电力系统短期负荷预测与动态无功优化技术研究

论文摘要

电力系统短期负荷预测是实现电力系统安全调度、经济运行的基础,是实现动态无功优化的重要依据,而电力系统动态无功优化又是提高电网的经济性、安全性以及电能质量的重要手段。随着电网规模的不断扩大和对在线分析要求的不断提高,更高精度的负荷预测方法与更有效的动态无功优化技术是迫切需要解决的问题。针对这两个问题本文做了深入的研究。论文首先介绍局部嵌入算法(LLE)和支持向量机(SVM)技术。在此基础上,分析了电力系统短期负荷特性,提出了基于LLE和SVM技术的短期负荷预测模型。该模型利用LLE算法对负荷样本的数据挖掘知识,得到了高维输入样本的低维映射,最后利用具有非线性拟合、泛化能力强优点的SVM进行回归。以浙江某地区电网的某日负荷预测为例,验证了该方法的有效性和适用性。电力系统动态无功优化问题相对来说要复杂的多。本论文首先对作为动态无功优化基础的静态无功优化进行了详细的分析,针对传统遗传算法在静态无功优化中的不足进行了相应的改进,提出了基于综合改进遗传算法的静态无功优化。针对动态无功优化中的负荷动态变化与控制设备的动作次数约束问题,提出了考虑负荷因素的求解动态无功优化问题的新方法。该方法利用综合改进遗传算法计算各负荷段的静态无功优化以获得各负荷段内控制设备值。根据相邻负荷段之间同一控制设备变化差值形成预动作表。利用控制设备的相关性与各时段负荷系数大小相结合动态重置控制设备的动作时刻,形成完整的动态无功优化策略。仿真表明,本文提出求解动态无功优化问题的方案是确实有效的,其快速性、最优性和可靠性完全能够满足工程应用的要求。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 本课题研究的内容及意义
• 1.2 短期负荷预测研究现状
• 1.3 静态及动态无功优化的研究现状
• 1.3.1 静态无功优化的研究现状
• 1.3.2 动态无功优化的研究现状
• 1.4 支持向量机与遗传算法在电力系统中的应用
• 1.4.1 支持向量机在短期负荷预测中的应用
• 1.4.2 遗传算法在无功优化中的应用
• 1.5 本文的主要工作与章节安排
• 第二章 LLE和 SVM的基本原理
• 2.1 概述
• 2.2 局部线性嵌入（LLE）算法介绍
• 2.3 支持向量机回归估计算法
• 2.3.1 SVM回归模型
• 2.3.2 SVM模型参数的影响
• 2.3.3 SVM网络结构
• 2.4 本章小结
• 第三章 基于 LLE和 SVM的短期负荷预测
• 3.1 概述
• 3.2 短期负荷分析
• 3.2.1 短期负荷的特点
• 3.2.2 影响短期负荷水平的气象条件
• 3.3 基于 LLE和 SVM的短期负荷预测
• 3.3.1 SVM用于短期负荷预测的优势
• 3.3.2 LLE算法降维的优势
• 3.3.3 LLE和 SVM的结合
• 3.3.4 基 LLE和 SVM短期负荷预测模型
• 3.4 预测误差分析
• 3.5 算例分析
• 3.6 本章小结
• 第四章 综合改进的遗传算法
• 4.1 概述
• 4.2 遗传算法的基本原理
• 4.2.1 遗传算法的基本步骤
• 4.2.2 遗传算法参数设置
• 4.2.3 遗传算法的特点
• 4.3 遗传算法的综合改进
• 4.3.1 混合编码方式
• 4.3.2 适应度函数的改进
• 4.3.3 优良个体池策略
• 4.3.4 综合改进的遗传算子
• 4.3.5 终止判据
• 4.4 本章小结
• 第五章 基于负荷预测的动态无功优化的实现
• 5.1 概述
• 5.2 静态无功优化
• 5.2.1 静态无功优化的数学模型
• 5.2.2 罚因子的选取
• 5.2.3 综合改进遗传算法在静态无功优化的应用
• 5.3 动态无功优化
• 5.3.1 动态无功优化模型
• 5.3.2 动态无功优化方法
• 5.3.3 负荷预测与负荷分段
• 5.4 算例分析
• 5.4.1 静态无功优化仿真分析
• 5.4.2 动态无功优化仿真分析
• 5.5 本章小结
• 结论与展望
• 结论
• 展望
• 参考文献
• 攻读硕士期间发表的论文
• 致谢
• 附录