基于智能預測的能源互聯(lián)網協(xié)同控制研究
發(fā)布時間：2022-12-18 07:56
在全球能源危機和環(huán)境污染問題日益嚴重的情形下,能源互聯(lián)網已成為國際學術界和工業(yè)界關注的焦點。能源互聯(lián)網提供了一個開放的框架,將涉及能源生產、傳輸、存儲、交換和消費的每個實體與信息通信技術集成在一起。其中,對可再生能源和能源需求進行有效預測,以及對各種分布式能源進行協(xié)同控制是目前能源互聯(lián)網發(fā)展亟需解決的兩大問題。能源互聯(lián)網協(xié)同控制的主要目的是在滿足能源互聯(lián)網內能源需求的同時,保證能源互聯(lián)網更經濟、高效、安全的運行。本論文以包含產-銷-用的能源互聯(lián)網為研究對象,研究了能源互聯(lián)網中各個實體之間的協(xié)同控制問題,主要完成了以下工作:（1）提出了一種基于交叉變異和梯度加速的粒子群算法,并基于該算法提出了一種基于改進粒子群算法優(yōu)化的神經網絡。該神經網絡利用改進的粒子群算法確定神經網絡的參數,隨后將此神經網絡應用于能源互聯(lián)網中的光伏輸出預測、風電輸出預測和能源需求預測。（2）建立了一個包含產-銷-用三個層次的能源互聯(lián)網模型,在短期預測的基礎上,結合經濟調度和主從博弈,提出了一種基于短期預測的能源互聯(lián)網協(xié)同控制方法,該方法最小化發(fā)電公司的發(fā)電成本,同時能夠最大化零售商利潤和微電網的效用,實現(xiàn)能源互聯(lián)網的...
【文章頁數】：70 頁
【學位級別】：碩士
【文章目錄】：
摘要
Abstract
專用術語注釋表
第一章 緒論
1.1 研究背景與意義
1.2 國內外研究現(xiàn)狀
1.3 論文主要研究內容
第二章 基于神經網絡的能源互聯(lián)網能源預測研究
2.1 能源互聯(lián)網能源預測研究
2.2 基于改進粒子群算法優(yōu)化的神經網絡
2.2.1 神經網絡優(yōu)化分析
2.2.2 標準粒子群算法
2.2.3 基于交叉變異和梯度加速的改進粒子群算法
2.2.4 基于改進粒子群算法優(yōu)化的前饋神經網絡
2.3 基于改進粒子群算法優(yōu)化的神經網絡的能源互聯(lián)網能源預測方法
2.4 實驗分析
2.5 本章小結
第三章 基于短期預測的能源互聯(lián)網協(xié)同控制方法
3.1 能源互聯(lián)網協(xié)同控制模型
3.1.1 發(fā)電公司發(fā)電模型
3.1.2 電力零售商模型
3.1.3 微電網模型
3.1.4 系統(tǒng)約束
3.2 基于短期預測的能源互聯(lián)網協(xié)同控制方法
3.2.1 ISO經濟調度與價格分析
3.2.2 微電網零售商主從博弈分析
3.2.3 基于短期預測的能源互聯(lián)網協(xié)同控制方法
3.3 實驗分析
3.4 本章小結
第四章 計及預測誤差的能源互聯(lián)網協(xié)同控制方法
4.1 能源互聯(lián)網能源預測的非精確性
4.2 計及預測誤差的能源互聯(lián)網協(xié)同控制方法
4.2.1 能源互聯(lián)網預測誤差影響分析
4.2.2 計及預測誤差的能源互聯(lián)網協(xié)同控制方法
4.3 實驗分析
4.4 本章小結
第五章 總結與展望
5.1 本文工作總結
5.2 后續(xù)工作展望
參考文獻
附錄1 攻讀碩士學位期間申請的專利
附錄2 攻讀碩士學位期間參加的科研項目
致謝
【參考文獻】：
期刊論文
[1]能源互聯(lián)網及其關鍵控制問題[J]. 孫秋野,滕菲,張化光. 自動化學報. 2017(02)
[2]基于協(xié)同演化博弈算法的微網和配電網動態(tài)優(yōu)化[J]. 徐意婷,艾芊,胡劍生. 電力系統(tǒng)保護與控制. 2016(18)
[3]能源互聯(lián)網“源–網–荷–儲”協(xié)調優(yōu)化運營模式及關鍵技術[J]. 曾鳴,楊雍琦,劉敦楠,曾博,歐陽邵杰,林海英,韓旭. 電網技術. 2016(01)
[4]能源互聯(lián)網架構設計與拓撲模型[J]. 趙海,蔡巍,王進法,賈思媛. 電工技術學報. 2015(11)
[5]能源互聯(lián)網與能源路由器[J]. 曹軍威,孟坤,王繼業(yè),楊明博,陳震,李文焯,林闖. 中國科學:信息科學. 2014(06)
