导读:本文包含了母线负荷预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:母线,负荷,神经网络,模糊,气象,因素,相关性。
母线负荷预测论文文献综述
熊图,赵宏伟,陈明辉,蔡智洋,陈艳伟[1](2019)在《基于特征排序与深度学习的母线负荷预测方法》一文中研究指出负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求,母线负荷预测是解决这一问题的关键途径。文章提出了基于特征排序与深度学习的母线负荷预测模型。首先,针对各区域母线负荷差异性较大的现状,使用随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性;其次,在模型训练阶段选择了深度置信网络,学习并跟踪母线负荷变化趋势;最后,采用北京电网某条110 kV母线负荷进行实例验证。结果表明,文章所建立的预测模型具有良好的预测精度和稳定度。(本文来源于《可再生能源》期刊2019年10期)
蔡秋娜,张乔榆,刘思捷,闫斌杰,赵燃[2](2019)在《市场环境下考虑多因素影响的母线负荷预测方法》一文中研究指出电价的实时波动会对市场环境下母线负荷预测精度产生一定的影响,为此提出了一种考虑多因素影响的母线负荷预测方法。首先,利用k-means聚类算法,分选出不同类别的负荷群及其聚类中心的基准曲线;然后结合相关性分析求取影响各负荷群类别的气象敏感因素,应用支持向量机(support vector machine, SVM)模型进行回归预测,综合得到母线负荷的初步预测值;最后,结合电价弹性对初步预测值进行修正,以得到贴合未来现货市场运行的母线负荷。以广东东莞某母线数据为例进行仿真,结果证明了所提方法的有效性和实用性。(本文来源于《广东电力》期刊2019年08期)
蒋燕,吴洋,栾毅,周彬彬,赵珍玉[3](2019)在《基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究》一文中研究指出电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。(本文来源于《电气自动化》期刊2019年03期)
袁森,张国强,张健[4](2019)在《基于数值天气预报的母线负荷综合预测模型》一文中研究指出母线负荷预测是电网安全校核和编制发电调度计划的基础。基于母线负荷历史数据和数值气象数据,通过相关性分析将母线负荷进行分类,提出了一种基于数值天气预报的BP神经网络母线负荷预测方法。进而以倍比平滑法和基于数值气象数据的BP神经网络法为基础,建立了分时段变权重的综合预测模型。对烟台地区的母线负荷预测结果表明,所提出的母线负荷综合预测模型有效地提高了预测准确率,对含大规模风电接入电网的输电设备安全校核具有重要的实用价值。(本文来源于《电气自动化》期刊2019年02期)
覃丹璐[5](2018)在《变电站母线负荷预测研究》一文中研究指出变电站内的母线负荷是电网企业制定系统运行方式和电力调度的重要依据,精确的母线负荷预测是提高电力企业调度的精益化、智能化水平的前提,是实现国民又好又快生产和电力企业节能降耗的基础,也是电力设备经济运行和合理安排生产调度的保障。本文利用模糊逻辑控制和人工神经网络两种模型预测变电站母线负荷,又在模糊神经网络模型中引入小波分解数据处理方法,实现了变电站母线负荷下精准预测。本文的主要工作如下:(1)从课题研究和工程需求出发,分析了变电站母线负荷与负荷特性的内在关联,考虑神经网络具有良好的非线性映射能力,以及变电站母线负荷预测的特点,本文利用人工神经网络构建变电站母线负荷预测模型,为构建变电站母线负荷预测模型提供方法和依据;(2)针对南宁地区的电力负荷特征,本文建立了基于BP神经网络的变电站母线负荷预测模型。此外,为进一步提高神经网络预测母线负荷的性能,本文在人工神经网络的基础上引入模糊逻辑理论,考虑南宁典型的气候特征,将温度、天气进行相应的模糊化处理,改进了变电站母线负荷预测模型,进一步提高了对变电站母线负荷预测的准确性。最后,又提出一种基于小波分解的数据处理方法,将其与模糊神经网络模型相结合,使其更适用于南宁地区变电站母线负荷预测,预测效果更好。预测结果表明基于小波分解的模糊神经网络模型具有更高的预测精度,更适用于南宁地区变电站母线负荷预测,也表明文本研究内容具有广阔的研究前景和实用价值。(本文来源于《广西大学》期刊2018-12-01)
