欢迎来到天天文库
浏览记录
ID:34637012
大小:2.35 MB
页数:58页
时间:2019-03-08
《基于模糊聚类和rbf神经网络负荷预测方法的研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、基于模糊聚类与RBF神经网络的负荷预测方法研究摘要随着电力市场机制的不断完善,竞价上网的交易将会越演越烈。这就要求电力调度部门在一个调度周期内准确地预测负荷需求量,并且根据实际运行需要实现短期和超短期负荷预测之间的相互转换。短期负荷预测能够预知未来一天的负荷,并依此来制定发电计划,实现经济调度。而超短期负荷预测能够为在线安全监视以及自动发电控$1J(AGC)提供重要依据。因此,短期和超短期负荷预测的研究对电力系统管理自动化的发展起到重要作用,将二者进行统一研究也颇具实际意义。本文通过深入研究超短期负荷特性,构建了基于模糊聚类与RBF神经网络(FCM.RBF)的超短期负荷预
2、测模型。该模型不仅考虑了局部相似日的历史负荷特性,并且考虑了预测日当前的负荷特性。局部相似日的负荷能够很好地反应预测负荷的总体趋势;预测日当前的负荷能很好地反应预测时段的实时数据的变化规律以及预测时段的一些随机因素等。本文在超短期负荷预测思想的基础上,构建了有气温数据和缺乏气温数据的两种短期负荷预测模型。有气温数据的模型通过比较同类型日与预测日的气温数据的模糊隶属度来确定同类型日的影响权值;而缺乏气温数据的模型通过考虑同类型日与预测日的远近来确定同类型目的影响权值。针对预测曲线存在毛刺的问题,本文依据统计思想提出了专家系统修正法,实现了对短期负荷预测值的修正,改善了预测曲
3、线的光滑性和预测精度。I仿真结果表明,本文提出的方法在负荷预测的应用中具有较高的可行性,在短期和超短期负荷预测中均能获得良好的预测精度。所编程序能够便捷地实现短期负荷和超短期负荷预测功能的相互转换。关键词:超短期短期模糊聚类局部相似日RBF网络LoADFoRECASTINGMETHoDRESEARCHBASEDONFUZZYCLUSTEIUNGANDRBFNEURALNETWORKABSTRACTWiththecontinuousimprovementofthepowermarketinstitution,thebiddingtransactionwillbeintens
4、ified.Itrequirespowerdispatchdepartmenttoaccuratelypredicttheloaddemandandtoimplementthemutualconversionbetweentheshort-termandultrashort—termloadforecastingbasedontheactualoperationstatusinschedulingperiod.Short-termloadforecastingcouldbeusedforpredictingthenextday’Sloadwhichalsocouldbeu
5、sefulfordevelopmentofpowerprojectstoachieveeconomicdispatch.Theultra-short-termloadforecastingcouldprovideanimportantbasisforon-linemonitoringandtheautomaticgenerationcontrol(AGC).Therefore,theshort.termandultrashort-termloadforecasting’Sresearchplaysanimportantroleinthedevelopmentofpower
6、systemmanagementautomationandtheunifiedstudyofthetopicappearstobeconsiderablepracticalsignificance.Thispaperdeeplydescribedthevariouscharacteristicsofthepowerloadandanalyzedavarietyoffactorsinfluenceonpowerload,andgaveabriefintroductiontosomecommonforecastingtechniques.Throughin-depthstud
7、yingofultra-short-termloadcharacteristics,thispaperproposedtheultra.short-termloadforecastingmodelbasedonFuzzyClusteringandRBFneuralnetwork(FCM—RBF).Thismodelnotonlyconsideredthelocalsimilarityhistoricalloadcharacteristics,butalsotookintoaccountthecharacteristicsoft
此文档下载收益归作者所有