[6]基于MCS-PSO算法的鄰近海島多微網動態(tài)調度[J]. 周永智,吳浩,李怡寧,辛煥海,宋永華. 電力系統(tǒng)自動化. 2014(09)
[7]電力系統(tǒng)負荷預測研究綜述與發(fā)展方向的探討[J]. 王倩. 中國高新技術企業(yè). 2013(29)
[8]差分進化粒子群混合優(yōu)化算法的研究與應用[J]. 楊妍,陳如清,俞金壽. 計算機工程與應用. 2010(25)
博士論文
[1]基于數據挖掘的電力短期負荷預測模型及方法的研究[D]. 程其云.重慶大學 2004
本文編號：3721674
【文章頁數】：70 頁
【學位級別】：碩士
【文章目錄】：
摘要
Abstract
專用術語注釋表
第一章 緒論
1.1 研究背景與意義
1.2 國內外研究現(xiàn)狀
1.3 論文主要研究內容
第二章 基于神經網絡的能源互聯(lián)網能源預測研究
2.1 能源互聯(lián)網能源預測研究
2.2 基于改進粒子群算法優(yōu)化的神經網絡
2.2.1 神經網絡優(yōu)化分析
2.2.2 標準粒子群算法
2.2.3 基于交叉變異和梯度加速的改進粒子群算法
2.2.4 基于改進粒子群算法優(yōu)化的前饋神經網絡
2.3 基于改進粒子群算法優(yōu)化的神經網絡的能源互聯(lián)網能源預測方法
2.4 實驗分析
2.5 本章小結
第三章 基于短期預測的能源互聯(lián)網協(xié)同控制方法
3.1 能源互聯(lián)網協(xié)同控制模型
3.1.1 發(fā)電公司發(fā)電模型
3.1.2 電力零售商模型
3.1.3 微電網模型
3.1.4 系統(tǒng)約束
3.2 基于短期預測的能源互聯(lián)網協(xié)同控制方法
3.2.1 ISO經濟調度與價格分析
3.2.2 微電網零售商主從博弈分析
3.2.3 基于短期預測的能源互聯(lián)網協(xié)同控制方法
3.3 實驗分析
3.4 本章小結
第四章 計及預測誤差的能源互聯(lián)網協(xié)同控制方法
4.1 能源互聯(lián)網能源預測的非精確性
4.2 計及預測誤差的能源互聯(lián)網協(xié)同控制方法
4.2.1 能源互聯(lián)網預測誤差影響分析
4.2.2 計及預測誤差的能源互聯(lián)網協(xié)同控制方法
4.3 實驗分析
4.4 本章小結
第五章 總結與展望
5.1 本文工作總結
5.2 后續(xù)工作展望
參考文獻
附錄1 攻讀碩士學位期間申請的專利
附錄2 攻讀碩士學位期間參加的科研項目
致謝
【參考文獻】：
期刊論文
[1]能源互聯(lián)網及其關鍵控制問題[J]. 孫秋野,滕菲,張化光. 自動化學報. 2017(02)
[2]基于協(xié)同演化博弈算法的微網和配電網動態(tài)優(yōu)化[J]. 徐意婷,艾芊,胡劍生. 電力系統(tǒng)保護與控制. 2016(18)
[3]能源互聯(lián)網“源–網–荷–儲”協(xié)調優(yōu)化運營模式及關鍵技術[J]. 曾鳴,楊雍琦,劉敦楠,曾博,歐陽邵杰,林海英,韓旭. 電網技術. 2016(01)
[4]能源互聯(lián)網架構設計與拓撲模型[J]. 趙海,蔡巍,王進法,賈思媛. 電工技術學報. 2015(11)
[5]能源互聯(lián)網與能源路由器[J]. 曹軍威,孟坤,王繼業(yè),楊明博,陳震,李文焯,林闖. 中國科學:信息科學. 2014(06)
[6]基于MCS-PSO算法的鄰近海島多微網動態(tài)調度[J]. 周永智,吳浩,李怡寧,辛煥海,宋永華. 電力系統(tǒng)自動化. 2014(09)
[7]電力系統(tǒng)負荷預測研究綜述與發(fā)展方向的探討[J]. 王倩. 中國高新技術企業(yè). 2013(29)
[8]差分進化粒子群混合優(yōu)化算法的研究與應用[J]. 楊妍,陳如清,俞金壽. 計算機工程與應用. 2010(25)
博士論文
[1]基于數據挖掘的電力短期負荷預測模型及方法的研究[D]. 程其云.重慶大學 2004
本文編號：3721674
本文鏈接：http://www.sikaile.net/kejilunwen/zidonghuakongzhilunwen/3721674.html