张健,张国强,鲍冠南,郭少青,匡洪辉[6](2018)在《考虑新能源空间相关性的母线负荷预测方法》一文中研究指出分布式电源已成为当前风电、光伏等新能源的主要并网形式。分布式电源接入电网,会直接影响区域负荷需求。由于分布式电源功率未实现在线监测,目前尚缺乏实际功率曲线数据支撑其负荷预测。这也导致含分布式电源的母线负荷预测精度大幅下降。针对这一问题,首先从空间维度出发分析了新能源相关性,提出了基于集中式新能源功率曲线预测分布式电源功率的预测方法。在此基础上对传统的母线负荷预测方法进行修正,提出了考虑新能源空间相关性的母线负荷预测方法。最后基于某地区电网实际数据构造算例,验证了方法的有效性。(本文来源于《电气自动化》期刊2018年06期)
李福志[7](2018)在《母线负荷预测系统设计与实现》一文中研究指出电力负荷预测关乎电力网络的安全经济运行,其中母线电力负荷预测作为电力负荷预测的重要内容,是当前电力调度工作的重点项目。准确有效的母线负荷预测可为合理安排电源和电网的建设进度提供决策依据,在电网设备状态估计、运行稳定性、调度分析以及节能效率等方面,提供强有力的保障。母线负荷预测系统的准确预测,将直接影响到电网投资、布局或安全运行的合理性。本论文重点针对电力负荷预测中的母线负荷预测,在介绍负荷预测的几种基本算法基本概念和优缺点的基础上,利用J2EE架构的web编程系统开发工具——Visual Studio,基于母线负荷预测的BP网络最优算法,设计了一套短期电力负荷预测系统软件,并用云模型误差修正对数据进行矫正。通过写入历年数据,实现对指定日期的母线电力负荷预测。论文以近些年四川电网的大数据作为库源,在对母线负荷预测系统的综合叙述、预测算法和数据修正详细描述的基础上,构筑了一套详细的基于J2EE架构web编程的短期负荷预测系统,利用目前较为先进的神经网络算法和云模型数据修正,且该系统侧重于短期负荷预测,通过大量数据预测短期曲线走向的方式,解决了当前现存母线预测应用软件的准确率较低,使用性不高的系统功能问题。该系统的开发,对研究母线负荷预测模型遴选、信息预处理、组合预测模型等具有重大意义。(本文来源于《电子科技大学》期刊2018-09-01)
代雅玲[8](2018)在《考虑微气象与负荷转供的母线负荷预测》一文中研究指出相较于系统负荷预测,母线负荷预测存在负荷基数小、随机因素多、易受负荷转供和小电源影响等问题。针对母线负荷预测面临的难题和不足,本文提出了一种考虑微气象与负荷转供的母线负荷预测方法,所做的主要研究工作如下:针对气象因素造成母线负荷变化规律不明显的问题,本文提出了城市热岛效应、温湿效应以及累积效应对气象因子的修正方法;以叁种效应单独作用时修正的气象因子与天气敏感负荷的相关性分析为基础,提出考虑这叁种效应综合作用的修正计算方法,获得供电区域的微气象信息;挖掘分析城市整体气象与微气象之间的关系,构造一个基于BP神经网络的微气象预测模型,通过某城市或地区的整体气象信息预测母线供电区域的真实气象环境;结果表明考虑微气象中叁种效应的综合作用能真实反应气象因子对负荷的影响规律,所提出的气象因子修正方法在理论上是可行的。为解决因负荷转供的实施改变电力网络拓扑结构而造成母线供电区域不一致的问题,本文提出一种考虑负荷转供的母线供电范围界定方法。该方法根据供电区域简化形成的拓扑结构图,记录实际的开关状态量,利用开关连通路径发现算法得到全连通矩阵;分析全连通矩阵中各元素的取值情况,确认该母线的供电范围。算例结果表明,该界定方法充分考虑到负荷转供的影响,可以准确地通过实际的开关状态量确认母线的供电范围。考虑到母线负荷易受负荷转供以及微气象因素的影响,本文提出了一种综合考虑微气象与负荷转供的预测方法。该方法构造了以微气象因素、日分类、星期类型等影响因素组成的日特征量,计算相似度并根据相似度大小确认相似日;利用开关连通路径发现算法分别计算若干个相似日与待预测日的全连通矩阵,根据矩阵具体取值情况对相似日负荷数据做出相应的处理,保证待预测日与相似日的工作母线处在相同的供电范围。算例表明,综合考虑微气象与负荷转供这两个因素可以显着提高母线负荷预测的准确率,验证了本文所提方法的有效性。(本文来源于《湖南大学》期刊2018-04-20)
盛成功[9](2018)在《基于数据挖掘技术和CEEMD-ELM的短期母线负荷预测》一文中研究指出2018年我国电力行业将遇到新的挑战和任务,持续增强电网建设,保证和提高电网安全可靠性和运行经济性是电网工作的重中之重。而精准的电网母线负荷预测将直接影响到电网安全预警分析、电网输送能力计算、运行计划方式安排、发电计划编制、安全约束调度、无功优化调度以及最优潮流分析结果等,对节能发电调度中的有阻塞管理和安全校核等重要环节也起着重要的基础性作用。目前已经有大量学者对母线负荷预测模型做出了研究,但都存在下列的问题:一般都会笼统地将待测日之前的几日作为历史相似日而没有分析它们之间存在的差异;采用的预测算法不能很好的解决母线负荷的随机性、不稳定性和非线性的特点,导致最后的母线负荷预测结果误差较大;采用的预处理算法不能很好的保留原始母线负荷序列的特征,有的预测模型则根本没有对原始母线负荷序列做任何预处理,只是对预测算法中的参数进行优化处理。