本文關(guān)鍵詞：基于改進(jìn)支持向量機(jī)的微電網(wǎng)負(fù)荷預(yù)測(cè)研究

  更多相關(guān)文章： 微網(wǎng)負(fù)荷 小波去噪 支持向量機(jī) 主成分分析法 多種群遺傳算法

【摘要】：微電網(wǎng)負(fù)荷預(yù)測(cè)是微網(wǎng)電力系統(tǒng)能量調(diào)度的重要組成部分,其直接影響著微網(wǎng)運(yùn)行的穩(wěn)定性和經(jīng)濟(jì)性,是分布式能源智能化管理的重要前提,是提高微網(wǎng)用戶側(cè)負(fù)荷優(yōu)化的基本依據(jù)。由于微網(wǎng)負(fù)荷具有結(jié)構(gòu)簡(jiǎn)單、波動(dòng)性強(qiáng)、負(fù)荷數(shù)據(jù)非線性且負(fù)荷影響因素難以統(tǒng)計(jì)等特點(diǎn),因此本文的主要研究?jī)?nèi)容為基于支持向量機(jī)算法的微電網(wǎng)負(fù)荷預(yù)測(cè)。首先,本文選用智能微網(wǎng)小區(qū)的歷史負(fù)荷數(shù)據(jù)作為分析微網(wǎng)負(fù)荷預(yù)測(cè)的主體,構(gòu)建了基于天氣影響因素、星期類型、實(shí)時(shí)電價(jià)等外界影響因素的多維數(shù)據(jù)變量。由于微網(wǎng)負(fù)荷數(shù)據(jù)在采集、傳輸過(guò)程中存在“噪點(diǎn)”數(shù)據(jù),影響負(fù)荷預(yù)測(cè)準(zhǔn)確性,針對(duì)這一難點(diǎn)將采用小波閾值方法進(jìn)行數(shù)據(jù)去噪,通過(guò)matlab仿真分析驗(yàn)證小波消噪方法不僅可以使負(fù)荷數(shù)據(jù)中無(wú)用信息大部分剔除,還盡可能地把微網(wǎng)負(fù)荷特性完整的保留下來(lái)。其次,在負(fù)荷異常數(shù)據(jù)的處理上,采用模糊C均值聚類算法提取特征日負(fù)荷曲線,對(duì)異常數(shù)據(jù)辨識(shí)和修正。另外,針對(duì)影響微網(wǎng)負(fù)荷數(shù)據(jù)維數(shù)眾多難以取舍的問(wèn)題,采用主成分分析法的原理,通過(guò)提取各維變量的特征函數(shù),根據(jù)個(gè)體貢獻(xiàn)率和累計(jì)貢獻(xiàn)率這兩個(gè)指標(biāo)確定變量維數(shù),達(dá)到降維的目的。最后,針對(duì)支持向量機(jī)建模的過(guò)程中核函數(shù)難以選取的問(wèn)題,應(yīng)用控制變量法確定以徑向基函數(shù)為核函數(shù)。支持向量機(jī)在負(fù)荷預(yù)測(cè)過(guò)程中需要調(diào)節(jié)運(yùn)行參數(shù),而最優(yōu)的運(yùn)行參數(shù)對(duì)提高負(fù)荷預(yù)測(cè)精度具有決定性作用,針對(duì)這一缺點(diǎn),本文提出采用多種群遺傳算法優(yōu)化支持向量機(jī)中的運(yùn)行參數(shù),通過(guò)將標(biāo)準(zhǔn)遺傳算法改為多種群遺傳算法,提高了參數(shù)尋優(yōu)的局部搜索能力和全局搜索能力,避免參數(shù)優(yōu)化陷入局部極值,從而提高支持向量機(jī)微網(wǎng)負(fù)荷預(yù)測(cè)的精度和泛化能力。
【關(guān)鍵詞】：微網(wǎng)負(fù)荷 小波去噪 支持向量機(jī) 主成分分析法 多種群遺傳算法
【學(xué)位授予單位】：東北石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM715
【目錄】：

