导读:本文包含了负荷模型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:负荷,非点源,充电站,模型,电动汽车,模糊,建筑。
负荷模型论文文献综述
谭梅,田田,吕晓华,查宇亮[1]（2019）在《联合机能试验负荷模型下的动态心电评价》一文中研究指出目的:联合机能试验负荷条件下,通过动态心电监测,快速筛选运动时心血管风险、评价运动强度和体能储备。方法:对10例体育学硕士研究生在联合机能试验的标准负荷条件下进行连续负荷心电图描记,并对动态心电图监测结果进行研究。结果:心率加速、匀速和减速时R波电压比较结果中,大部分个例(51.72%)及总体反应出的左室电压均在心率加速时较高;将29人次中RRn/RRn+1与R波电压具有相关性的22人次作加速度、3加速度、5加速度、15加速度与对应R波电压的线性回归分析,分别有16人次、18人次、20人次和22人次,差异有显着性意义(P<0.05),具有线性回归关系;对总数据分析结果显示,除3加速度外,其余均具有线性回归关系;总体心电散点图呈现为窦性心律和运动负荷诱发的窦速,伴偶发房早。结论:在联合机能试验条件下,心功失代偿之前,或可以心脏实际负荷推测躯体外周负荷,联合应用心电散点图分析技术,在既定运动量下(如联合机能试验)实时的全程动态心电监测,或可以作为运动时心血管风险快筛、运动强度和体能储备快速识别、运动强度精确评价的参考方法。(本文来源于《中国康复医学杂志》期刊2019年12期）
龚钢军,安晓楠,陈志敏,张帅,文亚凤[2]（2019）在《基于SAE-ELM的电动汽车充电站负荷预测模型》一文中研究指出电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAEELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAEELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。(本文来源于《现代电力》期刊2019年06期）
刘敦楠,李鹏飞,葛睿,韩金山[3]（2019）在《考虑可调控负荷和储能的区域互联备用优化模型》一文中研究指出跨区互联能有效促进清洁能源消纳,但跨区互联会对区域内部机组备用及线路传输裕度产生影响,进而给电网安全稳定运行带来挑战。随着泛在电力物联网建设进程的推进,用户侧负荷需求响应不断深入,且分布式发电、储能技术也迅速发展,为解决区域互联备用问题提供了更多有效方式。同时,随着泛在电力物联网下电网结构的复杂化,传统集中式算法面临信息存储、数据交换、信息保护方面的问题。基于分布式算法,针对储能和可调控负荷参与下的跨区互联协同调度问题进行了研究。首先,建立了考虑风光火储和可调控负荷的多区域调度场景。然后,以多区域系统总运行成本最小为目标函数,考虑不确定性下的鲁棒等价约束,由此建立多区域优化调度模型,并采用分布式算法进行求解。最后,通过算例分析验证了鲁棒等价约束的有效性及储能系统和可调控负荷对缓解机组备用压力的有效性。(本文来源于《电力建设》期刊2019年12期）
李大鸣,柳瑞英,罗珊,张弘强,刘俊滨[4]（2020）在《渤海新区海岸带陆域环境研究Ⅰ:污染负荷估算模型》一文中研究指出针对渤海新区海岸带污染问题,建立了旨在为生态环境综合评价提供依据的污染物负荷估算模型。以工业污染作为点源污染源,居民生活污水、畜禽养殖、农业化肥、水产养殖等作为非点源污染源,分别采用常规统计法和输出系数法计算研究区域内TN、TP、COD、NH_3-N等4种主要污染物在现状及规划情况下的排放量及其分布。此外,分析了各污染物的主要来源并考虑不同处理方式对污染物的削减效果。结果表明:较于现状,规划下污染物排放量将增加,但两者趋势均为COD>TN>NH_3-N>TP,且主要污染源为居民生活污水及畜禽养殖。各主要污染物在现状及规划下的排放分布基本一致,主要集中在人口较多、经济较发达地区。(本文来源于《干旱区资源与环境》期刊2020年01期）
