本文關(guān)鍵詞：智能電網(wǎng)時序數(shù)據(jù)短期預(yù)測分析研究

  更多相關(guān)文章： 智能電網(wǎng) 短期負荷預(yù)測 模糊C均值聚類 小波非參數(shù)回歸 小波神經(jīng)網(wǎng)絡(luò)

【摘要】：負荷預(yù)測在電力系統(tǒng)運行、調(diào)度和規(guī)劃中十分重要,同時在電力系統(tǒng)安全運行中也起著至關(guān)重要的作用。隨著智能電網(wǎng)的深入,如何利用智能電表采集的海量數(shù)據(jù)進行短期負荷預(yù)測,解決負荷數(shù)據(jù)具有不確定性、復(fù)雜性等特點,獲得精確的負荷預(yù)測結(jié)果是一個很有研究意義的課題。從多年的負荷預(yù)測研究經(jīng)驗來看,統(tǒng)計預(yù)測方法與人工智能預(yù)測方法已經(jīng)被用到短期負荷中,其中的一些方法取得了很好的預(yù)測效果。但是在負荷預(yù)測問題上對負荷數(shù)據(jù)的時序特性與用戶用電行為相似性的方面考慮不足。由于聚類算法可以對具有相似性的數(shù)據(jù)或群體進行聚類,聚類后的數(shù)據(jù)進行預(yù)測可提高負荷預(yù)測的精度。因此,針對具有時序特性的智能電表數(shù)據(jù),本文立足于智能電網(wǎng)中地區(qū)級與用戶級的短期負荷預(yù)測問題研究短期負荷預(yù)測方法：本文研究基于時間序列數(shù)據(jù)的短期負荷預(yù)測方法,針對某地區(qū)負荷數(shù)據(jù)的相似性特性提出基于模糊C均值聚類的小波非參數(shù)回歸預(yù)測方法；由于天氣因素、日期因素對負荷預(yù)測具有較大的影響,本文選取溫度與日期作為計算與預(yù)測日負荷曲線相似程度的指標(biāo)來改進回歸預(yù)測模型；針對電力用戶用電行為相似性的特點,本文提出基于聚類的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法。在充分考慮負荷數(shù)據(jù)的時序特性的前提下,本文提出基于模糊C均值聚類的小波非參數(shù)回歸負荷預(yù)測模型；在考慮了用戶用電行為相似性的前提下,本文提出基于用戶行為的小波神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型。并通過實驗證明了兩個模型有很高的預(yù)測精度和適應(yīng)能力,為電力系統(tǒng)短期負荷預(yù)測提供了新思路。
【關(guān)鍵詞】：智能電網(wǎng) 短期負荷預(yù)測 模糊C均值聚類 小波非參數(shù)回歸 小波神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：華北電力大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TM715
【目錄】：