• 摘要4-5
• ABSTRACT5-7
• 創(chuàng)新點(diǎn)摘要7-10
• 第一章 緒論10-17
• 1.1 研究背景及意義10-11
• 1.2 微電網(wǎng)負(fù)荷預(yù)測(cè)方法及原理11-16
• 1.2.1 微電網(wǎng)理論11-12
• 1.2.2 負(fù)荷預(yù)測(cè)原理及其分類12-14
• 1.2.3 負(fù)荷預(yù)測(cè)方法國(guó)內(nèi)外研究現(xiàn)狀14-16
• 1.3 本文研究主要內(nèi)容16-17
• 第二章 微電網(wǎng)負(fù)荷影響因素分析及數(shù)據(jù)辨識(shí)與修正17-30
• 2.1 短期負(fù)荷影響因素分析17-21
• 2.1.1 時(shí)間影響因素17-18
• 2.1.2 天氣影響因素18-21
• 2.2 微電網(wǎng)負(fù)荷數(shù)據(jù)辨識(shí)與修正21-28
• 2.2.1 異常數(shù)據(jù)處理21-23
• 2.2.2 數(shù)據(jù)無(wú)量綱化處理23-24
• 2.2.3 數(shù)據(jù)去噪處理24-27
• 2.2.4 數(shù)據(jù)降維處理27-28
• 2.3 負(fù)荷預(yù)測(cè)結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)28-29
• 2.4 本章小結(jié)29-30
• 第三章 基于支持向量機(jī)的微電網(wǎng)負(fù)荷預(yù)測(cè)模型30-41
• 3.1 支持向量機(jī)最佳分類面30-31
• 3.2 支持向量回歸機(jī)模型建立31-33
• 3.3 核函數(shù)對(duì)支持向量機(jī)的作用33-35
• 3.4 負(fù)荷預(yù)測(cè)算例分析35-40
• 3.5 本章小結(jié)40-41
• 第四章 多種群遺傳算法優(yōu)化支持向量機(jī)微電網(wǎng)負(fù)荷預(yù)測(cè)41-53
• 4.1 遺傳算法優(yōu)化支持向量機(jī)41-46
• 4.1.1 遺傳算法組成41-43
• 4.1.2 遺傳算法基本流程43-44
• 4.1.3 仿真驗(yàn)證44-46
• 4.2 改進(jìn)的多種群遺傳算法46-48
• 4.3 MPGA-SVM微網(wǎng)負(fù)荷預(yù)測(cè)算法分析與比較48-52
• 4.4 本章小結(jié)52-53
• 第五章 微電網(wǎng)負(fù)荷預(yù)測(cè)模型的GUI實(shí)現(xiàn)53-57
• 5.1 軟件模塊53-55
• 5.2 軟件整體界面55-56
• 5.3 本章小結(jié)56-57
• 結(jié)論57-58
• 參考文獻(xiàn)58-62
• 發(fā)表文章目錄62-63
• 致謝63-64

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 鐘慶,吳捷,鐘丹虹;基于系統(tǒng)論的負(fù)荷預(yù)測(cè)集成化方法[J];電力自動(dòng)化設(shè)備;2002年10期

2 張伏生,劉芳,趙文彬,寇強(qiáng),劉沛津,曹正建;基于Internet/Intranet的負(fù)荷預(yù)測(cè)系統(tǒng)方案[J];電力系統(tǒng)自動(dòng)化;2003年10期

3 康重慶;牟濤;夏清;;電力系統(tǒng)多級(jí)負(fù)荷預(yù)測(cè)及其協(xié)調(diào)問(wèn)題 (一)研究框架[J];電力系統(tǒng)自動(dòng)化;2008年07期

4 李小銳;黎燦兵;袁彥;;基于下級(jí)負(fù)荷預(yù)測(cè)的短期負(fù)荷預(yù)測(cè)新算法[J];江西電力職業(yè)技術(shù)學(xué)院學(xué)報(bào);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(shí)氣象信息的全網(wǎng)負(fù)荷預(yù)測(cè)研究[J];電力系統(tǒng)保護(hù)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(jí)負(fù)荷預(yù)測(cè)的基礎(chǔ)問(wèn)題分析[J];電力系統(tǒng)保護(hù)與控制;2009年09期

7 任峰;丁超;;市場(chǎng)環(huán)境下負(fù)荷預(yù)測(cè)誤差風(fēng)險(xiǎn)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(jì)及氣溫因素的年度負(fù)荷預(yù)測(cè)修正方法[J];電力系統(tǒng)及其自動(dòng)化學(xué)報(bào);2009年03期

9 楊凱;;如何提高負(fù)荷預(yù)測(cè)的準(zhǔn)確率[J];大眾用電;2009年10期

10 李q，

本文編號(hào)：1111304