本文選題：電力系統(tǒng)　切入點：短期負荷預測　出處：《湖南大學》2014年碩士論文　論文類型：學位論文

【摘要】：短期負荷預測作為能量管理系統(tǒng)的重要組成部分,預測誤差的大小直接影響電網(wǎng)運行的安全性和經(jīng)濟性。在智能電網(wǎng)建設的大背景下,大規(guī)模電網(wǎng)互聯(lián)以及數(shù)據(jù)采集成本的降低,可獲取的數(shù)據(jù)類型愈加豐富,智能電網(wǎng)中的大數(shù)據(jù)趨勢日益明顯。針對供電區(qū)域遼闊的大電網(wǎng),不同區(qū)域負荷特征各異,受外部因素影響規(guī)律不同。集中式負荷預測方法難以準確把握各區(qū)域的負荷變化規(guī)律,且對海量數(shù)據(jù)挖掘分析能力有限。因此,本文提出基于大數(shù)據(jù)的分布式短期負荷預測方法,綜合利用大數(shù)據(jù)和人工智能方法的優(yōu)勢,提高負荷預測精度。以此為出發(fā)點,本文開展的研究工作如下： 首先,提出基于大數(shù)據(jù)的負荷變化規(guī)律分析方法。在成本許可的情況下,針對不同類型的電力用戶,應盡量全面收集用戶以及環(huán)境信息進行負荷變化規(guī)律分析,以把握不同區(qū)域負荷特征與氣象條件的差異。并以中國南方某省的A市和B市的實際負荷數(shù)據(jù)為基礎,分別對兩地的年、月、日負荷變化規(guī)律進行分析,重點研究夏季典型日負荷變化規(guī)律。由此得出不同地區(qū)負荷特征各異,受外部因素影響規(guī)律不同,在負荷預測工作中需建立有針對性的負荷預測模型。 然后,提出基于大數(shù)據(jù)的分布式短期負荷預測方法。在行政區(qū)域劃分和氣象區(qū)域分布的基礎上,對220kV以及以上的網(wǎng)架結(jié)構(gòu)進行子網(wǎng)劃分,通過評價子網(wǎng)負荷曲線相似度實現(xiàn)子網(wǎng)分類與歸并�；谏鲜鲎泳W(wǎng)劃分,分別建立子網(wǎng)負荷預測模型(ARIMA和BP神經(jīng)網(wǎng)絡),并提取相似度較高的影響因素向量和對應時刻的負荷作為子網(wǎng)負荷預測模型的輸入量,對各個子網(wǎng)分別進行預測。根據(jù)子網(wǎng)的負荷預測值和各時刻比例系數(shù)的預測值,建立全網(wǎng)負荷預測模型,綜合形成大電網(wǎng)的負荷預測結(jié)果。 最后,以中國南方某省的實際負荷數(shù)據(jù)為基礎,采用本文所提方法分別對工作日和休息日進行短期負荷預測,并與集中式負荷預測結(jié)果進行對比分析,以驗證本文所提負荷預測方法的有效性和穩(wěn)定性。算例分析表明本文所提方法在大電網(wǎng)中具有較好的預測精度,并且由于各個子網(wǎng)并行運行,有效降低了負荷預測所需的時間,在實際應用中具備可行性。
[Abstract]:Short-term load forecasting is an important part of energy management system. The magnitude of forecasting error directly affects the security and economy of power grid operation. With the large-scale interconnection of power grid and the reduction of data acquisition cost, the types of data available are becoming more and more abundant, and the trend of big data in smart grid is becoming more and more obvious. In view of the large power grid with a vast power supply area, the load characteristics of different regions vary from region to region. Influenced by external factors, centralized load forecasting method is difficult to accurately grasp the law of load change in various regions, and has limited ability to analyze mass data mining. In this paper, a distributed short-term load forecasting method based on big data is proposed to improve the accuracy of load forecasting by synthetically utilizing the advantages of big data and artificial intelligence. As a starting point, the research work carried out in this paper is as follows:. First of all, put forward the analysis method of load change law based on big data. Under the condition of cost permission, we should collect user and environment information to analyze load change law as far as possible for different types of electric power users. Based on the actual load data of A city and B city in a certain province of southern China, this paper analyzes the variation law of annual, monthly and daily load in two places, based on grasping the difference of load characteristics and meteorological conditions in different regions, and taking the actual load data of A city and B city in southern China as the basis, respectively. Based on the study of the typical daily load variation in summer, it is concluded that the load characteristics of different areas are different, and the influence of external factors is different, so it is necessary to establish a targeted load forecasting model in load forecasting work. Then, a distributed short-term load forecasting method based on big data is proposed. On the basis of administrative division and meteorological area distribution, the network structure of 220 kV and above is subdivided. The subnet classification and merging are realized by evaluating the similarity of the load curve of the subnet. The subnet load forecasting model Arima and BP neural network are established, and the factor vectors with high similarity and the load at the corresponding time are extracted as the input of the subnet load forecasting model. The load forecasting model of the whole network is established according to the load forecast value of the subnet and the forecast value of the ratio coefficient at each time, and the load forecasting results of the large power network are synthesized. Finally, based on the actual load data of a certain province in southern China, the method proposed in this paper is used to carry out short-term load forecasting on weekdays and rest days respectively, and the results are compared with those of centralized load forecasting. In order to verify the validity and stability of the load forecasting method proposed in this paper, the example analysis shows that the proposed method has good prediction accuracy in large power networks, and the time required for load forecasting is effectively reduced because of the parallel operation of each subnet. It is feasible in practical application.
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TM715

