短期負荷預測是保障電力系統(tǒng)的安全經(jīng)濟運行不可或缺的基礎,其用于制定每日或每周計劃,包括發(fā)電機組控制,負荷分配和水電調(diào)度,在現(xiàn)代電力系統(tǒng)的能源分配和管理中起著至關重要的作用。但隨著電力系統(tǒng)的發(fā)展,影響電力負荷的因素越來越復雜,傳統(tǒng)的預測模型難以適應現(xiàn)代電力負荷的特性。本文針對現(xiàn)代電力負荷的變化規(guī)律和特點,以提高短期電力負荷預測精度為研究目的,建立了基于相似日聚類和改進DRESN的負荷預測模型。首先,基于目前電力負荷影響因素眾多以及數(shù)據(jù)量龐大的問題,建立考慮影響因素的相似日聚類分析方法。運用皮爾遜相關系數(shù)對負荷影響因子進行相關性分析,將篩選出的影響因素和負荷數(shù)據(jù)使用主成分分析進行降維處理,再對處理過的新數(shù)據(jù)集運用模糊C均值聚類,從而對負荷數(shù)據(jù)進行分類。同時與傳統(tǒng)模糊C均值聚類對比驗證了其有效性,結(jié)果表明改進的算法能準確地選取負荷類別數(shù),且具有更快的收斂速度。其次,針對回聲狀態(tài)網(wǎng)絡（ESN）在負荷預測中性能不穩(wěn)定的問題,建立了改進天牛須算法優(yōu)化雙儲備池回聲狀態(tài)網(wǎng)絡的負荷預測模型。首先將儲備池結(jié)構(gòu)優(yōu)化為雙儲備池回聲狀態(tài)網(wǎng)絡（DRESN）,其次將精英策略、萊維飛行以及自適應策略引入天牛須搜索（B... 

【文章來源】：湖北工業(yè)大學湖北省

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景以及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 目前短期負荷預測的主要問題
    1.4 本文內(nèi)容和章節(jié)安排
第2章 電力負荷特性分析
    2.1 電力負荷的性質(zhì)
    2.2 電力負荷的影響因素
    2.3 電力負荷數(shù)據(jù)預處理
        2.3.1 異常數(shù)據(jù)處理
        2.3.2 數(shù)據(jù)歸一化
    2.4 電力負荷預測誤差分析
    2.5 負荷預測流程
    2.6 本章小結(jié)
第3章 考慮影響因素的相似日聚類分析
    3.1 皮爾遜相關系數(shù)
    3.2 主成分分析
    3.3 模糊C均值聚類
        3.3.1 模糊C均值聚類概念
        3.3.2 聚類有效性驗證
    3.4 考慮影響因素的相似日聚類組合模型
    3.5 實例分析
        3.5.1 聚類有效性分析
        3.5.2 收斂速度的比較
    3.6 本章小結(jié)
第4章 基于改進DRESN的負荷預測
    4.1 回聲狀態(tài)網(wǎng)絡
    4.2 雙儲備池回聲狀態(tài)網(wǎng)絡
        4.2.1 雙儲備池回聲網(wǎng)絡的基本概念
        4.2.2 雙儲備池回聲網(wǎng)絡的訓練
    4.3 改進天牛須搜索算法優(yōu)化DRESN參數(shù)
        4.3.1 標準天牛須算法
        4.3.2 改進天牛須搜索算法
    4.4 基于改進BAS算法優(yōu)化DRESN模型
    4.5 實例仿真
    4.6 本章小結(jié)
第5章 基于相似日聚類和改進DRESN的短期負荷預測
    5.1 模型實現(xiàn)流程
    5.2 考慮影響因素的相似日聚類實例分析
        5.2.1 選取影響因素
        5.2.2 基于主成分分析的模糊聚類相似日分析
    5.3 基于相似日聚類和改進DRESN實例仿真
        5.3.1 實驗流程
        5.3.2 實驗結(jié)果
        5.3.3 誤差分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望
參考文獻
致謝
附錄


【參考文獻】：
期刊論文
[1]基于季節(jié)性負荷自適應劃分及重要點分割的多分段短期負荷預測[J]. 彭顯剛,潘可達,張丹,劉藝,林志堅.  電網(wǎng)技術. 2020(02)
[2]基于能源轉(zhuǎn)型的中國特色電力市場建設的分析與思考[J]. 陳國平,梁志峰,董昱.  中國電機工程學報. 2020(02)
[3]基于混沌類電磁算法優(yōu)化支持向量機的短期負荷預測[J]. 王茜,李皓然,王新娜,張媛媛.  計算技術與自動化. 2019(04)
[4]基于EEMD-GRU-MLR的短期電力負荷預測[J]. 鄧帶雨,李堅,張真源,滕予非,黃琦.  電網(wǎng)技術. 2020(02)
[5]基于UTCI-MIC與振幅壓縮灰色模型的用戶側(cè)微電網(wǎng)短期負荷預測方法[J]. 薛陽,張寧,吳海東,俞志程,李蕊.  電網(wǎng)技術. 2020(02)
[6]基于改進天牛須搜索算法的分布式電源選址定容[J]. 盧光輝,滕歡,廖寒遜,吳澤穹.  電測與儀表. 2019(17)
[7]基于變步長自適應陷波器的在線檢重抗振方法研究[J]. 胡清,滕召勝,孫彪,唐思豪,林海軍.  儀器儀表學報. 2019(07)
[8]計及需求響應和深度結(jié)構(gòu)多任務學習的電力系統(tǒng)短期負荷預測[J]. 馬天男,王超,彭麗霖,郭小帆,付明.  電測與儀表. 2019(16)
[9]基于GOA-SVM的短期負荷預測[J]. 宮毓斌,滕歡.  電測與儀表. 2019(14)
[10]基于深度長短時記憶網(wǎng)絡的區(qū)域級超短期負荷預測方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術. 2019(06)

博士論文
[1]大規(guī)模數(shù)據(jù)聚類分析方法研究[D]. 馮進玫.哈爾濱工程大學 2015
[2]數(shù)據(jù)挖掘和人工智能理論在短期電力負荷預測中的應用研究[D]. 馮麗.浙江大學 2005

碩士論文
[1]基于人工神經(jīng)網(wǎng)絡的短期電力負荷預測研究[D]. 程宇也.浙江大學 2017
[2]基于密度的改進型層次聚類算法研究[D]. 李彩云.蘭州大學 2016



本文編號：3535292