微電網可以有效解決大量分布式發(fā)電并網的問題,實現對分布式能源的最大化利用,保證負荷的供電可靠性和電網運行的經濟性,因此保障微電網的優(yōu)化運行就顯得極其重要。本文以光伏微網為研究對象,對微網中用戶側負荷預測、光伏逆變器的控制和儲能蓄電池SOC預測展開了研究。本文的主要研究工作如下:本文首先分析了課題的研究背景及意義,介紹了光伏微網的基本概念及其優(yōu)化運行的研究現狀,最后列舉了一些光伏微網的關鍵技術,分別對負荷預測技術、光伏逆變器電流控制技術和儲能蓄電池SOC預測技術的研究現狀進行了綜述。其次針對配電網絡中大量分布式電源的接入增加了用戶用電模式復雜度問題,提出了基于人體舒適度指數的改進Elman神經網絡短期居民負荷預測方法。對居民負荷的特性和影響因素進行了詳盡的分析,引入了人體舒適度指數,研究了 Elman神經網絡的結構,改進了 Elman神經網絡隱藏層的激活函數。在不同負荷類型情況下,該方法均提高了居民負荷的預測精度。然后在分析NPC三電平逆變器基本工作原理的基礎上,提出了一種NPC并網逆變器的RBF神經網絡多步預測電流控制策略。對傳統(tǒng)逆變器電流控制策略進行了分析,在傳統(tǒng)模型預測控制方法的基... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數】：62 頁

【學位級別】：碩士

【部分圖文】：

圖２．１?Ｅｌｍａｎ神經網絡的結構??由Ｅｌｍａｎ神經網絡的結構圖可知，承接層第Ｚ個單元々時刻的輸出為：??

］４〇?？??實際負荷???Ｅｌｍａｎ??Ｅｌｍａｎ??１２０??ＲＢＦ?１２０?．…ＲＢＦ??＾?改進?Ｅｌｍａｎ?、?改進?Ｅｌｍａｎ??＞?１００??１?－?＞?１００????？?？??搭?８０＿?？?？鋌?８０?＾??丨丨??〇??＇?＇?＇?＇??０?１?１?１?１???０?５?１０?１５?２０?２５?０?５?１０?１５?２０?２５??時間／ｈ?時間／ｈ??（Ｃ）?（ｄ）??圖２．４四個季節(jié)天氣的負荷預測結果：（ａ）春季；（ｂ）夏季；（ｃ）秋季；（ｄ）冬季??圖２．４為春夏秋冬四季中的一組負荷預測結果對比分析圖，由圖可以看出，??由于在夏季用電行為不確定性較大，導致在負荷波峰時段的預測精度有所下降。??表２．２是３種方法對四個季節(jié)的負荷分別進行預測時的誤差，表中誤差均為３０??次實驗的平均值。在考慮溫度、濕度、風速影響的情況下，改進Ｅｌｍａｎ神經網絡??預測方法可以描述出影響因子和負荷之間的非線性關系，相應的四個季節(jié)的預??測誤差都比ＲＢＦ神經網絡和Ｅｌｍａｎ神經網絡預測方法的小，在一定程度上可以??提高居民負荷預測的精度。??表２．２四個季節(jié)的負荷預測誤差??ＭＡＰＥ／％??季節(jié)?ＲＢＦ?Ｅｌｍａｎ?改進?Ｅｌｍａｎ??１００１?８３４?６＾５９??夏季?１０．７９?９．８７?８．２２??秋季?８．９５?８．５１?６：１０??冬季?９．２５?９．０４?７．７８??１６??

