面向电网负荷频率控制特性的监控分析系统设计与实现
发布时间：2021-07-10 11:38
随着国家电网的数字化改造程度日趋完善,电网数据的积累也日渐成熟,从而使电网大数据的分析、应用及其相应的技术升级成为一种趋势。在此发展形势下,如何从海量电网数据中分析得到有价值的信息,并应用到未来电网的生产中是电网发展面临的主要问题。本文以电网一次调频后的频率预测为主要目标,设计了电网负荷频率控制特性监控分析系统。本文的主要研究内容如下:首先,使用历史数据建立起频率预测模型和负荷预测模型。其中频率预测功能作为该系统实现的核心,论文选用了长短时记忆神经网络来构造计算模型,并采用Python语言实现相应服务模块的开发。论文一方面通过皮尔逊相关系数筛选出影响电网一次调频后全网频率的主要因素,另一方面处理原始数据集最终格式化为:训练集、测试集和超参数验证集,分别用于模型训练、测试和超参数调整。在频率预测模型的基础上,结合贝叶斯调优算法,优化LSTM网络模型,寻找一组最优的模型超参数集合,实现电网短期负荷预测。其次,电网监控分析系统的设计与实现。本系统使用Java编程语言和Spring Boot框架进行设计和开发,系统包括全网实时状态监控,全网抗干扰能力,一次调频后的状态分析等主要功能。在明确系统...
【文章来源】：西安理工大学陕西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
频率预测结果和实际频率对比图
2018-01-01 16:00:00.0 50.0206 72597.703 90163.748 17580.283 9064.526 67878.974 2018-01-01 17:00:00.0 50.0335 74631.877 90999.515 16376.579 9964.413 71451.483 2018-01-01 18:00:00.0 50.0294 71172.407 87973.622 16793.959 8422.373 72703.543 2018-01-01 19:00:00.0 50.0222 72994.123 90492.957 17501.734 9295.882 70510.195 (3) 数据集划分 构建负荷预测模型时，采用的电网历史数据集中有 25980 条数据，经过数据处理后可用的数据集有 25977 条，按照 8：1：1 的比例分为训练集、验证集和测试集。图 4-1 为2018 年 2 月数据集中负荷数据及与负荷波动相关性较大的各个数据的变化趋势图，图中从上到下依次是：火电有功、水电有功、直流外送、频率、全网有功、负荷等数据的变化趋势，由图可以看出来负荷波动有较为明显的周期性。
西安理工大学工程硕士专业学位论文24模型都能较好的拟合短期负荷的波动趋势，但如图中所示，Bayes-LSTM模型更贴合真实值的变化趋势。图4-3负荷预测真实值与预测值对比图Fig.4-3Comparisondiagramofrealvalueandpredictedvalueofloadforecast如表4-5所示，通过RMSE和MAPE评价指标对LSTM模型和Bayes-LSTM模型在三组实验的预测数值进行评价，可以看出在三组实验中Bayes-LSTM模型的预测效果都要优于LSTM模型，预测精度相对于LSTM模型提升了21.2%。从预测结果来看Bayes-LSTM模型更好的分析历史数据之间的关系，能有效提升短期负荷预测精度。表4-5三组实验中各模型评价指标比较Tabel.4-5Comparisonofevaluationindexesofeachmodelinthreegroupsofexperiments模型RMSE(MW)MAPE(%)第一组第二组第三组第一组第二组第三组LSTM954.10972.72888.991.171.221.11Bayes-LSTM740.88761.83715.270.770.840.754.4本章小结本章在一次调频后的短期频率预测模型的基础上，针对短期负荷预测问题对模型改进，结合贝叶斯优化算法使LSTM模型可以快速准确的适应电网负荷数据特性，构建了Bayes-LSTM短期负荷预测模型。首先对电网系统的运行数据进行异常值剔除和缺失值填充处理，接下来介绍了贝叶斯优化算法，然后展示了Bayes-LSTM模型的构建过程，最后根据构建的模型进行实验验证，实验结果表示负荷预测模型可以较好的预测短期负荷趋势，电网系统可以根据负荷波动趋势制定发电计划，实现电网频率稳定控制。
【参考文献】：
期刊论文
[1]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超. 北京航空航天大学学报. 2019(12)
[2]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[3]电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 彭文,王金睿,尹山青. 电网技术. 2019(05)
[4]LSTM Based Reserve Prediction for Bank Outlets[J]. Yu Liu,Shuting Dong,Mingming Lu,Jianxin Wang. Tsinghua Science and Technology. 2019(01)
[5]基于LSTM循环神经网络的PM2.5预测[J]. 白盛楠,申晓留. 计算机应用与软件. 2019(01)
[6]基于多层极限学习机的电力系统频率安全评估方法[J]. 文云峰,赵荣臻,肖友强,刘祯斌. 电力系统自动化. 2019(01)
[7]基于油中气体分析的变压器故障诊断ReLU-DBN方法[J]. 代杰杰,宋辉,杨祎,陈玉峰,盛戈皞,江秀臣. 电网技术. 2018(02)
[8]基于深度强化学习的电网紧急控制策略研究[J]. 刘威,张东霞,王新迎,侯金秀,刘丽平. 中国电机工程学报. 2018(01)
