短期負荷預測是電網(wǎng)維持經(jīng)濟運行以及實現(xiàn)安全穩(wěn)定控制不可或缺的基礎,使用其制定最節(jié)約的用電安全要求、確定運行約束、和外界的設備限制運行方案,為發(fā)電計劃程序提供數(shù)據(jù)等,其對電網(wǎng)運行的經(jīng)濟性、安全性和可靠性有著極為關鍵的作用。由于傳統(tǒng)的預測方法預測的精度普遍不高,所以,提出更好的預測方法和理論一直都是學者們的研究熱點。鑒于上述問題,本文提出了一種基于變分模態(tài)分解（VMD）和極限學習機（ELM）的組合預測模型,先利用VMD分解歷史負荷功率時間序列,可以獲得一組相對平穩(wěn)的模態(tài)分量,之后對各模態(tài)分量分別組建ELM模型進行預測,最終把所有預測結(jié)果相累加即為最后的預測結(jié)果。實驗結(jié)果證明,該模型充分體現(xiàn)了VMD和ELM各自的優(yōu)點,可以完成既準確又快速的預測。本文首先對VMD在多尺度模態(tài)分解中的優(yōu)勢進行了分析與比較,相較于經(jīng)典模態(tài)分解（EMD）,應用VMD分解所得數(shù)據(jù)進行預測具有更好的效果,而且,VMD結(jié)合格拉姆施密特正交化,可以進一步提升VMD在特征提取上的效果,因而可得出結(jié)論VMD更適合應用于組合預測模型當中。之后通過MATLAB仿真工具,對于所提出的預測模型,利用實際負荷數(shù)據(jù)進行了短期負荷預測的仿真... 

【文章來源】：東北石油大學黑龍江省

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【部分圖文】：

根據(jù)預測時間對負荷預測類型的分類短期以及超短期負荷預測在電力系統(tǒng)運行中有著十分重要的作用，其原因是短期負

圖 2-1 神經(jīng)元結(jié)構(gòu)示意圖神經(jīng)元的輸入和輸出滿足如下的關系式：1( )ni iiy g w x b 在圖(2-1)中， ( 1,2, , )x i n是神經(jīng)元的輸入信號， g ( )是激勵函數(shù)，一般常

圖 2-2 前饋型神經(jīng)網(wǎng)絡的網(wǎng)絡模型遞歸型神經(jīng)網(wǎng)絡歸型神經(jīng)網(wǎng)絡的特點是具有反饋性，所以還可稱之為反饋神經(jīng)網(wǎng)絡(F)，遞歸型神經(jīng)網(wǎng)絡的輸入包含兩部分，其一為有延遲的輸入，其二是。遞歸型神經(jīng)網(wǎng)絡的網(wǎng)絡模型如圖 2-3 所示。在眾多遞歸型神經(jīng)網(wǎng)絡模

【參考文獻】：
期刊論文
[1]基于VMD和ELM的超短期負荷預測方法[J]. 孟凡煦,張琰駿.  國外電子測量技術. 2019(01)
[2]基于告警時序的輸電設備故障定位方法的研究[J]. 閆麗梅,周忠媛,徐建軍,王宏宇,宋佳琳.  電力系統(tǒng)保護與控制. 2018(07)
[3]基于VMD與PSO優(yōu)化深度信念網(wǎng)絡的短期負荷預測[J]. 梁智,孫國強,李虎成,衛(wèi)志農(nóng),臧海祥,周亦洲,陳霜.  電網(wǎng)技術. 2018(02)
[4]混合能源協(xié)同控制的智能家庭能源優(yōu)化控制策略[J]. 徐建軍,王保娥,閆麗梅,李戰(zhàn)平.  電工技術學報. 2017(12)
[5]灰色理論–變分模態(tài)分解和NSGA-Ⅱ優(yōu)化的支持向量機在變壓器油中氣體預測中的應用[J]. 肖懷碩,李清泉,施亞林,張同喬,張紀偉.  中國電機工程學報. 2017(12)
[6]基于VMD-SE和機器學習算法的短期風電功率多層級綜合預測模型[J]. 張亞超,劉開培,秦亮.  電網(wǎng)技術. 2016(05)
[7]基于EMD與ELM的光伏電站短期功率預測[J]. 李多,董海鷹,楊立霞.  可再生能源. 2016(02)
[8]基于VMD和TEO的高壓輸電線路雷擊故障測距研究[J]. 高艷豐,朱永利,閆紅艷,武英杰.  電工技術學報. 2016(01)
[9]電業(yè)超短期負荷預測仿真研究[J]. 梁靜,瞿博陽,宋慧,劉巍.  計算機仿真. 2015(07)
[10]改進極限學習機應用于電網(wǎng)故障診斷[J]. 夏威,張麟,袁秋實,陳國新,馬松濤,劉涌,李皓巖.  電網(wǎng)與清潔能源. 2015(04)

博士論文
[1]基于變分模態(tài)分解的風電機組傳動系統(tǒng)故障診斷研究[D]. 武英杰.華北電力大學(北京) 2016

碩士論文
[1]基于變分模態(tài)分解和支持向量機的風電機組振動故障診斷[D]. 李濤濤.西安理工大學 2018
[2]短期電力負荷預測方法的研究與應用[D]. 余波.南昌大學 2018
[3]基于ELM-VMD混合模型的碳價預測研究[D]. 全從新.華北電力大學 2018
[4]基于變分模態(tài)分解及魏格納威爾分布的電纜故障定位方法研究[D]. 李波.華南理工大學 2017
[5]基于GSO-ELM的鋰離子電池剩余壽命間接預測方法研究[D]. 吳婧睿.大連海事大學 2017
[6]基于神經(jīng)網(wǎng)絡的短期電力負荷組合預測方法研究[D]. 段晶晶.蘭州大學 2017
[7]基于改進數(shù)據(jù)流和小波包分析的超短期負荷預測方法研究[D]. 唐聰嵐.重慶大學 2014
[8]基于神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘分類算法比較和分析研究[D]. 常凱.安徽大學 2014



本文編號：3277510