隨著社會(huì)經(jīng)濟(jì)的發(fā)展,人們對(duì)用電的需求也日益擴(kuò)大,如何提高輸電線路的輸送能力是目前電力部門比較關(guān)注的一個(gè)問(wèn)題。新建或者擴(kuò)建輸電線路不僅需要更多的投資成本,而且建設(shè)周期較長(zhǎng)�；谠诰�監(jiān)測(cè)裝置的輸電線路動(dòng)態(tài)增容是以線路的在線監(jiān)測(cè)系統(tǒng)為基礎(chǔ),通過(guò)對(duì)導(dǎo)線溫度和沿線的環(huán)境溫度、風(fēng)速和日照強(qiáng)度等進(jìn)行實(shí)時(shí)監(jiān)測(cè),動(dòng)態(tài)地分析線路可提高最大載流量,充分挖掘輸電線路的載流能力。本文首先比較了不同的載流量計(jì)算公式,然后對(duì)影響導(dǎo)線載流量的相關(guān)因素進(jìn)行了分析,主要包括了日照強(qiáng)度、導(dǎo)線表面系數(shù)、風(fēng)速、導(dǎo)線允許溫度以及環(huán)境溫度等。接著對(duì)動(dòng)態(tài)增容技術(shù)的可行性進(jìn)行了分析,主要從提高導(dǎo)線最大允許溫度、載流量計(jì)算邊界條件和金屬材料的高溫性能三個(gè)角度去闡述。最后通過(guò)對(duì)歷史氣象數(shù)據(jù)的學(xué)習(xí)及預(yù)測(cè),提出基于氣象預(yù)測(cè)的輸電線路動(dòng)態(tài)增容方法,從概率模型去分析線路可提升的最大載流量。主要工作包括以下三個(gè)方面:首先,本文對(duì)BP神經(jīng)網(wǎng)絡(luò)的原理和算法進(jìn)行介紹,然后采用BP神經(jīng)網(wǎng)絡(luò)對(duì)某地區(qū)的氣象因素即環(huán)境溫度、風(fēng)速和日照強(qiáng)度進(jìn)行預(yù)測(cè),由于BP算法對(duì)環(huán)境溫度、風(fēng)速和日照強(qiáng)度的預(yù)測(cè)誤差在可接受范圍內(nèi),因此將預(yù)測(cè)出來(lái)溫度、風(fēng)速和日照強(qiáng)度的數(shù)據(jù)作為后續(xù)載流...

【文章頁(yè)數(shù)】：91 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 課題背景及研究意義
    1.2 提高輸電線路輸電能力相關(guān)技術(shù)
    1.3 輸電線路動(dòng)態(tài)增容技術(shù)國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 國(guó)外發(fā)展現(xiàn)狀
        1.3.2 國(guó)內(nèi)發(fā)展現(xiàn)狀
    1.4 本文的研究?jī)?nèi)容
第二章 輸電線路動(dòng)態(tài)增容理論分析
    2.1 輸電線路載流量計(jì)算公式比較
    2.2 影響導(dǎo)線載流量計(jì)算的因素
        2.2.1 氣象因素對(duì)載流量的影響
        2.2.2 其它因素對(duì)載流量的影響
    2.3 動(dòng)態(tài)增容技術(shù)的可行性分析
        2.3.1 提高導(dǎo)線最大允許溫度
        2.3.2 載流量計(jì)算邊界條件
        2.3.3 金屬材料的高溫性能
    2.4 本章小結(jié)
第三章 基于BP神經(jīng)網(wǎng)絡(luò)的氣象預(yù)測(cè)
    3.1 BP神經(jīng)網(wǎng)絡(luò)建立
        3.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 BP神經(jīng)網(wǎng)絡(luò)的算法原理
    3.2 BP神經(jīng)網(wǎng)絡(luò)氣象預(yù)測(cè)
        3.2.1 樣本數(shù)據(jù)的歸一化處理
        3.2.2 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
    3.3 實(shí)際案例氣象預(yù)測(cè)分析
    3.4 本章小結(jié)
第四章 基于EMD-PSO-KELM的氣象預(yù)測(cè)
    4.1 基于EMD-PSO-KELM的氣象預(yù)測(cè)方法
        4.1.1 經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)
        4.1.2 粒子群優(yōu)化算法(PSO)
        4.1.3 核極限學(xué)習(xí)機(jī)(KELM)
        4.1.4 粒子群優(yōu)化核極限學(xué)習(xí)機(jī)
    4.2 基于EMD-PSO-KELM的氣象預(yù)測(cè)實(shí)驗(yàn)分析
        4.2.1 溫度信號(hào)的EMD-PSO-KELM預(yù)測(cè)分析
        4.2.2 風(fēng)速信號(hào)的EMD-PSO-KELM預(yù)測(cè)分析
        4.2.3 日照強(qiáng)度信號(hào)的EMD-PSO-KELM預(yù)測(cè)分析
    4.3 預(yù)測(cè)結(jié)果分析
        4.3.1 溫度預(yù)測(cè)結(jié)果分析
        4.3.2 風(fēng)速預(yù)測(cè)結(jié)果分析
        4.3.3 日照強(qiáng)度預(yù)測(cè)結(jié)果分析
    4.4 本章小結(jié)
第五章 基于氣象預(yù)測(cè)的輸電線路動(dòng)態(tài)增容概率模型
    5.1 高斯混合模型(GMM)及其求解方法
        5.1.1 高斯混合模型
        5.1.2 期望最大算法(EM)
    5.2 基于BP神經(jīng)網(wǎng)絡(luò)氣象預(yù)測(cè)的載流量動(dòng)態(tài)增容模型
        5.2.1 BP神經(jīng)網(wǎng)絡(luò)氣象預(yù)測(cè)誤差對(duì)載流量模型的影響
        5.2.2 建立基于高斯混合分布的載流量動(dòng)態(tài)增容概率模型
        5.2.3 算例分析
    5.3 基于EMD-PSO-KELM氣象預(yù)測(cè)的載流量動(dòng)態(tài)增容模型
        5.3.1 建立基于高斯混合分布的載流量動(dòng)態(tài)增容概率模型
        5.3.2 算例分析
    5.4 動(dòng)態(tài)增容概率模型比較
    5.5 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷
在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3810101