【相似文獻】

相關(guān)期刊論文 前10條

1 鞠平,姜巍,趙夏陽,王俊鍇,張世學,劉琰;96點短期負荷預測方法及其應用[J];電力系統(tǒng)自動化;2001年22期

2 莫維仁,孫宏斌,張伯明;面向電力市場的短期負荷預測系統(tǒng)設計及實現(xiàn)[J];電力系統(tǒng)自動化;2001年23期

3 金海峰,熊信艮,吳耀武;基于相似性原理的短期負荷預測方法[J];電力系統(tǒng)自動化;2001年23期

4 趙登福,王蒙,張講社,雷兵,張濤,周琳,王錫凡;基于確定性退火方法的短期負荷預測[J];中國電機工程學報;2001年07期

5 姜勇,盧毅;基于相似日的神經(jīng)網(wǎng)絡短期負荷預測方法[J];電力系統(tǒng)及其自動化學報;2001年06期

6 陳桂遠;廣西電網(wǎng)短期負荷預測及其數(shù)學模型[J];廣西電力技術(shù);2001年01期

7 青志文,沈新祥,劉明清,姚建剛,曾剛,秦煒;地區(qū)電網(wǎng)短期負荷預測系統(tǒng)的研究與開發(fā)[J];湖南電力;2001年03期

8 尤勇,盛萬興,王孫安;一種新型短期負荷預測模型的研究及應用[J];中國電機工程學報;2002年09期

9 陳曉平,胡子珩,劉順桂,莫維仁,張伯明;商業(yè)性城市負荷特點及其短期負荷預測[J];廣東電力;2002年02期

10 唐向陽;應用于短期負荷預測的自適應建模方法[J];廣西電力技術(shù);2002年03期

相關(guān)會議論文 前10條

1 侯廣松;劉偉生;;適用于地區(qū)電網(wǎng)的短期負荷預測方法的研究[A];2005中國電機工程學會電力系統(tǒng)自動化專委會全國供用電管理自動化學術(shù)交流暨供用電管理自動化學科組第二屆年會論文集[C];2005年

2 朱桂華;賴曉平;云昌欽;;在線短期負荷預測方法的研究與應用[A];1995年中國控制會議論文集（上）[C];1995年

3 杜欣慧;張嶺;畢艷華;;采用自適應神經(jīng)網(wǎng)絡進行短期負荷預測[A];2004全國測控、計量與儀器儀表學術(shù)年會論文集（下冊）[C];2004年

4 侯廣松;劉偉生;謝廣建;;基于相關(guān)因素映射和神經(jīng)網(wǎng)絡的短期負荷預測[A];2006電力系統(tǒng)自動化學術(shù)交流研討大會論文集[C];2006年

