基于模糊膜聚类的短期负荷预测和光伏发电预测

发布时间：2020-04-18 19:50

【摘要】：电力负荷预测是能源管理系统的重要模块,旨在为电力系统提供一个安全可靠的自动化管理平台,短期负荷预测的准确性对于电力系统的运行管理、电力生产和购买计划、可靠性和安全性分析以及系统维护计划等关键决策的制定有很大影响。因此,提高短期负荷预测的准确水平,不仅可以提高进度计划的管理效率,而且可以显著降低运营成本。随着太阳能普及率的不断提高,太阳能发电的波动性和不确定性给电网管理带来了困难。因此为了保证大电网稳定、实现光伏发电机组的最优投入和电力系统的经济调度,并降低光伏发电成本和发电量的不确定性,精确的太阳能发电预测是非常有必要的。膜计算作为一种新型的自然计算方法,具有处理不同数据的各种膜系统结构。本文将利用组织型膜系统的计算结构和规则,结合模糊聚类对电力负荷和光伏发电的历史数据进行预处理。具体工作如下:针对极限学习机的输出随机性,稳定性和泛化能力较差的缺点,本文结合粒子群算法及隐含层神经元个数遍历法对传统极限学习机进行了改进。在改进极限学习机的基础上,本文提出了一种基于模糊膜聚类的改进极限学习机的预测方法,极大地提高了短期负荷预测和光伏发电预测的准确性和稳定性。本文结合电力负荷的特点,首先深入地分析了负荷的自身特性以及气温、时间等因素对于短期负荷变化的影响;其次运用模糊膜聚类算法选取负荷预测日的输入样本,提高输入样本有效性;最后运用经过粒子群算法和隐含层神经元个数遍历法改进过的极限学习机进行预测,运用不同方法对两个地区同一季节的负荷和同一地区不同季节的负荷进行仿真,实验结果表明模糊膜聚类算法与改进极限学习机的组合预测模型具有较高的精度,提高了电力系统短期负荷预测的准确性。为了提高光伏发电输出功率的预测精度,本文首先对影响光伏发电出力的影响因子作相关性分析,选取相关系数较大的影响因子作为光伏发电预测的输入样本;其次,利用模糊膜聚类算法对历史光电输出功率样本及其影响因素进行分析并选取各种类型的典型日;然后,利用预测日所属类别的历史数据和预测日的气象数据,分别运用BP神经网络,极限学习机,改进极限学习机和基于模糊膜聚类的改进极限学习机四种方法对某光伏发电系统进行预测,通过对比分析验证了本文所提预测方法的有效性。
【图文】：

图 1.1 生物计算模型Fig.1.1 Biocomputing model统。近年来，依据生物细胞及其生并行性、非确定性等优点的膜计算型 P 系统等。P 系统的理论计算模图灵机的某些缺陷的可能性。膜计模、语言学、经济学等领域得到了，运用细胞型 P 系统和组织型 P

隐含层神经元之间的连接权值 W 为：11 12 121 22 21 2=nnl l lnw w ww w wWw w w 入层第 i 个神经元与隐含层第 j 个神经元的输入权值输出层神经元之间的连接权值β为：11 12 121 22 21 2=nnl l ln 含层第 j 个神经元与输出层第 k 个神经元之间的输出
【学位授予单位】：西华大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM715;TM615

