配電網(wǎng)理論線損率的分析與預(yù)測
發(fā)布時間：2021-02-24 10:56
近年來,隨著我國經(jīng)濟的快速發(fā)展,人們對電網(wǎng)運行水平提出了更高的要求,大規(guī)模的降損措施被應(yīng)用到電網(wǎng),對于改善電源浪費起到了積極作用。再者,隨著全球能源危機的加劇,十二五計劃提出堅持把建設(shè)資源節(jié)約型、環(huán)境友好型社會作為加快轉(zhuǎn)變經(jīng)濟發(fā)展方式的重要著力點。為了積極響應(yīng)黨中央的政策,建立節(jié)約型社會,最大限度地降低電能在傳輸過程中產(chǎn)生的損耗,開展線損預(yù)測研究變得尤為重要。配電網(wǎng)連接著發(fā)電系統(tǒng)、輸電系統(tǒng)和用戶,隨著電力系統(tǒng)的快速發(fā)展,配電網(wǎng)線損的不可避免性、復(fù)雜性和不確定性給電力系統(tǒng)的安全運行及電能質(zhì)量帶來了嚴峻的挑戰(zhàn)。因此,準確地對線損率進行預(yù)測,幫助相關(guān)工作人員制定符合現(xiàn)實情況的考核指標和規(guī)劃,有效發(fā)揮電能價值,已經(jīng)成為了當前亟需分析和解決的實際課題。深入研究線損率預(yù)測,對提高電力系統(tǒng)協(xié)調(diào)運行能力,促進電能持續(xù)健康發(fā)展具有十分重要的意義�；跉v史理論線損率數(shù)據(jù),本文對理論線損率展開了以下研究：1.神經(jīng)網(wǎng)絡(luò)預(yù)測模型能較好的應(yīng)對序列的波動性且具有良好的精準度,因此該非線性模型被廣泛的應(yīng)用。利用神經(jīng)網(wǎng)絡(luò)預(yù)測模型對理論線損率進行預(yù)測,利用馬爾可夫?qū)碚摼�損率預(yù)測誤差進行修正處理,建立RBF-馬爾可夫模型,預(yù)測理論線損率。2.SVM(支持向量機)收斂速度快,學(xué)習(xí)能力強,泛化能力好,能有效預(yù)測序列的變化趨勢。以支持向量機原理為基礎(chǔ),建立支持向量機回歸模型,實現(xiàn)理論線損率直接預(yù)測。3.對支持向量機的模型參數(shù)優(yōu)化問題進行研究。分析懲罰因子C和核參數(shù)σ的作用及對支持向量機性能的影響。運用遺傳優(yōu)化算法,提出基于遺傳算法優(yōu)化支持向量機預(yù)測模型(GA-SVM),解決SVM建模時存在的弊端,并利用GA-SVM預(yù)測模型實現(xiàn)理論線損率預(yù)測。4.結(jié)合RBF-Markov模型和遺GA-SVM模型,研究理論線損率的概率預(yù)測模型。針對概率預(yù)測模型中求解概率密度難這一關(guān)鍵問題,采用非參數(shù)核密度估計方法估計理論線損率的概率密度函數(shù),最終建立概率預(yù)測模型求得置信區(qū)間。
【學(xué)位授予單位】：安徽工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM732
本文編號：2298689
【學(xué)位授予單位】：安徽工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM732
文章目錄
摘要
ABSTRACT
第1章 緒論
1.1 研究背景及意義
1.1.1 研究背景
1.1.2 研究的目的和意義
1.2 研究現(xiàn)狀
1.3 本文工作
第2章 計算和分析配電網(wǎng)理論線損
2.1 配電網(wǎng)線損率的基本概念及組成
2.1.1 線損定義和組成
2.1.2 線損率相關(guān)概念
2.2 配電網(wǎng)理論線損的計算方法比較分析
2.2.1 均方根電流法
2.2.2 最大電流法（損失因數(shù)法）
2.2.3 平均電流法
2.2.4 等值電阻法
2.2.5 回歸分析法
2.2.6 前推回代法
2.2.7 動態(tài)潮流法
2.2.8 智能算法
2.3 配電網(wǎng)線損率影響因數(shù)分析
2.3.1 配電網(wǎng)運行電壓對線損率影響
