發(fā)布時間：2020-11-01 19:48

　　 短時電力負(fù)荷的準(zhǔn)確預(yù)測在電網(wǎng)規(guī)劃的技術(shù)層面和經(jīng)濟(jì)方面具有重要意義。本文基于近年來較流行的機(jī)器學(xué)習(xí)算法對短時電力負(fù)荷預(yù)測進(jìn)行深入的研究:針對電力歷史負(fù)荷的數(shù)據(jù)波動特點(diǎn)進(jìn)行多時間尺度分析;根據(jù)靜態(tài)和動態(tài)神經(jīng)網(wǎng)絡(luò)模型特點(diǎn),在小波包分解的基礎(chǔ)上,通過分析精度高、泛化能力強(qiáng)且適于處理時序數(shù)據(jù)的WNN、RBFNN、ENN和NAR神經(jīng)網(wǎng)絡(luò)模型,建立了基于GA遺傳算法的組合模型和NAR回歸型動態(tài)神經(jīng)網(wǎng)絡(luò)模型;為驗(yàn)證所提出理論的有效性,本文選擇利用美國PJM區(qū)域2016.12.1~2017.11.30的小時電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測比較分析,另外選擇澳大利亞新南威爾士州2016.12.1~2017.11.30的小時電力負(fù)荷數(shù)據(jù)證明本論文所提出模型的適用性。本論文主要有以下幾個方面的研究內(nèi)容和結(jié)果:第一,根據(jù)美國PJM電力負(fù)荷數(shù)據(jù)特點(diǎn),利用復(fù)小波分析理論進(jìn)行多時間尺度分析。結(jié)果表明:非平穩(wěn)的負(fù)荷時序中的存在4種變化周期,分別是以52天、33天、17天和7天為變化趨勢;第二,由第一部分負(fù)荷多時間尺度分析的結(jié)果,以第一主周期52天的數(shù)據(jù)為例,建立基于GA的組合預(yù)測模型和NAR神經(jīng)網(wǎng)絡(luò)預(yù)測模型。第三,基于所提出的預(yù)測分析模型,以2017.12.01~2017.12.31的數(shù)據(jù)進(jìn)行預(yù)測分析,并由實(shí)際發(fā)生的負(fù)荷數(shù)據(jù)進(jìn)行驗(yàn)證。結(jié)果表明:PJM區(qū)域基于GA的組合模型和NAR神經(jīng)網(wǎng)絡(luò)預(yù)測模型的R值均為0.976,SMAPE分別為1.4%和1.7%;新南威爾士州基于GA的組合模型和NAR神經(jīng)網(wǎng)絡(luò)預(yù)測模型的R值分別為0.973和0.979,SMAPE分別為1.4%和1.8%。有效的短時電力負(fù)荷預(yù)測對于制定合理的電網(wǎng)規(guī)劃和保證電網(wǎng)系統(tǒng)的穩(wěn)定運(yùn)行提供理論支持。在時序預(yù)測分析方面,本研究的結(jié)果表明,本文所提出的基于多時間尺度分析和GA的組合預(yù)測模型與NAR神經(jīng)網(wǎng)絡(luò)模型對負(fù)荷數(shù)據(jù)預(yù)測均具有較高精度。
【學(xué)位單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：F224;F416.61
【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 研究背景及意義
    1.2 研究內(nèi)容和國內(nèi)外研究現(xiàn)狀
        1.2.1 研究內(nèi)容和方法
        1.2.2 國內(nèi)外研究現(xiàn)狀
    1.3 課題研究和技術(shù)路線
第二章 電力負(fù)荷分析的理論
    2.1 基于MATLAB的數(shù)據(jù)預(yù)處理方法
        2.1.1 數(shù)據(jù)的歸一化處理
        2.1.2 小波包分解
    2.2 多時間尺度分析
        2.2.1 多時間尺度分析理論
        2.2.2 復(fù)Morlet小波理論
    2.3 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型
        2.3.1 Wavelet神經(jīng)網(wǎng)絡(luò)
        2.3.2 RBF神經(jīng)網(wǎng)絡(luò)
        2.3.3 Elman神經(jīng)網(wǎng)絡(luò)模型
        2.3.4 NAR神經(jīng)網(wǎng)絡(luò)
    2.4 基于遺傳算法的組合模型
    2.5 模型評價指標(biāo)
    2.6 本章小結(jié)
第三章 電力負(fù)荷數(shù)據(jù)周期分析
    3.1 電力負(fù)荷的多時間尺度分析
    3.2 復(fù)Morlet小波分析
    3.3 周期尺度劃分
第四章 電力負(fù)荷數(shù)據(jù)預(yù)測分析
    4.1 預(yù)測模型的數(shù)據(jù)預(yù)處理
        4.1.1 基于小波包的數(shù)據(jù)預(yù)處理
        4.1.2 基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)選取
    4.2 預(yù)測結(jié)果分析
        4.2.1 Elman神經(jīng)網(wǎng)絡(luò)分析結(jié)果
        4.2.2 RBF神經(jīng)網(wǎng)絡(luò)分析結(jié)果
        4.2.3 Wavelet神經(jīng)網(wǎng)絡(luò)分析結(jié)果
        4.2.4 NAR神經(jīng)網(wǎng)絡(luò)分析結(jié)果
    4.3 預(yù)測模型對比分析
        4.3.1 單一神經(jīng)網(wǎng)絡(luò)模型和組合模型對比分析
        4.3.2 NAR神經(jīng)網(wǎng)絡(luò)模型與組合模型對比分析
    4.4 數(shù)值預(yù)測與驗(yàn)證分析
    4.5 模型適用性分析
    4.6 本章小結(jié)
第五章 結(jié)論和展望
    5.1 結(jié)論和創(chuàng)新點(diǎn)
    5.2 研究展望
參考文獻(xiàn)
致謝

