供電企業(yè)在開展電力調度、制定電力交易計劃等業(yè)務時都需參考電力負荷預測結果,伴隨電力交易現貨市場的發(fā)展成熟,供電企業(yè)將更加重視電力負荷預測的實時性與準確性。因此,研發(fā)電力負荷預測系統是做好供電企業(yè)電力調度、營銷保障、電力交易、客戶服務等多個核心業(yè)務的基礎。當前供電企業(yè)一般采用回歸分析等經典負荷預測方法完成電力負荷預測,預測精度低,只能運用歷史數據進行離線擬合,預測實時性也不高。進年來,伴隨廣東省電力現貨市場的蓬勃發(fā)展,供電企業(yè)對負荷預測的實時性要求逐年提高。研究負荷預測新方法實現用戶電力負荷的在線預測可滿足供電企業(yè)各項業(yè)務開展需要,還可為參與省內電力現貨市場交易提供有力的技術支持。按照上述要求,本論文主要包括以下幾部分內容:1.提出了短期負荷預測的在線遞推預測方法:針對靜態(tài)模型無法實時更新模型參數的問題,采用基于粒子濾波及其改進算法的一種新方法,通過對系統狀態(tài)量的遞推估計,實現了電力負荷的在線預測,提高了預測算法的計算速度,滿足實時性要求。2.提出了電力負荷的多維度輸入狀態(tài)模型:通過分析不同時間點影響電力負荷的因素,搭建了基于RBF神經網絡的狀態(tài)模型,疊加天氣等外部因素的影響,提高了負荷... 

【文章來源】：中國科學院大學(中國科學院深圳先進技術研究院)廣東省

【文章頁數】：89 頁

【學位級別】：碩士

【部分圖文】：

用戶電力負荷預測系統框架圖

第 2 章 用戶電力負荷預測系統及相關技術預測，它可以對大量非結構化、非精確性的電力負荷運行規(guī)律進行自適應學習如圖 2.2 中 BP 神經網絡，即是一種常見的人工神經網絡，在電力負荷預測工中也常常被使用。BP 神經網絡一般有輸入輸出層及隱含層組成，其中隱含層以有多個，各個隱含層中的節(jié)點數可以根據試驗要求不同設置。

圖 2.3 論文研究框架本論文研究基于遞推預測方法的用戶電力負荷預測系統，各層主要研究技術總結如下：1. 數據層研究數據輸入系統的形式，初期計劃采用導入 Excel 格式文件的方式讀取文件；研制數據清洗方法、數據歸一化處理方法，用 MATLAB 代碼實現。2. 邏輯層這一層是本論文的核心工作，需研究 RBF 神經網絡的狀態(tài)模型，需研究基于貝葉斯濾波理論的遞推預測方法，需要完成模型搭建、系統輸入向量的構建，需完成粒子濾波算法及 UPF、EPF 算法的代碼實現。3. 展示層

【參考文獻】：
期刊論文
[1]融合日期類型的改進線性回歸短期負荷預測模型[J]. 王凌誼,王志敏,錢紋,朱玥,顧潔,彭虹橋,時亞軍.  廣東電力. 2019(05)
[2]基于改進卡爾曼濾波算法的短期負荷預測[J]. 劉鑫,滕歡,宮毓斌,滕德云.  電測與儀表. 2019(03)
[3]電力負荷預測算法比較-隨機森林與支持向量機[J]. 霍娟,孫曉偉,張明杰.  電力系統及其自動化學報. 2019(07)
[4]基于深度學習的電網短期負荷預測方法研究[J]. 吳潤澤,包正睿,宋雪瑩,鄧偉.  現代電力. 2018(02)
[5]基于時間序列的電力系統短期負荷預測問題分析[J]. 陳冬灃,鄭舟,吳永峰.  自動化應用. 2017(11)
[6]基于改進高斯過程回歸模型的短期負荷區(qū)間預測[J]. 宗文婷,衛(wèi)志農,孫國強,李慧杰,CHEUNG Kwok W,孫永輝.  電力系統及其自動化學報. 2017(08)
[7]基于擬蒙特卡洛濾波的改進式粒子濾波目標跟蹤算法[J]. 任航.  電子測量與儀器學報. 2015(02)
[8]一種基于自適應粒子濾波的多層感知器學習算法[J]. 席燕輝,葉志成,彭輝.  中南大學學報(自然科學版). 2013(04)
[9]區(qū)間時間序列向量自回歸模型在短期電力負荷預測中的應用[J]. 萬昆,柳瑞禹.  電網技術. 2012(11)
[10]基于粒子濾波算法的電力系統短期負荷預測研究[J]. 李凱,劉金海,陸巖.  電力學報. 2011(06)

博士論文
[1]非線性濾波算法及在神經網絡與金融市場建模中的應用[D]. 席燕輝.中南大學 2013

碩士論文
[1]基于人工神經網絡的短期電力負荷預測研究[D]. 程宇也.浙江大學 2017
[2]基于非線性濾波優(yōu)化的前饋神經網絡訓練方法研究[D]. 袁光耀.河南大學 2016
[3]混合量測下基于粒子濾波的電力系統動態(tài)狀態(tài)估計研究[D]. 于耿曦.華北電力大學(北京) 2016



本文編號：3502929