5 唐向陽;;應用于短期負荷預測的自適應建模方法[A];廣西電機工程學會第七屆青年學術(shù)交流會論文集[C];2002年

6 杜俊紅;滕歡;滕福生;;在線超短期負荷預測的分析與應用研究[A];2006中國電力系統(tǒng)保護與控制學術(shù)研討會論文集[C];2006年

7 侯廣松;劉偉生;;基于相關(guān)因素映射和神經(jīng)網(wǎng)絡的短期負荷預測[A];山東電機工程學會第十一屆優(yōu)秀學術(shù)論文集[C];2008年

8 盛瓊;顧澤;駱麗楠;;基于實時氣象要素的湖州短期負荷預測研究[A];第八屆長三角氣象科技發(fā)展論壇論文集[C];2011年

9 張雪瑩;管霖;;采用譜分析建模和基于人工神經(jīng)網(wǎng)絡的短期負荷預測方案[A];廣東省電機工程學會2003-2004年度優(yōu)秀論文集[C];2005年

10 田曉;顏勇;孔凡坊;顧德英;;新型神經(jīng)網(wǎng)絡在短期負荷預測中的應用研究[A];山東電機工程學會第五屆供電專業(yè)學術(shù)交流會論文集[C];2008年

相關(guān)重要報紙文章 前2條

1 通訊員池長斌;寧夏電網(wǎng)短期負荷預測西北第一[N];中國電力報;2011年

2 通訊員 池長斌;寧夏電力短期負荷預測保持領先[N];中國電力報;2011年

相關(guān)博士學位論文 前10條

1 盧蕓;短期電力負荷預測關(guān)鍵問題與方法的研究[D];沈陽工業(yè)大學;2007年

2 鄭永康;相空間重構(gòu)與支持向量機結(jié)合的短期負荷預測研究[D];西南交通大學;2008年

3 王碩禾;基于短期負荷預測技術(shù)的電能控制系統(tǒng)研究[D];天津大學;2009年

4 程其云;基于數(shù)據(jù)挖掘的電力短期負荷預測模型及方法的研究[D];重慶大學;2004年

5 王志勇;數(shù)據(jù)挖掘方法在短期負荷預測中的應用研究[D];浙江大學;2007年

6 葉彬;混合智能建模技術(shù)及其在短期負荷預測中的應用研究[D];浙江大學;2006年

7 蘇慶新;區(qū)域電力系統(tǒng)超短期負荷預測及網(wǎng)絡建模分析[D];東華大學;2008年

8 吳宏曉;基于軟計算方法的電力系統(tǒng)負荷預測[D];上海交通大學;2007年

9 雷紹蘭;基于電力負荷時間序列混沌特性的短期負荷預測方法研究[D];重慶大學;2005年

10 謝忠玉;電力短期負荷時間序列混沌特性分析及預測研究[D];哈爾濱工程大學;2010年

相關(guān)碩士學位論文 前10條

1 耿艷;基于最小二乘支持向量機的短期負荷預測方法及應用研究[D];山東大學;2008年

2 王黎明;電力系統(tǒng)中短期負荷預測的研究[D];中國石油大學;2008年

3 趙冬紅;短期負荷預測改進方法研究[D];華北電力大學（北京）;2009年

4 潘學華;遺傳模糊算法及其在短期負荷預測中的模型研究[D];華北電力大學（河北）;2009年

5 云會周;基于機器自學習的電力系統(tǒng)超短期負荷預測研究[D];華北電力大學（北京）;2010年

6 邵俊;縣域地區(qū)短期負荷預測模型的研究[D];浙江大學;2009年

7 寧卜;基于模糊聚類分析與最小二乘支持向量機的短期負荷預測[D];西安理工大學;2009年

8 溫可明;市場條件下佛山地區(qū)電網(wǎng)短期負荷預測的研究[D];華南理工大學;2009年

9 鐘光科;偏最小二乘回歸分析在短期負荷預測中的應用[D];河北工程大學;2011年

10 蘇慶新;一種配電網(wǎng)超短期負荷預測的神經(jīng)網(wǎng)絡方法[D];曲阜師范大學;2002年

，

本文編號：1624440