發(fā)布時(shí)間：2018-03-17 11:00

  本文選題：電力系統(tǒng)　切入點(diǎn)：短期負(fù)荷預(yù)測(cè)　出處：《湖南大學(xué)》2014年碩士論文　論文類型：學(xué)位論文

【摘要】：短期負(fù)荷預(yù)測(cè)作為能量管理系統(tǒng)的重要組成部分,預(yù)測(cè)誤差的大小直接影響電網(wǎng)運(yùn)行的安全性和經(jīng)濟(jì)性。在智能電網(wǎng)建設(shè)的大背景下,大規(guī)模電網(wǎng)互聯(lián)以及數(shù)據(jù)采集成本的降低,可獲取的數(shù)據(jù)類型愈加豐富,智能電網(wǎng)中的大數(shù)據(jù)趨勢(shì)日益明顯。針對(duì)供電區(qū)域遼闊的大電網(wǎng),不同區(qū)域負(fù)荷特征各異,受外部因素影響規(guī)律不同。集中式負(fù)荷預(yù)測(cè)方法難以準(zhǔn)確把握各區(qū)域的負(fù)荷變化規(guī)律,且對(duì)海量數(shù)據(jù)挖掘分析能力有限。因此,本文提出基于大數(shù)據(jù)的分布式短期負(fù)荷預(yù)測(cè)方法,綜合利用大數(shù)據(jù)和人工智能方法的優(yōu)勢(shì),提高負(fù)荷預(yù)測(cè)精度。以此為出發(fā)點(diǎn),本文開展的研究工作如下： 首先,提出基于大數(shù)據(jù)的負(fù)荷變化規(guī)律分析方法。在成本許可的情況下,針對(duì)不同類型的電力用戶,應(yīng)盡量全面收集用戶以及環(huán)境信息進(jìn)行負(fù)荷變化規(guī)律分析,以把握不同區(qū)域負(fù)荷特征與氣象條件的差異。并以中國(guó)南方某省的A市和B市的實(shí)際負(fù)荷數(shù)據(jù)為基礎(chǔ),分別對(duì)兩地的年、月、日負(fù)荷變化規(guī)律進(jìn)行分析,重點(diǎn)研究夏季典型日負(fù)荷變化規(guī)律。由此得出不同地區(qū)負(fù)荷特征各異,受外部因素影響規(guī)律不同,在負(fù)荷預(yù)測(cè)工作中需建立有針對(duì)性的負(fù)荷預(yù)測(cè)模型。 然后,提出基于大數(shù)據(jù)的分布式短期負(fù)荷預(yù)測(cè)方法。在行政區(qū)域劃分和氣象區(qū)域分布的基礎(chǔ)上,對(duì)220kV以及以上的網(wǎng)架結(jié)構(gòu)進(jìn)行子網(wǎng)劃分,通過評(píng)價(jià)子網(wǎng)負(fù)荷曲線相似度實(shí)現(xiàn)子網(wǎng)分類與歸并�；谏鲜鲎泳W(wǎng)劃分,分別建立子網(wǎng)負(fù)荷預(yù)測(cè)模型(ARIMA和BP神經(jīng)網(wǎng)絡(luò)),并提取相似度較高的影響因素向量和對(duì)應(yīng)時(shí)刻的負(fù)荷作為子網(wǎng)負(fù)荷預(yù)測(cè)模型的輸入量,對(duì)各個(gè)子網(wǎng)分別進(jìn)行預(yù)測(cè)。根據(jù)子網(wǎng)的負(fù)荷預(yù)測(cè)值和各時(shí)刻比例系數(shù)的預(yù)測(cè)值,建立全網(wǎng)負(fù)荷預(yù)測(cè)模型,綜合形成大電網(wǎng)的負(fù)荷預(yù)測(cè)結(jié)果。 最后,以中國(guó)南方某省的實(shí)際負(fù)荷數(shù)據(jù)為基礎(chǔ),采用本文所提方法分別對(duì)工作日和休息日進(jìn)行短期負(fù)荷預(yù)測(cè),并與集中式負(fù)荷預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析,以驗(yàn)證本文所提負(fù)荷預(yù)測(cè)方法的有效性和穩(wěn)定性。算例分析表明本文所提方法在大電網(wǎng)中具有較好的預(yù)測(cè)精度,并且由于各個(gè)子網(wǎng)并行運(yùn)行,有效降低了負(fù)荷預(yù)測(cè)所需的時(shí)間,在實(shí)際應(yīng)用中具備可行性。
[Abstract]:Short-term load forecasting is an important part of energy management system. The magnitude of forecasting error directly affects the security and economy of power grid operation. With the large-scale interconnection of power grid and the reduction of data acquisition cost, the types of data available are becoming more and more abundant, and the trend of big data in smart grid is becoming more and more obvious. In view of the large power grid with a vast power supply area, the load characteristics of different regions vary from region to region. Influenced by external factors, centralized load forecasting method is difficult to accurately grasp the law of load change in various regions, and has limited ability to analyze mass data mining. In this paper, a distributed short-term load forecasting method based on big data is proposed to improve the accuracy of load forecasting by synthetically utilizing the advantages of big data and artificial intelligence. As a starting point, the research work carried out in this paper is as follows:. First of all, put forward the analysis method of load change law based on big data. Under the condition of cost permission, we should collect user and environment information to analyze load change law as far as possible for different types of electric power users. Based on the actual load data of A city and B city in a certain province of southern China, this paper analyzes the variation law of annual, monthly and daily load in two places, based on grasping the difference of load characteristics and meteorological conditions in different regions, and taking the actual load data of A city and B city in southern China as the basis, respectively. Based on the study of the typical daily load variation in summer, it is concluded that the load characteristics of different areas are different, and the influence of external factors is different, so it is necessary to establish a targeted load forecasting model in load forecasting work. Then, a distributed short-term load forecasting method based on big data is proposed. On the basis of administrative division and meteorological area distribution, the network structure of 220 kV and above is subdivided. The subnet classification and merging are realized by evaluating the similarity of the load curve of the subnet. The subnet load forecasting model Arima and BP neural network are established, and the factor vectors with high similarity and the load at the corresponding time are extracted as the input of the subnet load forecasting model. The load forecasting model of the whole network is established according to the load forecast value of the subnet and the forecast value of the ratio coefficient at each time, and the load forecasting results of the large power network are synthesized. Finally, based on the actual load data of a certain province in southern China, the method proposed in this paper is used to carry out short-term load forecasting on weekdays and rest days respectively, and the results are compared with those of centralized load forecasting. In order to verify the validity and stability of the load forecasting method proposed in this paper, the example analysis shows that the proposed method has good prediction accuracy in large power networks, and the time required for load forecasting is effectively reduced because of the parallel operation of each subnet. It is feasible in practical application.
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TM715