?ｏ?１?＇?＇?＇???０?５?１０?１５?２０?２５?０?５?１０?１５?２０?２５??時間／ｈ?時間／ｈ??（ａ）?（ｂ）??１６０?■?■?■?■???１４〇???實際負荷???Ｅｌｍａｎ??１２０?…．■…ＲＢＦ??改進?Ｅｌｍａｎ??Ｉ?１００?■１??．?？??瘧?８０．?Ａｉｋ??０??１?１?１?１???０?５?１０?１５?２０?２５??時間／ｈ??（Ｃ）??圖２．５不同天氣類型的負荷預測結果：（ａ）連續(xù)晴天；（ｂ）連續(xù)雨天；（ｃ）連續(xù)陰天??表２．３不同天氣類型的負荷預測誤差??ＭＡＰＥ／％??氣候類型?ＲＢＦ?Ｅｌｍａｎ?改進Ｅｌｍａｎ??連續(xù)晴天?￣?１０６４?７＾５９??連續(xù)雨天?１６．３０?１３．９２?１１．２４??連續(xù)陰天?１１．６１?１１．３８?９．２８??由圖２．５可以看出，Ｅｌｍａｎ神經網絡與ＲＢＦ神經網絡的預測結果與實際輸??出存在一定的誤差，曲線擬合度較低。改進Ｅｌｍａｎ神經網絡的預測結果基本符??１７??

【參考文獻】：
期刊論文
[1]面向微電網源–儲–荷互動的分布式多目標優(yōu)化算法研究[J]. 王僑僑,曾君,劉俊峰,陳劍龍,王振剛.  中國電機工程學報. 2020(05)
[2]基于一致性算法的戶用光伏逆變器和儲能分布式控制策略[J]. 張博,唐巍,蔡永翔,王照琪,李天銳,張涵.  電力系統(tǒng)自動化. 2020(02)
[3]估算鋰電池SOC的基于LM的BP神經網絡算法[J]. 姚芳,張楠,黃凱.  電源技術. 2019(09)
[4]計及電熱混合儲能的多源微網自治優(yōu)化運行模型[J]. 滕云,孫鵬,羅桓桓,陳哲.  中國電機工程學報. 2019(18)
[5]含冰蓄冷裝置的冷電聯供型微網經濟優(yōu)化運行[J]. 施泉生,晏偉,任洪波,丁建勇.  電源學報. 2019(06)
[6]基于內阻法修正的蓄電池卡爾曼濾波SOC估算[J]. 司偉,馮長江,黃天辰.  計算機測量與控制. 2018(12)
[7]基于改進非線性下垂控制的微電網并/離網切換技術研究[J]. 王樹東,杜巍,王煥宇,林莉,陳維鉛.  電測與儀表. 2018(16)
[8]計及需求響應的主動配電網短期負荷預測[J]. 蘇小林,劉孝杰,閻曉霞,王穆青,韓學楠.  電力系統(tǒng)自動化. 2018(10)
[9]基于深度信念網絡的短期負荷預測方法[J]. 孔祥玉,鄭鋒,鄂志君,曹旌,王鑫.  電力系統(tǒng)自動化. 2018(05)
[10]基于BP神經網絡的微電網蓄電池荷電狀態(tài)估計[J]. 朱曉青,馬定寰,李圣清,吳文鳳,明瑤,張煜文.  電子測量與儀器學報. 2017(12)

博士論文
[1]基于卷積神經網絡的計算機視覺關鍵技術研究[D]. 李彥冬.電子科技大學 2017
[2]中國新能源發(fā)展研究[D]. 張海龍.吉林大學 2014

碩士論文
[1]微電網中三電平并網逆變器故障診斷研究[D]. 裴石磊.南昌大學 2019
[2]基于虛擬同步發(fā)電機的微網逆變器控制策略研究[D]. 詹子錄.南昌大學 2019
[3]基于改進型神經網絡動力電池SOC估計研究[D]. 楊云龍.電子科技大學 2019
[4]光伏微電網發(fā)電預測與經濟運行研究[D]. 張程熠.浙江大學 2017
[5]基于自適應遺傳算法的多目標優(yōu)化研究[D]. 顧鵬程.南京航空航天大學 2016
[6]基于改進型模糊神經網絡的蓄電池SOC檢測方法研究與實現[D]. 祁建佳.電子科技大學 2015
[7]分布式發(fā)電并網的綜合評價研究[D]. 李鈺龍.華北電力大學 2015
[8]基于混沌時間序列的短期負荷預測研究[D]. 郭杰昊.上海交通大學 2015
[9]基于Elman神經網絡的短期負荷預測[D]. 劉榮.浙江大學 2013



本文編號：3473559