短期負(fù)荷預(yù)測是保障電力系統(tǒng)的安全經(jīng)濟(jì)運行不可或缺的基礎(chǔ),其用于制定每日或每周計劃,包括發(fā)電機(jī)組控制,負(fù)荷分配和水電調(diào)度,在現(xiàn)代電力系統(tǒng)的能源分配和管理中起著至關(guān)重要的作用。但隨著電力系統(tǒng)的發(fā)展,影響電力負(fù)荷的因素越來越復(fù)雜,傳統(tǒng)的預(yù)測模型難以適應(yīng)現(xiàn)代電力負(fù)荷的特性。本文針對現(xiàn)代電力負(fù)荷的變化規(guī)律和特點,以提高短期電力負(fù)荷預(yù)測精度為研究目的,建立了基于相似日聚類和改進(jìn)DRESN的負(fù)荷預(yù)測模型。首先,基于目前電力負(fù)荷影響因素眾多以及數(shù)據(jù)量龐大的問題,建立考慮影響因素的相似日聚類分析方法。運用皮爾遜相關(guān)系數(shù)對負(fù)荷影響因子進(jìn)行相關(guān)性分析,將篩選出的影響因素和負(fù)荷數(shù)據(jù)使用主成分分析進(jìn)行降維處理,再對處理過的新數(shù)據(jù)集運用模糊C均值聚類,從而對負(fù)荷數(shù)據(jù)進(jìn)行分類。同時與傳統(tǒng)模糊C均值聚類對比驗證了其有效性,結(jié)果表明改進(jìn)的算法能準(zhǔn)確地選取負(fù)荷類別數(shù),且具有更快的收斂速度。其次,針對回聲狀態(tài)網(wǎng)絡(luò)（ESN）在負(fù)荷預(yù)測中性能不穩(wěn)定的問題,建立了改進(jìn)天牛須算法優(yōu)化雙儲備池回聲狀態(tài)網(wǎng)絡(luò)的負(fù)荷預(yù)測模型。首先將儲備池結(jié)構(gòu)優(yōu)化為雙儲備池回聲狀態(tài)網(wǎng)絡(luò)（DRESN）,其次將精英策略、萊維飛行以及自適應(yīng)策略引入天牛須搜索（B... 

【文章來源】：湖北工業(yè)大學(xué)湖北省

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景以及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 目前短期負(fù)荷預(yù)測的主要問題
    1.4 本文內(nèi)容和章節(jié)安排
第2章 電力負(fù)荷特性分析
    2.1 電力負(fù)荷的性質(zhì)
    2.2 電力負(fù)荷的影響因素
    2.3 電力負(fù)荷數(shù)據(jù)預(yù)處理
        2.3.1 異常數(shù)據(jù)處理
        2.3.2 數(shù)據(jù)歸一化
    2.4 電力負(fù)荷預(yù)測誤差分析
    2.5 負(fù)荷預(yù)測流程
    2.6 本章小結(jié)
第3章 考慮影響因素的相似日聚類分析
    3.1 皮爾遜相關(guān)系數(shù)
    3.2 主成分分析
    3.3 模糊C均值聚類
        3.3.1 模糊C均值聚類概念
        3.3.2 聚類有效性驗證
    3.4 考慮影響因素的相似日聚類組合模型
    3.5 實例分析
        3.5.1 聚類有效性分析
        3.5.2 收斂速度的比較
    3.6 本章小結(jié)
第4章 基于改進(jìn)DRESN的負(fù)荷預(yù)測
    4.1 回聲狀態(tài)網(wǎng)絡(luò)
    4.2 雙儲備池回聲狀態(tài)網(wǎng)絡(luò)
        4.2.1 雙儲備池回聲網(wǎng)絡(luò)的基本概念
        4.2.2 雙儲備池回聲網(wǎng)絡(luò)的訓(xùn)練
    4.3 改進(jìn)天牛須搜索算法優(yōu)化DRESN參數(shù)
        4.3.1 標(biāo)準(zhǔn)天牛須算法
        4.3.2 改進(jìn)天牛須搜索算法
    4.4 基于改進(jìn)BAS算法優(yōu)化DRESN模型
    4.5 實例仿真
    4.6 本章小結(jié)
第5章 基于相似日聚類和改進(jìn)DRESN的短期負(fù)荷預(yù)測
    5.1 模型實現(xiàn)流程
    5.2 考慮影響因素的相似日聚類實例分析
        5.2.1 選取影響因素
        5.2.2 基于主成分分析的模糊聚類相似日分析
    5.3 基于相似日聚類和改進(jìn)DRESN實例仿真
        5.3.1 實驗流程
        5.3.2 實驗結(jié)果
        5.3.3 誤差分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于季節(jié)性負(fù)荷自適應(yīng)劃分及重要點分割的多分段短期負(fù)荷預(yù)測[J]. 彭顯剛,潘可達(dá),張丹,劉藝,林志堅.  電網(wǎng)技術(shù). 2020(02)
[2]基于能源轉(zhuǎn)型的中國特色電力市場建設(shè)的分析與思考[J]. 陳國平,梁志峰,董昱.  中國電機(jī)工程學(xué)報. 2020(02)
[3]基于混沌類電磁算法優(yōu)化支持向量機(jī)的短期負(fù)荷預(yù)測[J]. 王茜,李皓然,王新娜,張媛媛.  計算技術(shù)與自動化. 2019(04)
[4]基于EEMD-GRU-MLR的短期電力負(fù)荷預(yù)測[J]. 鄧帶雨,李堅,張真源,滕予非,黃琦.  電網(wǎng)技術(shù). 2020(02)
[5]基于UTCI-MIC與振幅壓縮灰色模型的用戶側(cè)微電網(wǎng)短期負(fù)荷預(yù)測方法[J]. 薛陽,張寧,吳海東,俞志程,李蕊.  電網(wǎng)技術(shù). 2020(02)
[6]基于改進(jìn)天牛須搜索算法的分布式電源選址定容[J]. 盧光輝,滕歡,廖寒遜,吳澤穹.  電測與儀表. 2019(17)
[7]基于變步長自適應(yīng)陷波器的在線檢重抗振方法研究[J]. 胡清,滕召勝,孫彪,唐思豪,林海軍.  儀器儀表學(xué)報. 2019(07)
[8]計及需求響應(yīng)和深度結(jié)構(gòu)多任務(wù)學(xué)習(xí)的電力系統(tǒng)短期負(fù)荷預(yù)測[J]. 馬天男,王超,彭麗霖,郭小帆,付明.  電測與儀表. 2019(16)
[9]基于GOA-SVM的短期負(fù)荷預(yù)測[J]. 宮毓斌,滕歡.  電測與儀表. 2019(14)
[10]基于深度長短時記憶網(wǎng)絡(luò)的區(qū)域級超短期負(fù)荷預(yù)測方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術(shù). 2019(06)

博士論文
[1]大規(guī)模數(shù)據(jù)聚類分析方法研究[D]. 馮進(jìn)玫.哈爾濱工程大學(xué) 2015
[2]數(shù)據(jù)挖掘和人工智能理論在短期電力負(fù)荷預(yù)測中的應(yīng)用研究[D]. 馮麗.浙江大學(xué) 2005

碩士論文
[1]基于人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[D]. 程宇也.浙江大學(xué) 2017
[2]基于密度的改進(jìn)型層次聚類算法研究[D]. 李彩云.蘭州大學(xué) 2016



本文編號：3535292