姜平,赵保国,张海伟,李丽锋,王鹏程[5]（2019）在《基于T-S模糊神经网络的热负荷预测模型》一文中研究指出为了解决火电厂供热和供电的矛盾、增强机组的调峰范围,需要建立精确的热负荷预测模型。针对热电联供系统热负荷影响因素多、耦合性非线性强等特点,利用T-S模糊神经网络算法建立热负荷预测模型,用于预测未来时间热负荷的变化。通过基于减法聚类的模糊C均值聚类算法进行结构辨识,再利用模糊神经网络的混合学习算法进行参数辨识。为了建立热负荷的精确模型,选取热负荷的主要影响因素作为变量。其中,将室外温度、供水温度、回水温度、供水流量作为输入变量,热负荷作为输出变量,并从热电厂DCS上采集连续两天24 h的历史数据,将前一天的数据作为训练集和后一天的数据作为检测集。在MATLAB上进行试验。仿真结果显示:98%的训练样本的相对误差在±0.4%之间,且98%的检测样本的相对误差在±0.6%之间。这表明预测模型的拟合度精确度较好,可以为供热机组调峰研究提供依据。(本文来源于《自动化仪表》期刊2019年11期）
袁晓冬,费骏韬,胡波,张友旺,葛乐[6]（2019）在《资源聚合商模式下的分布式电源、储能与柔性负荷联合调度模型》一文中研究指出分布式电源、储能、柔性负荷等分布式资源数量众多、布局分散,难以直接被电网调度。资源聚合商可通过内部整合各类分布式资源执行电网调度指令。基于资源聚合商运行模式,建立了结合大容量资源直接调度与小容量资源电价响应间接调度的联合调度模型。在此基础上,以资源聚合商利润最大为优化目标,对大容量资源调度性能差异进行滚动在线评估,设置动态综合调度优先级。针对小容量资源间接调度的不确定性,提出了包含模糊参数的机会调度约束。应用改进的粒子群算法将模糊机会约束清晰化并求解调度模型。基于IEEE33节点配电网络,验证了所提模型和算法的有效性和科学性。(本文来源于《电力系统保护与控制》期刊2019年22期）
杨本臣,于坤鹏,张军[7]（2019）在《基于ELM优化模型的用户短期负荷研究》一文中研究指出随着售电侧的逐步开发以及用电大数据时代的到来,短期负荷预测更加复杂,必须综合考虑实时电价、用户历史用电行为以及预测模型的精度和时间复杂度。在分析各种短期负荷影响因素的基础上,利用K-means聚类方法对用户历史用电行为进行聚类,再利用兼具有自动寻找隐层节点数和在线学习功能的I-OS-ELM学习机进行负荷预测。实例预测结果证明,该模型能够有效地解决实时电价机制下短期负荷的预测问题。(本文来源于《计算机应用与软件》期刊2019年11期）
陈旭,叶琳浩,黄廷城,江浩侠,陈家超[8]（2019）在《基于电动汽车最小高峰负荷模型的微电网可靠性分析》一文中研究指出电动汽车充电时间灵活、调控性能好,可作为一种可控负荷参与微电网的负荷调节,从而避免微电网孤岛运行时发电量不足而切负荷。基于此,重点研究了计及电动汽车充电控制策略的微电网可靠性分析。首先,建立了电动汽车最小高峰负荷模型,以评估微电网孤岛运行时电动汽车的调控潜力。紧接着,基于最小高峰负荷模型,提出了计及供电可靠性的电动汽车-储能联合调控策略。然后,基于蒙特卡洛模拟法,提出了计及电动汽车-储能联合调控策略的微电网可靠性评估方法。最后,通过改进的RBTSBus6F4馈线系统进行算例仿真。仿真结果验证了所提模型和策略的有效性。算例结果表明,所提的微电网调控策略能在满足电动汽车充电需求的基础上,有效降低电动汽车接入对微电网可靠性的影响。(本文来源于《电力系统保护与控制》期刊2019年21期）
