基于深度学习算法的含风电场区域的等效负荷短期预测

发布时间：2024-03-05 04:38

　　电力负荷预测是电力系统中不可缺少的重要环节,对于电力系统的稳定运行、经济节能有着巨大作用。新形势下,随着风电并网容量的逐年上升,风力发电的波动性和间歇性对电力系统的电压和频率造成了很大的干扰。同时,风电功率波动与电力负荷波动的不同步性,使得含风电场区域的负荷预测与系统调度面临更多的挑战。因此,通过引入含风电场区域等效负荷的概念,对计及风电并网的等效负荷预测对于电网的稳定经济运行有重要作用。在此背景下,本文提出了基于改进回声状态网络的电力负荷预测模型,以及基于三维卷积-门控循环单元网络的风电功率预测模型,进而搭建了含风电场区域等效负荷预测模型。针对电力负荷预测任务,提出了强健回声状态网络模型。回声状态网络兼具较好的预测能力和算力成本较低的优点,但同时存在训练不稳定、初始化困难和存在过拟合问题的缺点。通过研究分析,使用相空间重构理论优化了网络的初始化和训练过程,同时提出了三种回声状态网络正则化算法改善模型训练速度及过拟合问题。最后,为了满足更鲁棒的电力负荷预测要求,将回声状态网络与分位数回归结合,推导得到了回声状态分位数回归网络以实现电力负荷概率预测。针对风电功率预测任务,提出了基于变分模...

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

图2-1M-P人工神经元模型

燕山大学工学硕士学位论文-8-第2章深度学习与电力负荷预测2.1人工神经网络人工神经网络自诞生以来，已有70多年历史。在近代高速的科技发展进程中，经历了跌宕起伏的发展过程。如今，各种各样的人工神经网络已被广泛应用于各个领域如时间序列预测，自动驾驶，语音识别，人脸识别等。人工神经网....

图2-2人工神经网络结构图

第2章深度学习与电力负荷预测-9-LeakyRelu等。常见的神经网络结构如图2-2所示，由一层层的神经元组成。简单的神经网络可以分为三部分，第一层为输入层，中间层称为隐藏层，最后一层为输出层[47]。输人信号或输入特征经过输入层传给隐藏层，逐层经过神经元计算最后由输出层输出，在....

图2-3循环神经网络结构示意图

芰Γ?薹ūＡ粼毒嗬肜?沸畔⒋?吹挠跋欤?所以在时间序列预测任务中，卷积神经网络通常需要与循环神经网络结合使用[42]。2.3循环神经网络循环神经网络(RNN)是一种特殊的神经网络。普通神经网络和卷积神经网络的同一层的神经元之间没有连接，而RNN的隐藏层不仅接收前一层神经元的信号，....

图2-4LSTM网络结构示意图

燕山大学工学硕士学位论文-12-,的更新公式为：,=(,+,/!)(2-4)式中——输入向量权重矩阵；——隐藏层状态权重矩阵；,/!、,——1、时刻的隐藏层状态；——非线性激活函数。从式(2-4)可以看出，时刻隐藏层的状态值,不仅与当前时刻的输入,有关，还与上一时刻的状态,/!有....

本文编号：3919695