4076.电力系统短期负荷预测毕业设计

《4076.电力系统短期负荷预测毕业设计》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、设计（论文）内容及要求：一、设计内容：1.了解EMS系统相关知识2.确定预测目标、搜集与整理资料3.对电力系统短期负荷预测进行较为系统的研究4.分析资料，选择预测方法5.确定短期负荷预测方法6.建立短期负荷预测模型7.对短期负荷预测进行仿真实验研究8.进行预测分析二、设计要求：1.翻译该课题相关英文论文一篇2.设计说明书一份（含中英文摘要、正文、程序清单）三、参考资料：1.《能量管理系统》2.《电力系统自动化》等有关电力系统负荷预测方面的参考文献3.有关MATLAB/SIMULINK仿真方面的教材及资料4.《神经网络技术》5.《智能控制

2、理论》6.《电力系统短期负荷预测》指导教师：年月日本科生毕业设计(论文)开题报告设计(论文)题目基于灰色理论的短期电力负荷预测设计(论文)题目来源自选题目设计(论文)题目类型理论设计起止时间2007.12.13~2008.6.1一、设计(论文)依据及研究意义：依据：电力负荷预测对于保证电力工业的健康发展，乃至整个国民经济的发展均有着十分重要的意义。负荷预测依其运用领域可分为：运转规划、电源开发及电力系统规划等三种，其不同应用领域所需负荷预测之内容亦不尽相同。因此，负荷预测的模式及其所使用的数学模式与公式，皆随各电力事业不同背景与环境的条

3、件而有相当大的差异。意义：准确的负荷预测，可以避免经济合理的安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保证社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。二、设计(论文)主要研究的内容、预期目标：(技术方案、路线)内容：1、进行系统分析2、建立灰色系统模型GM模型即灰色模型（GREYMODEL），一般来说，建模是用原始的数据序列建立差分方程；灰色系统建模则是用原始数据序列作生成数后建立微分方程。由于系统被噪音污染后，所以原始数据序列呈现出离乱的情况，这种离乱的

4、数列也是一种灰色数列，或者灰色过程，对灰色过程建立模型，便成为灰色模型。3、运用灰色理论进行负荷预测灰色系统理论研究的是贫信息下建模,提供了贫信息下解决系统问题的新途径.它把一切随机过程看作是在一定范围内变化的,是与时间有关的灰色过程.对灰色量不是从统计规律的角度应用大样本进行研究,而是采用数据生成的方法,将杂乱无章的原始数据整理成规律性强的生成序列再作研究.4、预测误差分析在对试算结果进行统计分析中发现：预测日负荷值时，如果同时出现气候温度突变的情况，预测准确率也会下降。对此，我们决定：根据气候温度的突变程度分出几个不同的调整权重，温

5、度以28℃为分界，低于28℃每相差4℃为一档，高于28℃每相差2℃为一档。预期目标：2007.12完成翻译2008.3收集资料2008.5建模2008.6编程三、设计(论文)的研究重点及难点：重点：建立灰色模型及其改进模型难点：灰色模型的数学建模及其MATLAB程序的编写四、设计(论文)研究方法及步骤(进度安排)：设计研究方法：以定性分析为主步骤：1、确定负荷预测目的，制订预测计划2、搜寻、整理、分析资料3、建立预测模型、运用MATLAB软件编程及仿真4、确定预测结果，分析误差5、编写预测报告五、进行设计(论文)所需条件：1．电力系统短

6、期负荷预测样本数据（某市2003年11月电力负荷实际数据、该市2003年11月天气情况的数据）２．有关负荷预测和灰色理论的期刊和书籍、MATLAB软件六、指导教师意见：签名：年月日LOADFORECASTINGEugeneA.FeinbergStateUniversityofNewYork,StonyBrookEugene.Feinberg@sunysb.eduDoraGenethliouStateUniversityofNewYork,StonyBrookdgenethl@ams.sunysb.eduAbstractLoadforec

7、astingisvitallyimportantfortheelectricindustryinthederegulatedeconomy.Ithasmanyapplicationsincludingenergypurchasingandgeneration,loadswitching,contractevaluation,andinfrastructuredevelopment.Alargevarietyofmathematicalmethodshavebeendevelopedforloadforecasting.Inthischa

8、pterwediscussvariousapproachestoloadforecasting.Keywords:Load,forecasting,statistics,regression,artific