本文通过对湖南省电网某两条典型的220KV母线负荷做特性分析,利用数据挖掘(Data Mining)技术发掘出影响母线负荷变化规律的因素,主要包括温度、湿度、星期类型和节假日类型等。并且介绍了信号分解预处理的几种方法,包括经验模态分解算法(Empirical Mode Decomposition,EMD)、集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)和完全总体经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)算法,提出 了基于 CEEMD 的极限学习机(Extreme LeaRning Machines,ELM)的短期母线负荷预测模型。为了进一步优化预测模型,提高母线负荷预测精度,本文提出了基于数据挖掘技术和CEEMD-ELM的短期母线负荷预测模型。首先采用层次聚类对历史母线日负荷进行聚类分析,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练CEEMD-ELM预测模型的历史相似日负荷,通过完全总体经验模态分解算法对非稳定的历史相似日负荷序列进行预处理,序列分解成n(n>1)个稳定的固有模态分量(Intrinsic Mode Function,IMF),然后,利用ELM算法对n个固有模态分量分别进行训练得到n个子预测序列结果,最后,把这n个子预测序列进行重构得到最后的母线负荷预测结果。通过湖南省某两条220KV母线负荷预测实验分析,与传统单一的极限学习机预测模型、基于数据挖掘技术的极限学习机预测模型相比,所提的预测模型预测母线负荷具有更高的准确率。(本文来源于《长沙理工大学》期刊2018-04-01)
杨波[10](2017)在《基于改进模糊聚类法和CPSO-LSSVM的母线负荷预测》一文中研究指出针对大型冶金企业专用母线负荷种类多、分布不均、规律性弱等特点,利用自组织特征映射神经网络(self-organizing feature map,SOM)对模糊聚类法进行改进,以选择待预测日的相似日,通过db4小波对相似日负荷数据进行分解、去噪和重构处理后作为后期预测模型的训练样本;采用混沌粒子群算法(chaos particle swarm optimization,CPSO)对最小二乘支持向量机(least square support vector machine,LSSVM)算法的惩罚参数和核函数覆盖宽度进行优化,构造了基于CPSO和LSSVM的母线负荷预测模型。仿真结果表明:该负荷预测模型,将预测结果的相对误差降低到1.998%,预测精度达到了97%,提高了专用母线负荷预测准确性。(本文来源于《宁夏电力》期刊2017年05期)
母线负荷预测论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
电价的实时波动会对市场环境下母线负荷预测精度产生一定的影响,为此提出了一种考虑多因素影响的母线负荷预测方法。首先,利用k-means聚类算法,分选出不同类别的负荷群及其聚类中心的基准曲线;然后结合相关性分析求取影响各负荷群类别的气象敏感因素,应用支持向量机(support vector machine, SVM)模型进行回归预测,综合得到母线负荷的初步预测值;最后,结合电价弹性对初步预测值进行修正,以得到贴合未来现货市场运行的母线负荷。以广东东莞某母线数据为例进行仿真,结果证明了所提方法的有效性和实用性。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
母线负荷预测论文参考文献
[1].熊图,赵宏伟,陈明辉,蔡智洋,陈艳伟.基于特征排序与深度学习的母线负荷预测方法[J].可再生能源.2019
[2].蔡秋娜,张乔榆,刘思捷,闫斌杰,赵燃.市场环境下考虑多因素影响的母线负荷预测方法[J].广东电力.2019
[3].蒋燕,吴洋,栾毅,周彬彬,赵珍玉.基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究[J].电气自动化.2019
[4].袁森,张国强,张健.基于数值天气预报的母线负荷综合预测模型[J].电气自动化.2019
[5].覃丹璐.变电站母线负荷预测研究[D].广西大学.2018
[6].张健,张国强,鲍冠南,郭少青,匡洪辉.考虑新能源空间相关性的母线负荷预测方法[J].电气自动化.2018
[7].李福志.母线负荷预测系统设计与实现[D].电子科技大学.2018
[8].代雅玲.考虑微气象与负荷转供的母线负荷预测[D].湖南大学.2018
[9].盛成功.基于数据挖掘技术和CEEMD-ELM的短期母线负荷预测[D].长沙理工大学.2018
[10].杨波.基于改进模糊聚类法和CPSO-LSSVM的母线负荷预测[J].宁夏电力.2017