發(fā)布時間：2022-10-15 11:51

　　電力系統(tǒng)短期負荷預測是電力調(diào)度中的重要內(nèi)容。準確快速地完成短期負荷預測能夠讓電力系統(tǒng)經(jīng)濟平隱地運行。因此,如何提高電力系統(tǒng)中的短期負荷預測精度一直是國內(nèi)外學者研究的重點。傳統(tǒng)的短期負荷預測多是對多用戶的負荷總體進行預測,但負荷變化與各用戶用電特性關系密切,對負荷總體進行預測會損失用戶用電行為信息,造成預測準確率下降,此時傳統(tǒng)的預測方法不再適用。因此,本文給出一種基于改進模糊聚類算法的短期負荷預測方法。首先應用FCM算法對用戶負荷總體進行聚類。傳統(tǒng)的FCM算法需要預先知道聚類數(shù)目,并且對聚類中心初始值較為依賴。因此本文通過Calinsli-Harabasz指標獲取最佳聚類數(shù)目,引入磁優(yōu)化算法尋優(yōu)獲得聚類中心初始值,解決了 FCM算法穩(wěn)定性差的問題。進一步利用差分進化算法和全局記憶性提高了磁優(yōu)化算法尋優(yōu)的穩(wěn)定性和快速性。然后,在確定聚類數(shù)目和聚類中心初始值的FCM算法下進行負荷曲線聚類,獲得負荷特性相近的用戶群體。以聚類獲得的若干負荷變化相近的用戶群體為基礎,利用GRU網(wǎng)絡進行短期負荷預測。針對每個用戶群體,采用GRU作為元模型,分別建立GRU短期負荷預測模型,最后將各用戶群體的負荷預測值... 

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究的背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 負荷聚類分析研究現(xiàn)狀
        1.2.2 短期負荷預測研究現(xiàn)狀
    1.3 主要工作和內(nèi)容安排
第2章 負荷特性分析與負荷預測相關理論基礎
    2.1 聚類算法
        2.1.1 聚類分析方法
        2.1.2 模糊C均值聚類算法
        2.1.3 聚類算法評價指標
    2.2 神經(jīng)網(wǎng)絡
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡
        2.2.2 長短期記憶網(wǎng)絡(LSTM)
        2.2.3 門控循環(huán)單元網(wǎng)絡(GRU)
    2.3 負荷預測
        2.3.1 電力負荷預測的影響因素
        2.3.2 負荷數(shù)據(jù)預處理
        2.3.3 預測性能分析
    2.4 本章小結
第3章 基于改進FCM算法的用戶聚類分析
    3.1 磁優(yōu)化算法(MOA)
        3.1.1 磁優(yōu)化算法簡介
        3.1.2 改進磁優(yōu)化算法(MOA)
    3.2 基于改進磁優(yōu)化算法的FCM算法(MOA FCM)
        3.2.1 IMOA FCM算法的實現(xiàn)
    3.3 實例分析
        3.3.1 數(shù)據(jù)預處理及參數(shù)選擇
        3.3.2 最佳聚類數(shù)的獲取
        3.3.3 聚類結果及評價
    3.4 本章小結
第4章 基于GRU網(wǎng)絡的短期負荷預測
    4.1 基于GRU的預測模型設計和編碼
        4.1.1 影響因素的歸一化與量化處理
        4.1.2 預測模型結構
    4.2 負荷實例預測與分析
        4.2.1 模型搭建環(huán)境介紹
        4.2.2 GRU模型參數(shù)設置
        4.2.3 測試結果與分析
    4.3 本章小結
第5章 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]基于門控循環(huán)單元網(wǎng)絡與模型融合的負荷聚合體預測方法[J]. 陳海文,王守相,王紹敏,王丹.  電力系統(tǒng)自動化. 2019(01)
[2]基于長短期記憶的實時電價條件下智能電網(wǎng)短期負荷預測[J]. 李鵬,何帥,韓鵬飛,鄭苗苗,黃敏,孫健.  電網(wǎng)技術. 2018(12)
[3]用于儲能容量配置的典型負荷曲線提取方法[J]. 修曉青,唐巍,馬健.  太陽能學報. 2018(08)
[4]一種基于LSTM神經(jīng)網(wǎng)絡的短期用電負荷預測方法[J]. 張宇航,邱才明,賀興,凌澤南,石鑫.  電力信息與通信技術. 2017(09)
[5]基于改進模糊C均值聚類算法的云計算入侵檢測方法[J]. 劉緒崇,陸紹飛,趙薇,張悅.  中南大學學報(自然科學版). 2016(07)
[6]面向海量用戶用電特性感知的分布式聚類算法[J]. 朱文俊,王毅,羅敏,林國營,程將南,康重慶.  電力系統(tǒng)自動化. 2016(12)
[7]基于特性指標降維的日負荷曲線聚類分析[J]. 劉思,李林芝,吳浩,孫維真,傅旭華,葉承晉,黃民翔.  電網(wǎng)技術. 2016(03)
[8]結合降維技術的電力負荷曲線集成聚類算法[J]. 張斌,莊池杰,胡軍,陳水明,張明明,王科,曾嶸.  中國電機工程學報. 2015(15)
[9]基于灰色投影改進隨機森林算法的電力系統(tǒng)短期負荷預測[J]. 吳瀟雨,和敬涵,張沛,胡駿.  電力系統(tǒng)自動化. 2015(12)
[10]基于核特征模糊聚類及模糊關聯(lián)熵的齒輪故障模式識別[J]. 李懷俊,謝小鵬.  儀器儀表學報. 2015(04)

博士論文
[1]短期電力負荷預測關鍵問題與方法的研究[D]. 盧蕓.沈陽工業(yè)大學 2007

碩士論文
[1]智能電網(wǎng)中居民用戶聚類與短期負荷預測研究[D]. 吳孟林.重慶郵電大學 2019
[2]基于深度學習的短期電量預測方法研究[D]. 郭海波.北京郵電大學 2019
[3]自適應動態(tài)規(guī)劃在電力系統(tǒng)負荷預測中的應用研究[D]. 曾志明.廣西大學 2013



本文編號：3691256