基于群集智能手段的低压台区电网负荷预测手段研究

论文摘要

低压电网负荷预测是实现低压电网线损精细化管理的必经之路。通过准确的负荷预测,可以合理、经济地对低压电网运行方式进行调整,减少上级电站备用容量,并将低压配电变压器负载率调整在合理范围内。同时,对于供电企业日常工作而言,可以合理安排检修计划,降低运营成本,提高经济效益。因此,低压电网的负荷预测具有极其重要的现实意义。由于低压电网客户用电情况存在较大的随意性,国内当下对低压台区负荷的预测,主要依赖运行人员的主管判断或高电压等级负荷预测手段的简单移植,不能满足电力生产的实际要求。本文对低压台区负荷预测的可能性了全面评估,对低压台区负荷预测研究现状中存在的不足进行了分析。在此基础上,构建了基于群体智能优化手段的预测神经网络,并对传统的BP神经网络进行了优化。结合神经网络的权重和阈值的特点,利用改进的粒子群算法确定了权重和阈值的修改方法。尝试通过网络隐含层节点特性,构建ANN网络的结构基因,通过基本蚁群算法进行了改进并进行确定,即隐含层节点的个数。经过测试,与传统负荷预测的手段方法比较,改进后的智能群体负荷预测方式提高了预测的精度,更比较良好地适应低压客户用电的随机性和低压台区负荷预测的随机性要求。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的研究背景及其研究意义
• 1.1.1 课题的来源
• 1.1.2 课题的研究意义
• 1.2 现有负荷预测手段概述
• 1.2.1 回归分析法
• 1.2.2 时间序列法
• 1.2.3 指数平滑法
• 1.2.4 灰色模型法
• 1.2.5 专家系统法
• 1.2.6 人工神经网络（ANN）法
• 1.2.7 小波分析预测技术
• 1.3 影响预测结果精度的原因
• 1.3.1 经济原因
• 1.3.2 时间原因
• 1.3.3 气候原因
• 1.3.4 随机干扰
• 1.4 本文的主要工作
• 第二章 用于台区负荷预测的网络模型
• 2.1 引言
• 2.2 人工神经网络
• 2.3 BP 神经网络
• 2.4 BP 网络应用于低压台区负荷预测的不足
• 2.5 低压台区负荷预测模型的改进
• 2.6 小结
• 第三章 基于蚁群算法的隐含层节点数动态调整方法研究
• 3.1 引言
• 3.2 蚁群算法（ACO）概述
• 3.3 蚁群算法的仿生学理论基础
• 3.4 基本蚁群算法
• 3.4.1 基本蚁群算法对蚁群觅食习性的模拟
• 3.4.2 基本蚁群算法的原理
• 3.4.3 基本蚁群算法的数学模型
• 3.4.4 基本蚁群算法的实现
• 3.4.5 现有的一些基本蚁群算法的改进手段
• 3.5 网络结构基因的构建
• 3.6 网络结构基因的确定
• 3.7 小结
• 第四章 基于粒子群算法的网络连接权重和阈值调整方法研究
• 4.1 引言
• 4.2 粒子群算法概述
• 4.3 粒子群算法的仿生基础
• 4.4 基本粒子群算法
• 4.4.1 基本粒子群算法原理及数学模型
• 4.4.2 基本粒子群算法的具体实现
• 4.5 网络参数基因的构建和确定
• 4.6 小结
• 第五章 低压台区负荷预测的模型实现及算例研究
• 5.1 引言
• 5.2 低压台区负荷预测预测结果的评价
• 5.3 算法实现
• 5.4 预测算例
• 5.5 预测结果
• 5.6 小结
• 第六章 结论
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文