本文關鍵詞：基于多變量LS-SVM和模糊循環(huán)推理系統(tǒng)的負荷預測

  更多相關文章： 智能電網(wǎng) 實時電價 負荷預測 多變量最小二乘支持向量機 關聯(lián)規(guī)則挖掘算法 模糊循環(huán)推理系統(tǒng)

【摘要】：智能電網(wǎng)是未來電網(wǎng)的發(fā)展趨勢,各行業(yè)對電力的依賴增強,對供電可靠性及電能質量的要求日益提高,以高效、清潔、安全、可靠、交互為主要特點的智能電網(wǎng)的實現(xiàn),離不開精確的負荷預測技術的支持。同時,我國積極推進電力體制改革,重點任務就包括有序推進電價改革,理順電價形成機制；推進電力交易體制改革,完善市場化交易機制；建立相對獨立的電力交易機構,形成公平規(guī)范的市場交易平臺。逐漸形成的電力市場需求響應將給傳統(tǒng)用電模式帶來重大變化,用戶可以根據(jù)電能需求結合實時電價調整用電模式,這使得負荷預測變得更加復雜。目前國內針對智能電網(wǎng)需求響應環(huán)境下的負荷預測取得一定的研究成果,隨著電力市場逐步開放,對復雜需求響應環(huán)境下的負荷預測方法研究具有重要的意義。本文以智能電網(wǎng)需求響應環(huán)境下電力市場負荷預測為研究對象,對電力市場售電側、需求側之間的關系進行了討論,以探究更高精度的負荷預測方法。主要內容如下：首先,通過相似日負荷序列局部形相似計算,選取樣本數(shù)據(jù)�？紤]到預測時刻負荷和前面若干時刻負荷的內在規(guī)律,以及負荷曲線的總體相似與局部相似間的差異,將負荷曲線形系數(shù)(負荷序列形狀相似程度的指標)引入預測樣本的選擇中,完成預測樣本的提取,能夠減少訓練數(shù)據(jù),大大提高預測速度和預測性能。其次,采用多輸入雙輸出的最小二乘支持向量機(LS-SVM),對負荷和價格進行同時預測,得到初步預測結果。然后,考慮需求響應條件下實時電價與負荷之間的相互影響,采用基于數(shù)據(jù)挖掘技術的模糊循環(huán)推理系統(tǒng)模擬人的思維過程,通過挖掘電價變化量、負荷變化量等變量之間的關聯(lián)規(guī)則,模擬電價與負荷預測之間存在博弈過程。最后,對多變量最小二乘支持向量機的初步預測結果進行循環(huán)修改,直至負荷和電價預測結果趨于穩(wěn)定。多變量最小二乘支持向量機不存在容易陷入局部最優(yōu)等問題,并且有良好的泛化能力,基于改進的模糊關聯(lián)規(guī)則挖掘算法具有良好的完備性和魯棒性,模糊控制器對循環(huán)預測的控制能夠逼近現(xiàn)實環(huán)境的各種可能情況,修正負荷預測結果。針對某電網(wǎng)的實際預測結果表明,該方法具有較好的預測效果。
【關鍵詞】：智能電網(wǎng) 實時電價 負荷預測 多變量最小二乘支持向量機 關聯(lián)規(guī)則挖掘算法 模糊循環(huán)推理系統(tǒng)
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TM715
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-20
• 1.1 研究背景和意義10-11
• 1.2 智能電網(wǎng)需求響應的發(fā)展概況11-13
• 1.3 國內外研究現(xiàn)狀13-18
• 1.3.1 傳統(tǒng)負荷預測方法的研究現(xiàn)狀13-16
• 1.3.2 電力市場環(huán)境下負荷預測方法的研究現(xiàn)狀16-17
• 1.3.3 負荷預測誤差分析方法17-18
• 1.4 課題來源18
• 1.5 論文的研究內容及安排18-20
• 第2章 負荷預測樣本數(shù)據(jù)的選取20-29
• 2.1 負荷預測數(shù)據(jù)預處理的必要性20
• 2.2 電力負荷特性分析20-23
• 2.2.1 電力負荷的分類21
• 2.2.2 電力負荷的影響因素21-23
• 2.3 負荷預測相似日選取的方法23-25