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鞠平,姜巍,趙夏陽,王俊鍇,張世學(xué),劉琰;96點(diǎn)短期負(fù)荷預(yù)測(cè)方法及其應(yīng)用[J];電力系統(tǒng)自動(dòng)化;2001年22期

2 莫維仁,孫宏斌,張伯明;面向電力市場(chǎng)的短期負(fù)荷預(yù)測(cè)系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)[J];電力系統(tǒng)自動(dòng)化;2001年23期

3 金海峰,熊信艮,吳耀武;基于相似性原理的短期負(fù)荷預(yù)測(cè)方法[J];電力系統(tǒng)自動(dòng)化;2001年23期

4 趙登福,王蒙,張講社,雷兵,張濤,周琳,王錫凡;基于確定性退火方法的短期負(fù)荷預(yù)測(cè)[J];中國(guó)電機(jī)工程學(xué)報(bào);2001年07期

5 姜勇,盧毅;基于相似日的神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)方法[J];電力系統(tǒng)及其自動(dòng)化學(xué)報(bào);2001年06期

6 陳桂遠(yuǎn);廣西電網(wǎng)短期負(fù)荷預(yù)測(cè)及其數(shù)學(xué)模型[J];廣西電力技術(shù);2001年01期

7 青志文,沈新祥,劉明清,姚建剛,曾剛,秦?zé)?地區(qū)電網(wǎng)短期負(fù)荷預(yù)測(cè)系統(tǒng)的研究與開發(fā)[J];湖南電力;2001年03期

8 尤勇,盛萬興,王孫安;一種新型短期負(fù)荷預(yù)測(cè)模型的研究及應(yīng)用[J];中國(guó)電機(jī)工程學(xué)報(bào);2002年09期

9 陳曉平,胡子珩,劉順桂,莫維仁,張伯明;商業(yè)性城市負(fù)荷特點(diǎn)及其短期負(fù)荷預(yù)測(cè)[J];廣東電力;2002年02期

10 唐向陽;應(yīng)用于短期負(fù)荷預(yù)測(cè)的自適應(yīng)建模方法[J];廣西電力技術(shù);2002年03期

相關(guān)會(huì)議論文 前10條

1 侯廣松;劉偉生;;適用于地區(qū)電網(wǎng)的短期負(fù)荷預(yù)測(cè)方法的研究[A];2005中國(guó)電機(jī)工程學(xué)會(huì)電力系統(tǒng)自動(dòng)化專委會(huì)全國(guó)供用電管理自動(dòng)化學(xué)術(shù)交流暨供用電管理自動(dòng)化學(xué)科組第二屆年會(huì)論文集[C];2005年

2 朱桂華;賴曉平;云昌欽;;在線短期負(fù)荷預(yù)測(cè)方法的研究與應(yīng)用[A];1995年中國(guó)控制會(huì)議論文集（上）[C];1995年

3 杜欣慧;張嶺;畢艷華;;采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測(cè)[A];2004全國(guó)測(cè)控、計(jì)量與儀器儀表學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2004年

4 侯廣松;劉偉生;謝廣建;;基于相關(guān)因素映射和神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[A];2006電力系統(tǒng)自動(dòng)化學(xué)術(shù)交流研討大會(huì)論文集[C];2006年

5 唐向陽;;應(yīng)用于短期負(fù)荷預(yù)測(cè)的自適應(yīng)建模方法[A];廣西電機(jī)工程學(xué)會(huì)第七屆青年學(xué)術(shù)交流會(huì)論文集[C];2002年

