在單一能源系統(tǒng)中,能源終端各自獨立運(yùn)行使得不同能源的供需利用未有效協(xié)同,從而導(dǎo)致了能源總體上利用效率不高。同時,傳統(tǒng)的化石能源發(fā)電方式還會對環(huán)境會造成一定的破壞,因此有必要減少化石能源的使用,增加可再生能源的開采和使用。相對的,在多能源系統(tǒng)中,可以通過多能協(xié)同耦合互補(bǔ)的方式來提高能源的利用率,又可以通過接入可再生能源減少化石能源的使用來緩解環(huán)境問題。為了實施多種能源協(xié)同利用和精準(zhǔn)的綜合需求響應(yīng),能源負(fù)荷的準(zhǔn)確預(yù)測是必需的。而多能源系統(tǒng)中多能流和信息流的時空耦合是制約能源負(fù)荷預(yù)測精度的關(guān)鍵難題,針對這一難題,多源信息融合的數(shù)據(jù)驅(qū)動方式有望實現(xiàn)高精度的負(fù)荷預(yù)測。為了實現(xiàn)多能源系統(tǒng)中能源負(fù)荷的精準(zhǔn)預(yù)測,本文基于Open DSS對光伏微電網(wǎng)仿真,基于Simulink對燃?xì)廨啓C(jī)建模,通過對Open DSS和Simulink進(jìn)行平臺結(jié)合實現(xiàn)多能源系統(tǒng)的建模,并對能源負(fù)荷的精準(zhǔn)預(yù)測開展了研究。多源特征的高效融合對預(yù)測模型的準(zhǔn)確度至關(guān)重要,因此對多源數(shù)據(jù)進(jìn)行融合和特征提取,作為模型的輸入對能源負(fù)荷進(jìn)行預(yù)測。為了提高模型的預(yù)測準(zhǔn)確性,利用棧式集成學(xué)習(xí)。最終提出了基于多源信息融合方式利用集成學(xué)習(xí)對區(qū)域多能... 

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
        1.3.1 本文主要研究內(nèi)容
        1.3.2 本文組織結(jié)構(gòu)
第二章 區(qū)域多能源系統(tǒng)的組成及其建模仿真
    2.1 區(qū)域多能源系統(tǒng)的組成
    2.2 光伏微電網(wǎng)建模仿真
        2.2.1 IEEE33配電網(wǎng)建模仿真
        2.2.2 光伏建模
    2.3 電-熱聯(lián)供
        2.3.1 燃?xì)廨啓C(jī)
        2.3.2 溴化鋰機(jī)
    2.4 多能源系統(tǒng)建模仿真
    2.5 系統(tǒng)運(yùn)行結(jié)果
    2.6 本章小結(jié)
第三章 電力負(fù)荷預(yù)測相關(guān)方法
    3.1 時序神經(jīng)網(wǎng)絡(luò)
        3.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)
        3.1.2 長短期記憶網(wǎng)絡(luò)(LSTM)
        3.1.3 序列到序列模型(Seq2Seq)
    3.2 決策樹類集成算法
        3.2.1 回歸樹(RDT)
        3.2.2 梯度提升回歸樹(GBRT)
        3.2.3 極端梯度提升(XGBoost)
    3.3 算法性能評估
    3.4 本章小結(jié)
第四章 基于集成學(xué)習(xí)的多能源微電網(wǎng)短期負(fù)荷預(yù)測
    4.1 多能源微網(wǎng)的短期負(fù)荷預(yù)測
    4.2 模型棧式集成
        4.2.1 模型構(gòu)建
        4.2.2 模型訓(xùn)練
        4.2.3 多源信息融合
        4.2.4 棧式集成模型
    4.3 實驗結(jié)果分析
        4.3.1 模型預(yù)測精度對比
        4.3.2 模型泛化性能對比
    4.4 本章小結(jié)
第五章 結(jié)論與展望
    5.1 總結(jié)
    5.2 研究前景展望
參考文獻(xiàn)
致謝
附錄A 攻讀學(xué)位期間相關(guān)研究成果
附錄B 攻讀學(xué)位期間參與的科研項目
附錄C 多能源系統(tǒng)建模所用數(shù)據(jù)


【參考文獻(xiàn)】：
期刊論文
[1]EMD-LSTM算法在短期電力負(fù)荷預(yù)測中的應(yīng)用[J]. 任成國,肖兒良,簡獻(xiàn)忠,王如志.  電力科學(xué)與工程. 2019(08)
[2]含電、氣、熱3種儲能的微網(wǎng)綜合能源系統(tǒng)經(jīng)濟(jì)優(yōu)化運(yùn)行[J]. 施泉生,丁建勇,劉坤,晏偉.  電力自動化設(shè)備. 2019(08)
[3]基于改進(jìn)LMD與GRU網(wǎng)絡(luò)的短期燃?xì)庳?fù)荷預(yù)測[J]. 張彤,徐曉鐘,王曉霞,楊超.  計算機(jī)系統(tǒng)應(yīng)用. 2019(06)
[4]基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的短期負(fù)荷預(yù)測方法[J]. 陸繼翔,張琪培,楊志宏,涂孟夫,陸進(jìn)軍,彭暉.  電力系統(tǒng)自動化. 2019(08)
[5]多算法多模型與在線第二次學(xué)習(xí)結(jié)合的短期電力負(fù)荷預(yù)測方法[J]. 周末,金敏.  計算機(jī)應(yīng)用. 2017(11)
[6]能源互聯(lián)網(wǎng)規(guī)劃研究綜述及展望[J]. 別朝紅,王旭,胡源.  中國電機(jī)工程學(xué)報. 2017(22)
[7]一種基于LSTM神經(jīng)網(wǎng)絡(luò)的短期用電負(fù)荷預(yù)測方法[J]. 張宇航,邱才明,賀興,凌澤南,石鑫.  電力信息與通信技術(shù). 2017(09)
[8]XGBoost在超短期負(fù)荷預(yù)測中的應(yīng)用[J]. 楊修德,王金梅,張麗娜.  電氣傳動自動化. 2017(04)
[9]基于時間序列和灰色模型的短期電力負(fù)荷預(yù)測[J]. 劉丹丹,朱家明,黃婷婷.  齊齊哈爾大學(xué)學(xué)報(自然科學(xué)版). 2017(03)
[10]含冷熱電三聯(lián)供的微能源網(wǎng)能量流計算及綜合仿真[J]. 馬騰飛,吳俊勇,郝亮亮.  電力系統(tǒng)自動化. 2016(23)



本文編號：3718415