[9]基于VMD与PSO优化深度信念网络的短期负荷预测[J]. 梁智,孙国强,李虎成,卫志农,臧海祥,周亦洲,陈霜. 电网技术. 2018(02)
[10]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
博士论文
[1]计算智能在电力系统多目标优化中的应用研究[D]. 叶承晋.浙江大学 2015
硕士论文
[1]区域电网一次调频性能分析及研究[D]. 张泽灏.华北电力大学 2019
[2]基于REST的Web快速开发平台的研究与实现[D]. 施佳达.北京邮电大学 2015
本文编号：3275844
【文章来源】：西安理工大学陕西省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
频率预测结果和实际频率对比图
2018-01-01 16:00:00.0 50.0206 72597.703 90163.748 17580.283 9064.526 67878.974 2018-01-01 17:00:00.0 50.0335 74631.877 90999.515 16376.579 9964.413 71451.483 2018-01-01 18:00:00.0 50.0294 71172.407 87973.622 16793.959 8422.373 72703.543 2018-01-01 19:00:00.0 50.0222 72994.123 90492.957 17501.734 9295.882 70510.195 (3) 数据集划分 构建负荷预测模型时，采用的电网历史数据集中有 25980 条数据，经过数据处理后可用的数据集有 25977 条，按照 8：1：1 的比例分为训练集、验证集和测试集。图 4-1 为2018 年 2 月数据集中负荷数据及与负荷波动相关性较大的各个数据的变化趋势图，图中从上到下依次是：火电有功、水电有功、直流外送、频率、全网有功、负荷等数据的变化趋势，由图可以看出来负荷波动有较为明显的周期性。
西安理工大学工程硕士专业学位论文24模型都能较好的拟合短期负荷的波动趋势，但如图中所示，Bayes-LSTM模型更贴合真实值的变化趋势。图4-3负荷预测真实值与预测值对比图Fig.4-3Comparisondiagramofrealvalueandpredictedvalueofloadforecast如表4-5所示，通过RMSE和MAPE评价指标对LSTM模型和Bayes-LSTM模型在三组实验的预测数值进行评价，可以看出在三组实验中Bayes-LSTM模型的预测效果都要优于LSTM模型，预测精度相对于LSTM模型提升了21.2%。从预测结果来看Bayes-LSTM模型更好的分析历史数据之间的关系，能有效提升短期负荷预测精度。表4-5三组实验中各模型评价指标比较Tabel.4-5Comparisonofevaluationindexesofeachmodelinthreegroupsofexperiments模型RMSE(MW)MAPE(%)第一组第二组第三组第一组第二组第三组LSTM954.10972.72888.991.171.221.11Bayes-LSTM740.88761.83715.270.770.840.754.4本章小结本章在一次调频后的短期频率预测模型的基础上，针对短期负荷预测问题对模型改进，结合贝叶斯优化算法使LSTM模型可以快速准确的适应电网负荷数据特性，构建了Bayes-LSTM短期负荷预测模型。首先对电网系统的运行数据进行异常值剔除和缺失值填充处理，接下来介绍了贝叶斯优化算法，然后展示了Bayes-LSTM模型的构建过程，最后根据构建的模型进行实验验证，实验结果表示负荷预测模型可以较好的预测短期负荷趋势，电网系统可以根据负荷波动趋势制定发电计划，实现电网频率稳定控制。
【参考文献】：
期刊论文
[1]基于粒子群优化LSTM的股票预测模型[J]. 宋刚,张云峰,包芳勋,秦超. 北京航空航天大学学报. 2019(12)
[2]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[3]电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 彭文,王金睿,尹山青. 电网技术. 2019(05)
[4]LSTM Based Reserve Prediction for Bank Outlets[J]. Yu Liu,Shuting Dong,Mingming Lu,Jianxin Wang. Tsinghua Science and Technology. 2019(01)
[5]基于LSTM循环神经网络的PM2.5预测[J]. 白盛楠,申晓留. 计算机应用与软件. 2019(01)
[6]基于多层极限学习机的电力系统频率安全评估方法[J]. 文云峰,赵荣臻,肖友强,刘祯斌. 电力系统自动化. 2019(01)
[7]基于油中气体分析的变压器故障诊断ReLU-DBN方法[J]. 代杰杰,宋辉,杨祎,陈玉峰,盛戈皞,江秀臣. 电网技术. 2018(02)
[8]基于深度强化学习的电网紧急控制策略研究[J]. 刘威,张东霞,王新迎,侯金秀,刘丽平. 中国电机工程学报. 2018(01)
[9]基于VMD与PSO优化深度信念网络的短期负荷预测[J]. 梁智,孙国强,李虎成,卫志农,臧海祥,周亦洲,陈霜. 电网技术. 2018(02)
[10]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
博士论文
[1]计算智能在电力系统多目标优化中的应用研究[D]. 叶承晋.浙江大学 2015
硕士论文
[1]区域电网一次调频性能分析及研究[D]. 张泽灏.华北电力大学 2019
[2]基于REST的Web快速开发平台的研究与实现[D]. 施佳达.北京邮电大学 2015
本文编号：3275844
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3275844.html