6 杜俊紅;滕歡;滕福生;;在線超短期負(fù)荷預(yù)測(cè)的分析與應(yīng)用研究[A];2006中國(guó)電力系統(tǒng)保護(hù)與控制學(xué)術(shù)研討會(huì)論文集[C];2006年

7 侯廣松;劉偉生;;基于相關(guān)因素映射和神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[A];山東電機(jī)工程學(xué)會(huì)第十一屆優(yōu)秀學(xué)術(shù)論文集[C];2008年

8 盛瓊;顧澤;駱麗楠;;基于實(shí)時(shí)氣象要素的湖州短期負(fù)荷預(yù)測(cè)研究[A];第八屆長(zhǎng)三角氣象科技發(fā)展論壇論文集[C];2011年

9 張雪瑩;管霖;;采用譜分析建模和基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方案[A];廣東省電機(jī)工程學(xué)會(huì)2003-2004年度優(yōu)秀論文集[C];2005年

10 田曉;顏勇;孔凡坊;顧德英;;新型神經(jīng)網(wǎng)絡(luò)在短期負(fù)荷預(yù)測(cè)中的應(yīng)用研究[A];山東電機(jī)工程學(xué)會(huì)第五屆供電專業(yè)學(xué)術(shù)交流會(huì)論文集[C];2008年

相關(guān)重要報(bào)紙文章 前2條

1 通訊員池長(zhǎng)斌;寧夏電網(wǎng)短期負(fù)荷預(yù)測(cè)西北第一[N];中國(guó)電力報(bào);2011年

2 通訊員 池長(zhǎng)斌;寧夏電力短期負(fù)荷預(yù)測(cè)保持領(lǐng)先[N];中國(guó)電力報(bào);2011年

相關(guān)博士學(xué)位論文 前10條

1 盧蕓;短期電力負(fù)荷預(yù)測(cè)關(guān)鍵問題與方法的研究[D];沈陽工業(yè)大學(xué);2007年

2 鄭永康;相空間重構(gòu)與支持向量機(jī)結(jié)合的短期負(fù)荷預(yù)測(cè)研究[D];西南交通大學(xué);2008年

3 王碩禾;基于短期負(fù)荷預(yù)測(cè)技術(shù)的電能控制系統(tǒng)研究[D];天津大學(xué);2009年

4 程其云;基于數(shù)據(jù)挖掘的電力短期負(fù)荷預(yù)測(cè)模型及方法的研究[D];重慶大學(xué);2004年

5 王志勇;數(shù)據(jù)挖掘方法在短期負(fù)荷預(yù)測(cè)中的應(yīng)用研究[D];浙江大學(xué);2007年

6 葉彬;混合智能建模技術(shù)及其在短期負(fù)荷預(yù)測(cè)中的應(yīng)用研究[D];浙江大學(xué);2006年

7 蘇慶新;區(qū)域電力系統(tǒng)超短期負(fù)荷預(yù)測(cè)及網(wǎng)絡(luò)建模分析[D];東華大學(xué);2008年

8 吳宏曉;基于軟計(jì)算方法的電力系統(tǒng)負(fù)荷預(yù)測(cè)[D];上海交通大學(xué);2007年

9 雷紹蘭;基于電力負(fù)荷時(shí)間序列混沌特性的短期負(fù)荷預(yù)測(cè)方法研究[D];重慶大學(xué);2005年

10 謝忠玉;電力短期負(fù)荷時(shí)間序列混沌特性分析及預(yù)測(cè)研究[D];哈爾濱工程大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 耿艷;基于最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè)方法及應(yīng)用研究[D];山東大學(xué);2008年

2 王黎明;電力系統(tǒng)中短期負(fù)荷預(yù)測(cè)的研究[D];中國(guó)石油大學(xué);2008年

3 趙冬紅;短期負(fù)荷預(yù)測(cè)改進(jìn)方法研究[D];華北電力大學(xué)（北京）;2009年

4 潘學(xué)華;遺傳模糊算法及其在短期負(fù)荷預(yù)測(cè)中的模型研究[D];華北電力大學(xué)（河北）;2009年

5 云會(huì)周;基于機(jī)器自學(xué)習(xí)的電力系統(tǒng)超短期負(fù)荷預(yù)測(cè)研究[D];華北電力大學(xué)（北京）;2010年

6 邵俊;縣域地區(qū)短期負(fù)荷預(yù)測(cè)模型的研究[D];浙江大學(xué);2009年

7 寧卜;基于模糊聚類分析與最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè)[D];西安理工大學(xué);2009年

8 溫可明;市場(chǎng)條件下佛山地區(qū)電網(wǎng)短期負(fù)荷預(yù)測(cè)的研究[D];華南理工大學(xué);2009年

9 鐘光科;偏最小二乘回歸分析在短期負(fù)荷預(yù)測(cè)中的應(yīng)用[D];河北工程大學(xué);2011年

10 蘇慶新;一種配電網(wǎng)超短期負(fù)荷預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)方法[D];曲阜師范大學(xué);2002年

，

本文編號(hào)：1624440