区域多能源系统建模仿真及其短期负荷预测方法
发布时间：2022-12-11 07:57
在单一能源系统中,能源终端各自独立运行使得不同能源的供需利用未有效协同,从而导致了能源总体上利用效率不高。同时,传统的化石能源发电方式还会对环境会造成一定的破坏,因此有必要减少化石能源的使用,增加可再生能源的开采和使用。相对的,在多能源系统中,可以通过多能协同耦合互补的方式来提高能源的利用率,又可以通过接入可再生能源减少化石能源的使用来缓解环境问题。为了实施多种能源协同利用和精准的综合需求响应,能源负荷的准确预测是必需的。而多能源系统中多能流和信息流的时空耦合是制约能源负荷预测精度的关键难题,针对这一难题,多源信息融合的数据驱动方式有望实现高精度的负荷预测。为了实现多能源系统中能源负荷的精准预测,本文基于Open DSS对光伏微电网仿真,基于Simulink对燃气轮机建模,通过对Open DSS和Simulink进行平台结合实现多能源系统的建模,并对能源负荷的精准预测开展了研究。多源特征的高效融合对预测模型的准确度至关重要,因此对多源数据进行融合和特征提取,作为模型的输入对能源负荷进行预测。为了提高模型的预测准确性,利用栈式集成学习。最终提出了基于多源信息融合方式利用集成学习对区域多能...
【文章页数】：56 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.3 本文主要工作
1.3.1 本文主要研究内容
1.3.2 本文组织结构
第二章 区域多能源系统的组成及其建模仿真
2.1 区域多能源系统的组成
2.2 光伏微电网建模仿真
2.2.1 IEEE33配电网建模仿真
2.2.2 光伏建模
2.3 电-热联供
2.3.1 燃气轮机
2.3.2 溴化锂机
2.4 多能源系统建模仿真
2.5 系统运行结果
2.6 本章小结
第三章 电力负荷预测相关方法
3.1 时序神经网络
3.1.1 循环神经网络(RNN)
3.1.2 长短期记忆网络(LSTM)
3.1.3 序列到序列模型(Seq2Seq)
3.2 决策树类集成算法
3.2.1 回归树(RDT)
3.2.2 梯度提升回归树(GBRT)
3.2.3 极端梯度提升(XGBoost)
3.3 算法性能评估
3.4 本章小结
第四章 基于集成学习的多能源微电网短期负荷预测
4.1 多能源微网的短期负荷预测
4.2 模型栈式集成
4.2.1 模型构建
4.2.2 模型训练
4.2.3 多源信息融合
4.2.4 栈式集成模型
4.3 实验结果分析
4.3.1 模型预测精度对比
4.3.2 模型泛化性能对比
4.4 本章小结
第五章 结论与展望
5.1 总结
5.2 研究前景展望
参考文献
致谢
附录A 攻读学位期间相关研究成果
附录B 攻读学位期间参与的科研项目
附录C 多能源系统建模所用数据
【参考文献】：
期刊论文
[1]EMD-LSTM算法在短期电力负荷预测中的应用[J]. 任成国,肖儿良,简献忠,王如志. 电力科学与工程. 2019(08)
[2]含电、气、热3种储能的微网综合能源系统经济优化运行[J]. 施泉生,丁建勇,刘坤,晏伟. 电力自动化设备. 2019(08)
[3]基于改进LMD与GRU网络的短期燃气负荷预测[J]. 张彤,徐晓钟,王晓霞,杨超. 计算机系统应用. 2019(06)
[4]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖. 电力系统自动化. 2019(08)
[5]多算法多模型与在线第二次学习结合的短期电力负荷预测方法[J]. 周末,金敏. 计算机应用. 2017(11)
[6]能源互联网规划研究综述及展望[J]. 别朝红,王旭,胡源. 中国电机工程学报. 2017(22)
[7]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
[8]XGBoost在超短期负荷预测中的应用[J]. 杨修德,王金梅,张丽娜. 电气传动自动化. 2017(04)
[9]基于时间序列和灰色模型的短期电力负荷预测[J]. 刘丹丹,朱家明,黄婷婷. 齐齐哈尔大学学报(自然科学版). 2017(03)
[10]含冷热电三联供的微能源网能量流计算及综合仿真[J]. 马腾飞,吴俊勇,郝亮亮. 电力系统自动化. 2016(23)
本文编号：3718415
【文章页数】：56 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.3 本文主要工作
1.3.1 本文主要研究内容
1.3.2 本文组织结构
第二章 区域多能源系统的组成及其建模仿真
2.1 区域多能源系统的组成
2.2 光伏微电网建模仿真
2.2.1 IEEE33配电网建模仿真
2.2.2 光伏建模
2.3 电-热联供
2.3.1 燃气轮机
2.3.2 溴化锂机
2.4 多能源系统建模仿真
2.5 系统运行结果
2.6 本章小结
第三章 电力负荷预测相关方法
3.1 时序神经网络
3.1.1 循环神经网络(RNN)
3.1.2 长短期记忆网络(LSTM)
3.1.3 序列到序列模型(Seq2Seq)
3.2 决策树类集成算法
3.2.1 回归树(RDT)
3.2.2 梯度提升回归树(GBRT)
3.2.3 极端梯度提升(XGBoost)
3.3 算法性能评估
3.4 本章小结
第四章 基于集成学习的多能源微电网短期负荷预测
4.1 多能源微网的短期负荷预测
4.2 模型栈式集成
4.2.1 模型构建
4.2.2 模型训练
4.2.3 多源信息融合
4.2.4 栈式集成模型
4.3 实验结果分析
4.3.1 模型预测精度对比
4.3.2 模型泛化性能对比
4.4 本章小结
第五章 结论与展望
5.1 总结
5.2 研究前景展望
参考文献
致谢
附录A 攻读学位期间相关研究成果
附录B 攻读学位期间参与的科研项目
附录C 多能源系统建模所用数据
【参考文献】：
期刊论文
[1]EMD-LSTM算法在短期电力负荷预测中的应用[J]. 任成国,肖儿良,简献忠,王如志. 电力科学与工程. 2019(08)
[2]含电、气、热3种储能的微网综合能源系统经济优化运行[J]. 施泉生,丁建勇,刘坤,晏伟. 电力自动化设备. 2019(08)
[3]基于改进LMD与GRU网络的短期燃气负荷预测[J]. 张彤,徐晓钟,王晓霞,杨超. 计算机系统应用. 2019(06)
[4]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖. 电力系统自动化. 2019(08)
[5]多算法多模型与在线第二次学习结合的短期电力负荷预测方法[J]. 周末,金敏. 计算机应用. 2017(11)
[6]能源互联网规划研究综述及展望[J]. 别朝红,王旭,胡源. 中国电机工程学报. 2017(22)
[7]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
[8]XGBoost在超短期负荷预测中的应用[J]. 杨修德,王金梅,张丽娜. 电气传动自动化. 2017(04)
[9]基于时间序列和灰色模型的短期电力负荷预测[J]. 刘丹丹,朱家明,黄婷婷. 齐齐哈尔大学学报(自然科学版). 2017(03)
[10]含冷热电三联供的微能源网能量流计算及综合仿真[J]. 马腾飞,吴俊勇,郝亮亮. 电力系统自动化. 2016(23)
本文编号：3718415
本文链接：https://www.wllwen.com/kejilunwen/dongligc/3718415.html
