隨著科學(xué)技術(shù)的發(fā)展,工業(yè)生產(chǎn)活動(dòng)以及人們的日常生活對(duì)于電能的需求日益擴(kuò)大。配電網(wǎng)作為電力系統(tǒng)中的重要部分,在電能的分配和使用環(huán)節(jié)承擔(dān)著重要任務(wù)。隨著配電網(wǎng)需求側(cè)新型負(fù)荷不斷加入,配電網(wǎng)的不確定性愈發(fā)嚴(yán)重,新的負(fù)荷需求形勢(shì)對(duì)負(fù)荷預(yù)測(cè)精度有了更高的要求。短期負(fù)荷預(yù)測(cè)以歷史負(fù)荷數(shù)據(jù)為基礎(chǔ),以建立可以全面揭示負(fù)荷規(guī)律的數(shù)學(xué)模型為核心,以得到最優(yōu)的預(yù)測(cè)結(jié)果為目的。要提高負(fù)荷預(yù)測(cè)的精度,不僅要求系統(tǒng)采集的數(shù)據(jù)精確全面,還必須對(duì)預(yù)測(cè)算法進(jìn)行不斷優(yōu)化。所以,利用傳感、通信以及數(shù)據(jù)挖掘等方面的最新技術(shù),采集能夠代表配電網(wǎng)最真實(shí)情況的負(fù)荷數(shù)據(jù),進(jìn)行負(fù)荷特性分析及預(yù)測(cè)具有一定的研究?jī)r(jià)值。本文對(duì)長(zhǎng)距低功耗數(shù)據(jù)傳輸（Long Range,Lo Ra）技術(shù)和類別特征梯度提升（Categorical Features Gradient Boosting,Cat Boost）算法進(jìn)行了深入地分析研究,并分別引入配電網(wǎng)實(shí)時(shí)感知系統(tǒng)和短期負(fù)荷預(yù)測(cè)。首先,針對(duì)傳統(tǒng)配電網(wǎng)感知系統(tǒng)通訊方式難以獲取全面精確的配電網(wǎng)數(shù)據(jù)的問題,提出將Lo Ra技術(shù)應(yīng)用于配電網(wǎng)感知系統(tǒng)的方案,搭建了基于Lo Ra的配電網(wǎng)實(shí)時(shí)感知系統(tǒng)。結(jié)果表明,Lo... 

【文章來(lái)源】：蘭州理工大學(xué)甘肅省

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 配電網(wǎng)實(shí)時(shí)感知系統(tǒng)發(fā)展現(xiàn)狀
        1.2.2 短期負(fù)荷預(yù)測(cè)研究現(xiàn)狀
    1.3 本文研究的主要內(nèi)容及章節(jié)安排
第2章 基于LoRa的配電網(wǎng)實(shí)時(shí)感知系統(tǒng)
    2.1 配電網(wǎng)實(shí)時(shí)感知系統(tǒng)介紹
    2.2 配電網(wǎng)實(shí)時(shí)感知系統(tǒng)分析
        2.2.1 配電網(wǎng)結(jié)構(gòu)
        2.2.2 配電網(wǎng)數(shù)據(jù)采集類型
        2.2.3 配電感知系統(tǒng)數(shù)據(jù)采集難點(diǎn)
    2.3 方案設(shè)計(jì)
        2.3.1 設(shè)計(jì)目標(biāo)
        2.3.2 LoRa技術(shù)
        2.3.3 系統(tǒng)構(gòu)架
    2.4 系統(tǒng)搭建測(cè)試
        2.4.1 硬件設(shè)計(jì)
        2.4.2 主站系統(tǒng)
        2.4.3 系統(tǒng)測(cè)試
    2.5 配電網(wǎng)實(shí)時(shí)感知系統(tǒng)在負(fù)荷預(yù)測(cè)中的應(yīng)用
    2.6 本章小結(jié)
第3章 配電網(wǎng)負(fù)荷特征分析與數(shù)據(jù)處理
    3.1 配電網(wǎng)負(fù)荷特征分析
        3.1.1 周期性分析
        3.1.2 日期類型
        3.1.3 氣候因素
        3.1.4 電力負(fù)荷特征分析總結(jié)
    3.2 特征關(guān)聯(lián)性分析與選擇
    3.3 負(fù)荷數(shù)據(jù)的選擇與處理
        3.3.1 樣本的選取
        3.3.2 數(shù)據(jù)預(yù)處理
    3.4 數(shù)據(jù)驅(qū)動(dòng)的短期負(fù)荷預(yù)測(cè)實(shí)現(xiàn)
        3.4.1 短期負(fù)荷預(yù)測(cè)的步驟及要求
        3.4.2 短期負(fù)荷預(yù)測(cè)特性分析
        3.4.3 負(fù)荷預(yù)測(cè)模型預(yù)測(cè)評(píng)價(jià)指標(biāo)
    3.5 本章小結(jié)
第4章 配電網(wǎng)短期負(fù)荷預(yù)測(cè)方法與算例分析
    4.1 基于BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)模型
        4.1.1 BP神經(jīng)網(wǎng)絡(luò)算法
        4.1.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的構(gòu)建
        4.1.3 仿真驗(yàn)證
    4.2 基于決策樹的配電網(wǎng)負(fù)荷預(yù)測(cè)模型
        4.2.1 決策樹算法
        4.2.2 決策樹預(yù)測(cè)模型的構(gòu)建
        4.2.3 仿真驗(yàn)證
    4.3 基于梯度提升樹的負(fù)荷預(yù)測(cè)模型
        4.3.1 梯度提升樹算法
        4.3.2 梯度提升樹預(yù)測(cè)模型構(gòu)建
        4.3.3 仿真驗(yàn)證
    4.4 基于Cat Boost算法的負(fù)荷預(yù)測(cè)模型
        4.4.1 Cat Boost算法
        4.4.2 基于Cat Boost算法的負(fù)荷預(yù)測(cè)模型構(gòu)建
        4.4.3 仿真驗(yàn)證
    4.5 綜合對(duì)比分析
    4.6 本章小結(jié)
結(jié)論與展望
參考文獻(xiàn)
致謝
附錄 A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
附錄 B 各算法預(yù)測(cè)結(jié)果



本文編號(hào)：3158024