度研究[D];湖南大学;2014年

2 李丹;粒子群优化算法及其应用研究[D];东北大学;2007年

相关硕士学位论文 前10条

1 陈宇杰;基于BP神经网络的区域配电网中期电力负荷预测[D];吉林大学;2017年

2 贾辛淼;基于小波分析的电力系统短期负荷预测的应用研究[D];沈阳工业大学;2016年

3 董聪;智能配电网馈线负荷预测系统研究[D];哈尔滨工业大学;2014年

4 龚文龙;基于最小二乘支持向量机的短期负荷预测[D];湖南大学;2014年

5 蔡婷;基于人工鱼群的LS-SVM在短期负荷预测中的应用[D];广西大学;2014年

6 李林容;智能配电网的短期负荷预测研究[D];兰州理工大学;2012年

7 姚道香;我国智能电网建设中的政府作用研究[D];广西大学;2012年

8 冷北雪;基于支持向量机的电力系统短期负荷预测[D];西南交通大学;2010年

9 霍明;短期负荷预测的支持向量机模型参数优化方法研究[D];湖南大学;2009年

10 胡行华;混沌优化算法的研究及应用[D];辽宁工程技术大学;2008年

，

本文编号：2597097