• 2.3.1 傳統(tǒng)方法23-24
• 2.3.2 使用負荷值來選擇相似日24
• 2.3.3 使用負荷值和負荷增量值來選擇相似日24-25
• 2.4 相似日負荷序列局部形相似25-28
• 2.4.1 負荷序列的局部特性分析25-26
• 2.4.2 負荷序列的局部形相似計算26-27
• 2.4.3 曲線形相似指標的確定27-28
• 2.5 負荷預測樣本的選取28
• 2.6 本章小結28-29
• 第3章 基于多變量LS-SVM的負荷預測29-38
• 3.1 電價預測對負荷預測的影響29
• 3.2 統(tǒng)計學習理論的核心問題29-31
• 3.3 最小二乘支持向量機LS-SVM31-32
• 3.4 多變量最小二乘支持向量機LS-SVM32-35
• 3.4.1 多變量LS-SVM的基本原理32-34
• 3.4.2 多變量LS-SVM模型核函數(shù)的選擇34
• 3.4.3 多變量LS-SVM模型的建立34-35
• 3.5 算例分析35-36
• 3.6 本章小結36-38
• 第4章 模糊關聯(lián)規(guī)則挖掘算法38-49
• 4.1 關聯(lián)規(guī)則挖掘的提出38-39
• 4.2 模糊關聯(lián)規(guī)則39-42
• 4.2.1 模糊關聯(lián)規(guī)則的提出39
• 4.2.2 模糊關聯(lián)規(guī)則的基本概念和定義39-41
• 4.2.3 模糊關聯(lián)規(guī)則的挖掘過程41-42
• 4.3 基于Apriori的模糊關聯(lián)規(guī)則挖掘算法42-43
• 4.4 改進型的多輸入/多輸出對象的模糊關聯(lián)規(guī)則提取算法43-46
• 4.4.1 模糊規(guī)則庫的數(shù)據(jù)挖掘43-45
• 4.4.2 模糊模型的建立45-46
• 4.5 算法的驗證46-48
• 4.5.1 算法的實驗環(huán)境46
• 4.5.2 實驗一46-47
• 4.5.3 實驗二47-48
• 4.6 本章小結48-49
• 第5章 超短期負荷預測綜合模型的建立49-59
• 5.1 模糊控制系統(tǒng)的組成49-50
• 5.2 模糊集模糊變量的定義50-52
• 5.3 基于多變量LS-SVM和模糊循環(huán)推理系統(tǒng)的預測模型52-54
• 5.3.1 樣本數(shù)據(jù)的選取和處理52
• 5.3.2 基于多變量LS-SVM和模糊循環(huán)推理系統(tǒng)的模型建立和預測流程52-54
• 5.4 預測實例分析54-58
• 5.5 本章小結58-59
• 結論59-61
• 參考文獻61-65
• 致謝65-66
• 附錄A 攻讀學位期間所發(fā)表的學術論文目錄66-67
• 附錄B 攻讀學位期間所參加的科研項目目錄67

【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)論的負荷預測集成化方法[J];電力自動化設備;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)多級負荷預測及其協(xié)調問題 (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;;基于下級負荷預測的短期負荷預測新算法[J];江西電力職業(yè)技術學院學報;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;;多級負荷預測的基礎問題分析[J];電力系統(tǒng)保護與控制;2009年09期

7 任峰;丁超;;市場環(huán)境下負荷預測誤差風險管理研究[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測修正方法[J];電力系統(tǒng)及其自動化學報;2009年03期

9 楊凱;;如何提高負荷預測的準確率[J];大眾用電;2009年10期

10 李q，

本文編號：556682