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 方仍存;周建中;張勇傳;李清清;劉力;;基于粒子群優(yōu)化的非線性灰色Bernoulli模型在中長期負(fù)荷預(yù)測中的應(yīng)用[J];電網(wǎng)技術(shù);2008年12期

2 蔡瓊;陳萍;;灰色GM(1,1)模型及其在電力負(fù)荷預(yù)測中的應(yīng)用[J];自動化技術(shù)與應(yīng)用;2006年03期

3 康重慶,夏清,胡左浩,張伯明;電力市場中預(yù)測問題的新內(nèi)涵[J];電力系統(tǒng)自動化;2004年18期

4 康重慶,夏清,張伯明;電力系統(tǒng)負(fù)荷預(yù)測研究綜述與發(fā)展方向的探討[J];電力系統(tǒng)自動化;2004年17期

5 王吉權(quán),趙玉林;組合預(yù)測法在電力負(fù)荷預(yù)測中應(yīng)用[J];電力自動化設(shè)備;2004年08期

6 游仕洪,程浩忠,謝宏,郭文鑄,盧金滇;模糊組合預(yù)測在中長期負(fù)荷預(yù)測中的應(yīng)用[J];電力系統(tǒng)及其自動化學(xué)報;2004年03期

7 趙劍劍,張步涵,程時杰,陸儉;一種基于徑向基函數(shù)的短期負(fù)荷預(yù)測方法[J];電網(wǎng)技術(shù);2003年06期

8 劉雙,楊麗徙,王志剛,賈德峰,陳根永;基于Matlab神經(jīng)網(wǎng)絡(luò)工具箱的電力負(fù)荷組合預(yù)測模型[J];電力自動化設(shè)備;2003年03期

9 康重慶,夏清,沈瑜,相年德;電力系統(tǒng)負(fù)荷預(yù)測的綜合模型[J];清華大學(xué)學(xué)報(自然科學(xué)版);1999年01期

相關(guān)碩士學(xué)位論文 前6條

1 尹立;基于支持向量機(jī)的某區(qū)域電網(wǎng)電力需求的預(yù)測研究[D];北京交通大學(xué);2014年

2 原媛;電力負(fù)荷特性分析及中長期負(fù)荷預(yù)測方法研究[D];上海交通大學(xué);2008年

3 呂嬋;基于BP神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測[D];華中科技大學(xué);2007年

4 任麗娜;基于Elman神經(jīng)網(wǎng)絡(luò)的中期電力負(fù)荷預(yù)測模型研究[D];蘭州理工大學(xué);2007年

5 王白玲;電力負(fù)荷組合預(yù)測的理論方法及影響因素分析[D];華北電力大學(xué)（北京）;2005年

6 梁亞麗;中國電力需求周期波動特征及影響因素研究[D];華北電力大學(xué)（北京）;2005年

本文編號：2866007