范成,叶曈曈,王家远,刘易[9]（2019）在《基于可解读机器学习的建筑冷负荷预测模型评估方法》一文中研究指出近年来,建筑自动化系统(BAS)在现代建筑中广泛安装运用。BAS能够对建筑系统进行自动监测及实时控制,同时存储着海量的建筑能耗监测数据。通过使用数据挖掘技术,可以从这些海量数据中提取出有价值的信息,进而运用到建筑能耗分析、能耗与负荷预测、故障诊断、优化控制等多个方面。监督类数据挖掘技术能够很好地提高能耗预测的精度,但由于构建的预测模型多为黑箱模型,其预测逻辑并不能被轻松地解读,这也是限制高精度黑箱预测模型实用性的根本原因。针对这一问题,发展了一套基于可解读机器学习概念的预测模型评估方法。研究首先运用机器学习算法对建筑冷负荷进行高精度建模,其次通过构建局部线性解释模型对预测个体进行解读,同时基于局部解释模型的参数建立了一种信任指数,用于评价复杂黑箱模型的实际表现。本研究的成果可以帮助建筑运维人员更加全面和快速地了解复杂黑箱模型的预测逻辑,同时可以为模型评估提供一种新型指标,有利于提升复杂模型在决策过程中的实际效用。(本文来源于《建筑节能》期刊2019年10期）
陈寒冬,郭佳田,施海斌,范华东,施春波[10]（2019）在《考虑气象因素的精细化短期负荷预测模型研究》一文中研究指出传统的负荷特性分析方法,由于基础数据及处理方法的限制一般无法达到用户级的精细化预测。研究基于大数据技术中的决策树、神经网络等算法建立用户级的短期负荷预测模型,首先基于灰色关联度分析方法,定量分析气象因素对用电负荷特性的影响,并选取关键影响因素,作为决策树算法的输入向量;在对用户的历史负荷数据进行聚类分析后,为每一条日负荷曲线建立类别标签;通过决策树算法建立分类规则,并将待预测日进行分类;最终采用Elman神经网络对某用户进行短期负荷预测,验证模型的有效性。(本文来源于《电力学报》期刊2019年05期）
负荷模型论文开题报告
（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：
电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAEELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAEELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。
（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。
负荷模型论文参考文献
[1].谭梅,田田,吕晓华,查宇亮.联合机能试验负荷模型下的动态心电评价[J].中国康复医学杂志.2019
[2].龚钢军,安晓楠,陈志敏,张帅,文亚凤.基于SAE-ELM的电动汽车充电站负荷预测模型[J].现代电力.2019
[3].刘敦楠,李鹏飞,葛睿,韩金山.考虑可调控负荷和储能的区域互联备用优化模型[J].电力建设.2019
[4].李大鸣,柳瑞英,罗珊,张弘强,刘俊滨.渤海新区海岸带陆域环境研究Ⅰ:污染负荷估算模型[J].干旱区资源与环境.2020
[5].姜平,赵保国,张海伟,李丽锋,王鹏程.基于T-S模糊神经网络的热负荷预测模型[J].自动化仪表.2019
[6].袁晓冬,费骏韬,胡波,张友旺,葛乐.资源聚合商模式下的分布式电源、储能与柔性负荷联合调度模型[J].电力系统保护与控制.2019
[7].杨本臣,于坤鹏,张军.基于ELM优化模型的用户短期负荷研究[J].计算机应用与软件.2019
[8].陈旭,叶琳浩,黄廷城,江浩侠,陈家超.基于电动汽车最小高峰负荷模型的微电网可靠性分析[J].电力系统保护与控制.2019
[9].范成,叶曈曈,王家远,刘易.基于可解读机器学习的建筑冷负荷预测模型评估方法[J].建筑节能.2019
[10].陈寒冬,郭佳田,施海斌,范华东,施春波.考虑气象因素的精细化短期负荷预测模型研究[J].电力学报.2019
论文知识图
