經濟高速發(fā)展的今天,城市化進程也逐步加快,促使各類城市工業(yè)園區(qū)、開發(fā)區(qū)等園區(qū)類配電網對電能質量要求也逐步提高。新型柔性負荷及各種綠色可再生能源高比例并網,為智能園區(qū)提供了多種能源供給選擇。而電網側和用戶側需要更加深入的信息交流,其中識別和分析用戶用電信息是控制的基礎。因此,如何針對新型配電網系統新特征從數據角度進行準確的負荷靈活性建模和特征提取是亟需解決的新問題。本文提出一種基于大數據的新型電網負荷建模及特征提取方法,基于改進變分模態(tài)分解算法(improved variational mode decomposition,IVMD),實現電網負荷數據的精確建模和特征提取。首先,針對新型電網負荷數據的高噪聲問題,提出改進變分模態(tài)分解的預處理算法,優(yōu)化傳統VMD存在的需要依靠主觀判斷輸入K值問題,及邊緣效應影響重構曲線精度問題,繼而利用IVMD的時頻轉換功能將電網負荷時域數據轉換為頻域信號,根據信號頻率進行判斷和剔除含有的噪聲,提高電網數據的穩(wěn)定性與真實性,并生成模型訓練數據。其次,在負荷建模方面,給出基于IVMD算法結合長短期記憶網絡(long short-term memory,LST...

【文章頁數】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現狀和發(fā)展趨勢
        1.2.1 數據預處理算法研究現狀
        1.2.2 電網負荷數據建模研究現狀
        1.2.3 數據特征提取方法研究現狀
    1.3 主要工作及研究內容
    1.4 本章小結
第2章 數據模態(tài)分解算法
    2.1 模態(tài)分解算法
    2.2 EMD算法流程
    2.3 VMD算法流程
    2.4 VMD與 EMD分解結果對比
    2.5 本章小結
第3章 基于IVMD-LSTM的電網負荷數據建模方法
    3.1 VMD算法K值優(yōu)化
    3.2 基于相關系數的自適應分段循環(huán)分解
    3.3 基于IVMD-LSTM的負荷建模方法
        3.3.1 深度學習網絡概述
        3.3.2 LSTM網絡拓撲
        3.3.3 算法流程
    3.4 本章小結
第4章 基于IVMD的電網負荷數據特征提取方法
    4.1 卷積神經網絡基本概念及應用
        4.1.1 人工神經網絡
        4.1.2 卷積神經網絡
        4.1.3 Attention-CNN數據特征提取方法
        4.1.4 SRU數據訓練模型
    4.2 基于IVMD的電網負荷數據特征提取方法應用
    4.3 本章小結
第5章 算例分析
    5.1 負荷建模方法有效性驗證
        5.1.1 數據選擇及處理
        5.1.2 仿真環(huán)境及參數設置
        5.1.3 仿真結果評價
    5.2 負荷特征提取方法有效性驗證
        5.2.1 數據選擇及處理
        5.2.2 仿真環(huán)境及參數設置
        5.2.3 仿真結果評價
    5.3 本章小結
第6章 結論與展望
    6.1 結論
    6.2 不足與展望
參考文獻
在學研究成果
致謝



本文編號：3862771