【相似文献】

相关期刊论文 前10条

1 李家璐;何剑军;张坤;刘敬诚;吕勃翰;;应对海量数据的超短期负荷预测在实时电力市场的应用研究[J];电力大数据;2019年12期

2 郑建柏;;基于朴素贝叶斯和支持向量机的短期负荷预测[J];电力安全技术;2016年12期

3 连楷敏;陈冬沣;肖建华;;基于气象信息因素修正的灰色短期负荷预测研究[J];自动化应用;2016年12期

4 林佳亮;李暖群;黄庆键;;基于支持向量机方法的短期负荷预测研究[J];自动化应用;2016年12期

5 黎强;;分类管理方法在短期负荷预测工作中的应用[J];农村电工;2017年04期

6 樊唯钦;张伟;李勇钢;王家武;;基于改进人体舒适指数的微电网超短期负荷预测[J];广东电力;2017年04期

7 黄小耘;欧阳卫年;吴树鸿;李高明;金鑫;杨少将;;实时电价条件下的短期负荷预测研究[J];自动化与仪器仪表;2016年05期

8 张超;陈晓英;焦建立;潘超;司玮玮;;电力系统超短期负荷预测方法及应用[J];硅谷;2014年20期

9 李真;;基于云计算的扩展短期负荷预测方法的研究[J];科技视界;2014年36期

10 梁静;瞿博阳;宋慧;刘巍;;电业超短期负荷预测仿真研究[J];计算机仿真;2015年07期

相关会议论文 前10条

1 辛忠良;杨耀杰;陈垒;苗X;李峙;郭红梅;;基于决策树的短期负荷预测技术研究[A];第三届智能电网会议论文集[C];2018年

2 朱桂华;赖晓平;云昌钦;;在线短期负荷预测方法的研究与应用[A];1995年中国控制会议论文集（上）[C];1995年

3 高荣;刘晓华;;基于小波变换的支持向量机短期负荷预测[A];第16届中国过程控制学术年会暨第4届全国故障诊断与安全性学术会议论文集[C];2005年

4 杜俊红;滕欢;滕福生;;在线超短期负荷预测的分析与应用研究[A];2006中国电力系统保护与控制学术研讨会论文集[C];2006年

5 胡宏;顾斌;蔡冬阳;马晓东;车伟;顾杨青;;基于大数据的分布式短期负荷预测及其架构设计[A];2016智能电网发展研讨会论文集[C];2016年

6 胡松峰;彭显刚;;电网短期负荷预测方法综述[A];武汉(南方九省)电工理论学会第22届学术年会、河南省电工技术学会年会论文集[C];2010年

7 姚宇臻;;采用决策树技术的短期及超短期负荷预测软件在福建电网的运用[A];福建省科学技术协会第七届学术年会分会场——提高水力发电技术 促进海西经济建设研讨会论文集[C];2007年

8 张博海;何星;章渊;;基于循环神经网络的电网短期负荷预测研究[A];第37届中国控制会议论文集（F）[C];2018年

9 谭洪艳;郭继平;陈飞;;基于径向基网络的燃气短期负荷预测[A];中国土木工程学会城市燃气分会输配专业委员会2005年会议论文集[C];2005年

10 李娟;蔡磊;管延文;刘文斌;;基于BP-CSO的燃气短期负荷预测[A];中国燃气运营与安全研讨会（第十届）暨中国土木工程学会燃气分会2019年学术年会论文集（上册）[C];2019年

相关重要报纸文章 前4条

1 通讯员池长斌;宁夏电网短期负荷预测西北第一[N];中国电力报;2011年

2 通讯员 池长斌;宁夏电力短期负荷预测保持领先[N];中国电力报;2011年

3 张树斌 范明;湖北电网中、短期负荷预测系统显神威[N];华中电力报;2001年

4 郭洪敏;重视清洁能源上网 呵护一方碧水蓝天[N];国家电网报;2009年

相关博士学位论文 前10条

1 程其云;基于数据挖掘的电力短期负荷预测模型及方法的研究[D];重庆大学;2004年

2 雷绍兰;基于电力负荷时间序列混沌特性的短期负荷预测方法研究[D];重庆大学;2005年

3 卢芸;短期电力负荷预测关键问题与方法的研究[D];沈阳工业大学;2007年

4 叶彬;混合智能建模技术及其在短期负荷预测中的应用研究[D];浙江大学;2006年

5 王志勇;数据挖掘方法在短期负荷预测中的应用研究[D];浙江大学;2007年

6 吴宏晓;基于软计算方法的电力系统负荷预测[D];上海交通大学;2007年

7 郑永康;相空间重构与支持向量机结合的短期负荷预测研究[D];西南交通大学;2008年

8 苏庆新;区域电力系统超短期负荷预测及网络建模分析[D];东华大学;2008年

9 郎坤;电力系统短期负荷预测及经济调度决策优化研究[D];大连理工大学;2016年

10 张国江;软计算方法和数据挖掘理论在电力系统负荷预测中的应用[D];浙江大学;2002年

相关硕士学位论文 前10条

1 杨云莹;基于模糊膜聚类的短期负荷预测和光伏发电预测[D];西华大学;2019年

2 熊晖;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[D];中国科学院大学(中国科学院深圳先进技术研究院);2019年

3 潘可达;基于负荷模式提取的短期负荷预测[D];广东工业大学;2019年

4 席雅雯;融合历史数据和实时影响因素的精细化短期负荷预测[D];北京交通大学;2019年

5 张然然;非正常工况下火电机组短期负荷预测技术研究[D];华北电力大学;2019年

6 Desi Purwati;基于长短期记忆的短期负荷预测研究[D];华北电力大学(北京);2019年

7 孙海鹤;微电网短期负荷预测及优化调度研究[D];华北理工大学;2019年

8 张鹏翔;海上油田群电网短期负荷预测研究[D];西南石油大学;2018年

9 张书;基于函数型数据分析的短期电力负荷预测研究[D];厦门大学;2018年

10 薛琳;基于用电行为分析的低冗余特征配电网短期负荷预测研究[D];东北电力大学;2019年

，

本文编号：2632470