• 摘要5-6
• Abstract6-9
• 第一章 緒論9-17
• 1.1 課題背景及意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-15
• 1.2.1 時序數(shù)據(jù)研究現(xiàn)狀10-11
• 1.2.2 短期負荷預(yù)測研究現(xiàn)狀11-15
• 1.3 論文主要工作與內(nèi)容安排15-17
• 第二章 課題相關(guān)技術(shù)研究17-31
• 2.1 時序數(shù)據(jù)分析技術(shù)17-18
• 2.1.1 時序數(shù)據(jù)預(yù)處理的主要技術(shù)17
• 2.1.2 時序數(shù)據(jù)分析模型17-18
• 2.2 負荷預(yù)測18-22
• 2.2.1 電力負荷的構(gòu)成及特點19-20
• 2.2.2 負荷預(yù)測特性分析20-21
• 2.2.3 負荷預(yù)測的步驟21-22
• 2.3 非參數(shù)回歸模型22-23
• 2.3.1 非參數(shù)回歸模型的優(yōu)點22-23
• 2.3.2 非參數(shù)回歸的主要因素23
• 2.4 神經(jīng)網(wǎng)絡(luò)預(yù)測算法23-28
• 2.4.1 人工神經(jīng)網(wǎng)絡(luò)模型24-25
• 2.4.2 人工神經(jīng)網(wǎng)絡(luò)模型分類25-26
• 2.4.3 BP神經(jīng)網(wǎng)絡(luò)26-28
• 2.5 模糊聚類分析28-31
• 第三章 基于聚類分析的小波非參數(shù)回歸負荷預(yù)測模型31-46
• 3.1 K近鄰非參數(shù)回歸算法31-33
• 3.1.1 樣本數(shù)據(jù)庫的生成31-32
• 3.1.2 狀態(tài)向量的定義32
• 3.1.3 K近鄰搜索方法32
• 3.1.4 預(yù)測算法32-33
• 3.2 基于小波變換改進相關(guān)性分析方法33
• 3.3 基于FCM改進K近鄰搜索方法33-35
• 3.3.1 FCM聚類34
• 3.3.2 FCM改進K鄰近算法步驟34-35
• 3.4 非參數(shù)小波回歸預(yù)測模型35
• 3.5 基于聚類的小波非參數(shù)回歸預(yù)測的流程35-37
• 3.6 模型試驗與結(jié)果分析37-39
• 3.6.1 數(shù)據(jù)樣本的來源及特征37
• 3.6.2 預(yù)測結(jié)果分析37-39
• 3.7 預(yù)測精度比較39-42
• 3.8 考慮天氣與日期因素的回歸負荷預(yù)測模型42-44
• 3.8.1 數(shù)據(jù)預(yù)處理42-43
• 3.8.2 相符度計算與模型構(gòu)建43-44
• 3.9 本章小結(jié)44-46
• 第四章 基于用戶行為的小波神經(jīng)網(wǎng)絡(luò)負荷預(yù)測模型46-56
• 4.1 基于用戶行為相似性的用戶聚類46-47
• 4.2 小波神經(jīng)網(wǎng)絡(luò)47-49
• 4.3 基于FCM的小波神經(jīng)網(wǎng)絡(luò)負荷預(yù)測49-54
• 4.3.1 某地區(qū)負荷曲線分析50-51
• 4.3.2 數(shù)據(jù)預(yù)處理51-52
• 4.3.3 基于FCM對用戶進行聚類52-53
• 4.3.4 采用小波神經(jīng)網(wǎng)絡(luò)預(yù)測53-54
• 4.4 預(yù)測結(jié)果分析54-55
• 4.5 本章小結(jié)55-56
• 第五章 結(jié)論與展望56-58
• 5.1 總結(jié)56
• 5.2 展望56-58
• 參考文獻58-61
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果61-62
• 致謝62

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 鐘慶,吳捷,鐘丹虹;基于系統(tǒng)論的負荷預(yù)測集成化方法[J];電力自動化設(shè)備;2002年10期

2 張伏生,劉芳,趙文彬,寇強,劉沛津,曹正建;基于Internet/Intranet的負荷預(yù)測系統(tǒng)方案[J];電力系統(tǒng)自動化;2003年10期

3 康重慶;牟濤;夏清;;電力系統(tǒng)多級負荷預(yù)測及其協(xié)調(diào)問題 (一)研究框架[J];電力系統(tǒng)自動化;2008年07期

4 李小銳;黎燦兵;袁彥;;基于下級負荷預(yù)測的短期負荷預(yù)測新算法[J];江西電力職業(yè)技術(shù)學(xué)院學(xué)報;2008年02期

5 李新煒;王子琦;方鳴;周鵬;王啟明;李同;鞠平;;基于分區(qū)逐時氣象信息的全網(wǎng)負荷預(yù)測研究[J];電力系統(tǒng)保護與控制;2009年03期

6 康重慶;趙燃;陳新宇;楊興宇;曹欣;劉梅;;多級負荷預(yù)測的基礎(chǔ)問題分析[J];電力系統(tǒng)保護與控制;2009年09期

7 任峰;丁超;;市場環(huán)境下負荷預(yù)測誤差風(fēng)險管理研究[J];現(xiàn)代電力;2009年03期

8 羅鳳章;王成山;肖峻;侯磊;王建民;李亦農(nóng);陳春琴;王賽一;;計及氣溫因素的年度負荷預(yù)測修正方法[J];電力系統(tǒng)及其自動化學(xué)報;2009年03期

9 楊凱;;如何提高負荷預(yù)測的準(zhǔn)確率[J];大眾用電;2009年10期

10 李q，

本文編號：707330