微电网负荷预测及运行控制方法研究

发布时间：2020-11-21 01:57

　　 随着国家大力提倡清洁能源的使用,采用光伏分布式发电的微电网系统成为电力系统领域重要的发展趋势。然而,现有微电网系统由于缺乏合理的运营管控造成了大量资源的浪费,严重制约了清洁能源的发展。提高清洁能源利用率,降低微电网的运营成本成为了研究的热点。为了实现微电网经济效益的最大化,本文针对微电网的优化控制方法进行研究。为了实现微电网的运营管控,需要对光伏发电的出力和用户负荷功率进行预测。针对光伏发电的出力预测,本文使用Kolmogorov-Smirnov检验(K-S检验)对光伏发电出力历史数据进行分析,得到不同气象条件下光伏电站的出力特性、概率分布函数及特征参数范围,并使用K-means算法将广义天气类型聚类为三组。依据不同的聚类分组,基于人工神经网络算法分别建立了对应的光伏发电出力预测模型并进行了仿真验证。结果表明,光伏功率预测在良好气象条件下预测精度较好,对于雪、霾等恶劣天气下的预测精度存在一定偏差。为了实现用户负荷的功率预测,本文对支持向量机的模式识别算法进行研究,使用高斯函数作为核函数,建立了基于支持向量机的负荷预测模型并进行了仿真验证。模型的预测结果准确率较高,误差较小,可以满足典型用户负荷的预测需求,为微电网的运营管控提供支撑。为实现微电网经济效益的最大化,本文提出了基于多目标优化函数和人工蜂群算法的微电网优化控制策略,降低了微电网的运营总成本,能够在保护环境的同时显著提高微电网的经济效益。
【学位单位】：沈阳工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TM715;TM732
【部分图文】：

较多的数据点则归类为离群点。去掉多余的离群点的离散化程度（余弦相似系数）。可以写作：12 21 1cosnik jkkij ijn nik jkk kX XdX X 本之间的距离，其值越大这两个样本越相似；Xik值和第 j 个样品的第 k 个变量值，n 为样本数量，选取 8 组不同天气的历史数据进行聚类的聚类谱样本可聚为三类；其中样本 2，3，4，6，7 为 a 类样本 5 为 c 类样本。

况较为敏感的家用电器越来越普及，也导致了居民负荷占有的比重越来越大，对系峰值负荷变化的影响也同样呈增加趋势。商业负荷也不可避免的具有随季节变化的特点，随着社会的发展与进步，商业部对空调、制冷柜等对天气情况较为敏感的用电器使用率逐渐升高，导致了商业负荷样会随季节变化通常情况下，工业负荷理论上很少被气象条件所影响，但是仍然存在一部分与气条件有关的负荷变动。考虑到工业负荷的基数比较大，通常为三班生产，可以认为工负荷的浮动比较小。本文的主要研究对象为微电网用户的负荷特性，微电网用户的负荷曲线表现出午峰和晚高峰的特点，最大负荷集中在下午 7 时到下午 22 时处。负荷率数值约为 0.64，小负荷率数值约为 0.45。微电网用户的负荷曲线从上午 5 时至下午 5 时体现为用电谷，从下午 5 时起用户负荷开始上升，到下午 11 时数值达到最大，下午 11 时之后荷数值逐渐降低。典型夏季微电网用户负荷曲线的特点如图 3.1。
【参考文献】

相关期刊论文 前10条

1 胡云岩;张瑞英;王军;;中国太阳能光伏发电的发展现状及前景[J];河北科技大学学报;2014年01期

2 袁晓玲;施俊华;徐杰彦;;计及天气类型指数的光伏发电短期出力预测[J];中国电机工程学报;2013年34期

3 袁晓玲;施俊华;徐杰彦;;基于BP神经网络的光伏发电短期出力预测[J];可再生能源;2013年07期

4 崔洋;孙银川;常倬林;;短期太阳能光伏发电预测方法研究进展[J];资源科学;2013年07期

5 傅美平;马红伟;毛建容;;基于相似日和最小二乘支持向量机的光伏发电短期预测[J];电力系统保护与控制;2012年16期

6 刘文;杨慧霞;祝斌;;微电网关键技术研究综述[J];电力系统保护与控制;2012年14期

7 王骏;王士同;邓赵红;;聚类分析研究中的若干问题[J];控制与决策;2012年03期

8 陈靖;李雨薇;习朋;李涛;;微网系统经济运行优化[J];华东电力;2012年02期

9 刘小平;丁明;张颖媛;徐宁舟;;微网系统的动态经济调度[J];中国电机工程学报;2011年31期

10 王理;;多目标微网环保经济调度模型研究[J];中国水能及电气化;2011年09期

相关博士学位论文 前2条

1 彭雪;演化算法和蚁群算法的性能分析[D];华南理工大学;2016年

2 孔翔宇;几类优化问题的人工蜂群算法[D];西安电子科技大学;2016年

相关硕士学位论文 前5条

1 吴婷;基于k-means聚类算法的大学生心理管理系统研究[D];湖北工业大学;2017年

2 张程熠;光伏微电网发电预测与经济运行研究[D];浙江大学;2017年

3 邢尚林;并网型光伏电站发电功率预测与优化运营系统设计及应用[D];华北电力大学;2016年

4 涂雨曦;基于改进神经网络的光伏出力预测[D];南昌大学;2015年

5 蔡剑彪;基于云计算的智能电网负荷预测平台研究[D];湖南大学;2013年

本文编号：2892341