2.3.2 功率因數(shù)對線損率影響
2.3.3 導(dǎo)線對線損率影響
2.3.4 變壓器對線損率影響
2.3.5 三相負荷不平衡對線損率影響
2.3.6 管理措施對線損率影響
2.4 小結(jié)
第3章 基于RBF神經(jīng)網(wǎng)絡(luò)馬爾可夫模型理論線損率預(yù)測
3.1 引言
3.2 神經(jīng)網(wǎng)絡(luò)模型
3.2.1 人工神經(jīng)網(wǎng)絡(luò)模型
3.2.2 RBF神經(jīng)網(wǎng)絡(luò)模型
3.3 馬爾可夫理論
3.3.1 馬爾可夫鏈
3.3.2 馬爾可夫的性質(zhì)
3.3.3 馬爾可夫模型
3.4 基于RBF神經(jīng)網(wǎng)絡(luò)-馬爾可夫模型的理論線損率預(yù)測
3.4.1 RBF-馬爾可夫模型構(gòu)建
3.4.2 算例分析
3.5 小結(jié)
第4章 基于遺傳優(yōu)化的支持向量機理論線損率預(yù)測
4.1 引言
4.2 統(tǒng)計學(xué)習(xí)理論基礎(chǔ)
4.2.1 VC維和推廣性的界
4.2.2 結(jié)構(gòu)風(fēng)險最小化
4.3 支持向量機模型
4.3.1 支持向量回歸原理
4.3.2 核函數(shù)
4.3.3 支持向量機模型參數(shù)
4.4 遺傳算法優(yōu)化支持向量機建模
4.4.1 遺傳算法原理
4.4.2 遺傳優(yōu)化支持向量機模型構(gòu)建
4.5 算例分析
4.5.1 GA-SVM模型預(yù)測分析
4.5.2 仿真誤差對比
4.6 小結(jié)
第5章 理論線損率預(yù)測結(jié)果不確定性研究
5.1 引言
5.2 非參數(shù)估計理論介紹
5.2.1 直方圖方法
5.2.2 Rosenblatt估計
5.2.3 非參數(shù)核密度估計概念
5.2.4 密度估計優(yōu)良性標準及性質(zhì)
5.2.5 核函數(shù)的選擇
5.2.6 窗寬的選擇
5.3 置信區(qū)間非參數(shù)估計
5.3.1 理論線損率預(yù)測誤差概率分布
5.3.2 置信區(qū)間估計
5.4 實例分析
5.4.1 確定性預(yù)測結(jié)果
5.4.2 求取置信區(qū)間
5.5 小結(jié)
第6章 總結(jié)與展望
6.1 論文工作結(jié)論
6.2 論文工作展望
參考文獻
攻讀碩士期間研究成果
致謝
【參考文獻】
相關(guān)期刊論文 前4條
1 牛東曉;劉達;陳廣娟;馮義;;基于遺傳優(yōu)化的支持向量機小時負荷滾動預(yù)測[J];電工技術(shù)學(xué)報;2007年06期
2 杜穎;盧繼平;李青;鄧穎玲;;基于最小二乘支持向量機的風(fēng)電場短期風(fēng)速預(yù)測[J];電網(wǎng)技術(shù);2008年15期
3 聶相田;李東亮;;基于GM(1,1)-馬爾科夫模型的城市用水量預(yù)測[J];華北水利水電學(xué)院學(xué)報;2011年02期
4 許少華;何新貴;王兵;;一種時變輸入輸出過程神經(jīng)元網(wǎng)絡(luò)及學(xué)習(xí)算法研究[J];控制與決策;2007年12期
相關(guān)博士學(xué)位論文 前1條
1 夏樂天;馬爾可夫鏈預(yù)測方法及其在水文序列中的應(yīng)用研究[D];河海大學(xué);2005年
相關(guān)碩士學(xué)位論文 前3條
1 胡國圣;基于遺傳算法和支持向量回歸的網(wǎng)格資源預(yù)測[D];吉林大學(xué);2010年
2 李濤;支持向量機在風(fēng)電功率預(yù)測中的應(yīng)用研究[D];北京交通大學(xué);2012年
3 管燕;基于非參數(shù)核密度估計方法的環(huán)境責(zé)任保險保費厘定研究[D];中國海洋大學(xué);2013年
本文編號：2298689
本文鏈接：http://www.wukwdryxk.cn/kejilunwen/dianlilw/2298689.html
最近更新
教材專著
