考虑光伏发电的短期负荷预测

论文摘要

在电力系统中短期负荷预测是不可缺少的运算,预测结果的准确性直接关系到系统运行的安全性和经济性,因此如何提高短期负荷预测的精确性一直是国内外研究人员致力研究的方向之一。在众多影响负荷的因素中,气象因素的影响最为显著。研究气象因素与负荷之间的关系,是提高负荷预测精度的一个有效方法。本文对杭州电网的负荷特性进行了详细的分析,定量分析了年、月、周负荷的变化规律,拟合出了负荷与各气象因子的关系曲线。在此基础上,提出了综合气象因子的方法处理实时气象因子。阐述了人工神经网络在短期负荷中的应用,分析了应用较成熟的BP神经网络算法的原理,在此基础上提出了改进的BP神经网络算法,并用实际算例验证此方法的可行性。针对BP算法的缺点,本文提出了自适应能力强的自适应神经网络算法。对于庞大的训练数据,提出了动态自适应的方法,有效的提高了数据处理效率、缩短了预测时间,在此基础上加入了噪声干扰模型。以此建立起了动态自适应神经网络的预测模型,通过实例,证明了所提出方法的高精度性和快速性。分析了光伏系统接入对于传统负荷的影响,建立了一个小型的光伏出力系统。系统阐述了各影响因素和光伏出力的关系,在此基础上,采用人工神经网络法对光伏出力进行预测。最后通过杭州地区的数据,对加入光伏出力前后的负荷进行了预测。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题来源
• 1.2 立题意义
• 1.3 国内外研究现状与发展新方向
• 1.3.1 短期负荷预测的理论发展
• 1.3.2 短期负荷预测的方法研究
• 1.4 发展趋势
• 1.5 本文的主要研究内容和成果
• 第2章 负荷特性及影响因素分析
• 2.1 用电负荷的分类
• 2.2 负荷特性分析
• 2.2.1 年负荷特性分析
• 2.2.2 月负荷特性分析
• 2.2.3 日负荷特性分析
• 2.3 气象因素的对负荷的影响
• 2.3.1 负荷与各气象因子关系分析
• 2.3.2 综合气象因子
• 2.4 本章小结
• 第3章 人工神经网络在负荷预测中的应用
• 3.1 BP神经网络
• 3.1.1 BP神经网络的构成
• 3.1.2 BP算法训练过程与计算原理
• 3.1.3 改进的BP算法
• 3.2 预测模型建立
• 3.2.1 总体模型
• 3.2.2 输入样本数据的归一化
• 3.3 算例分析
• 3.4 本章小结
• 第4章 动态自适应神经网络
• 4.1 自适应神经网络
• 4.1.1 自适应神经网络的构成
• 4.1.2 自适应神经网络训练过程与计算原理
• 4.2 预测模型结构与数据处理方法
• 4.2.1 数据动态自适应处理
• 4.2.2 动态自适应数据队列的确定
• 4.2.3 考虑噪声干扰的数据处理
• 4.3 算例分析
• 4.4 本章小结
• 第5章 光伏系统接入
• 5.1 光伏发电系统的分类与构成
• 5.1.1 光伏发电系统的主要分类
• 5.1.2 光伏发电系统的主要构成及出力影响因素
• 5.2 光伏发电系统的构建
• 5.2.1 各数据来源
• 5.2.2 光伏电站容量计算
• 5.2.3 光伏电源有效出力
• 5.3 算例分析
• 5.3.1 不考虑光伏出力的预测
• 5.3.2 考虑光伏出力的预测
• 5.4 本章小结
• 第6章 结论
• 参考文献
• 致谢
• 攻读硕士期间发表论文和科研成果