论文总字数：28085字

摘 要

随着智能电网的发展、传感器数量的增多以及智能电表等测量仪器的普及，电力系统负荷侧所测量到的数据越来越多，逐步构成了一个庞大的数据库。所以一些传统的处理数据的方法已经逐渐无法满足需求，针对这个问题，本论文研究了基于负荷侧大数据的电力系统负荷预测方法及基于总体测辨法的负荷建模方法。

首先决定采用多元线性回归模型和人工神经网络模型分别对某地的网供负荷进行中期预测。接着阐述了多元线性回归模型的定义、计算模型、误差计算方式、模型优点和人工神经网络模型的具体提出、BP神经网络的定义、神经网络模型的优点。

其次阐述了两种模型在MATLAB中具体求解的过程以及对模型的改进思路。在分别得到两种模型后比较了它们的误差，以误差为参数结合支持向量机函数将原始数据进行分类。经过这一步处理后，再有进行负荷预测的参数数据输入时先对其进行分类然后在再代入模型进行预测，提高了负荷预测的精度。

最后本论文对负荷建模进行了研究，在SIMULINK中搭建了一个基于总体测辨法的幂函数模型，在测得负荷有功功率、无功功率、负荷母线电压幅值和频率后，以此数据为基础在MATLAB里求解得到负荷模型的具体表达式。以实际值和模型求解值为输入和输出，结合线性回归的思想，求得实际值和模型求解值之间的函数关系，得到改良的负荷模型。

关键词：负荷预测，多元线性回归，人工神经网络，支持向量机函数，负荷建模

Abstract

With the development of smart grids, the increase in quantity of sensors and the popularization of measuring instruments such as smart meters, more and more data are measured on the load side of the power system, which has gradually formed a huge database. Therefore, some traditional data processing methods are unable to meet the needs. To solve this problem, this paper studies the power system load forecasting method based on load side big data and the load modeling method based on the overall measurement method.

First, it is decided to use two different models to make short-term predictions of the network supply load in a place. Then the definition of multivariate linear regression model, the calculation model, the calculation method of the error, the advantages of the model are described. Well, the specific formulation of the artificial neural network model, the definition of the BP neural network, and the advantages of the neural network model are also described.

Secondly, the process of concrete solving of the two models in MATLAB is described. After getting two kinds of mathematical models respectively, their errors are compared, and the original data is classified using the error as a parameter and the support vector machine function. After this step of processing, there is another parameter data for load forecasting which is first classified and then substituted into the model for prediction to improve the accuracy of load forecasting.

Finally, this thesis studies the load modeling, and builds a power function model based on the overall measurement method in SIMULINK. After measuring the load active power, reactive power, load bus voltage amplitude and frequency, the data based on the MATLAB solution to get the specific expression of the load model. The actual value and model solution are input and output. Combined with the idea of linear regression, the functional relationship between the actual value and the model solution value is obtained and a new load model is obtained.

Key words: load forecasting, multiple linear regression ,artificial neural network ,support vector machine function, load modeling.

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景和意义 1

1.1.1 负荷侧大数据的背景和研究意义 1

1.1.2 基于大数据的负荷预测背景和研究意义 1

1.1.3 基于大数据的负荷建模背景和研究意义 1

1.2 国内外研究现状 2

1.2.1 负荷预测的研究现状 2

1.2.2 负荷建模的研究现状 2

1.3 本论文的研究内容和论文结构 3

第二章 基于人工神经网络与多元线性回归的负荷预测 4

2.1 影响负荷预测的因素 4

2.2 人工神经网络 4

2.2.1 人工神经元网络 4

2.2.2 人工神经网络 5

2.2.3 BP神经网络 6

2.2.4 人工神经网络的优点 6

2.3 多元线性回归 6

2.3.1 多元线性回归的定义 6

2.3.2 多元线性回归的计算模型 6

2.3.3 多元线性回归的误差计算 7

2.3.4 多元线性回归的优点 7

2.4 本章小结 7

第三章 基于人工神经网络和多元线性回归的负荷预测模型改进 8

3.1 模型求解及改进思路 8

3.1.1 SVM简述 8

3.1.2 BP神经网络进行负荷预测的思路 9

3.1.3 多元线性回归进行负荷预测的思路 11

3.1.4 模型改进思路 11

3.2 算例结果分析 11

3.2.1 BP神经网络 11

3.2.2 多元线性回归 14

3.2.3 模型改进结果分析 15

3.3 本章小结 16

第四章 基于总体测辨法的负荷建模 17

4.1 电力负荷建模的基本方法 17

4.2 电力系统负荷模型分类 18

4.2.1 静态模型 18

4.2.2 动态模型 19

4.3 幂函数负荷模型的建立及参数辨识 19

4.4 本章小结 22

第五章 总结 23

致 谢 24

参考文献 25

附 录 26

绪论

研究背景和意义

负荷侧大数据的背景和研究意义

“大数据”的概念是在上个世纪90年代左右被提出来的，提出之初，“大数据”只是一个方法的总称，它所表示的是一种能够进行获取、储存以及研究的数据。在当时，人们并没有认识到大数据的特殊性，只是把“大数据”当作是一种普通的集合系统。唯一特殊的就是这个系统是一个能够进行整合、分析获得其他信息的系统。直到2010年的到来，随着麦肯锡全球研究院发表了关于“大数据，新领域”的文章以及美国政府开始大力支持大数据领域的发展之后，人们开始意识到，世界进入了全新的“大数据”时代。

随着电网的智能化发展，负荷侧量测设备也经历智能化转型升级，在智能电表、智能电器、智能插座等得到推广和普及之后，其负荷侧数据采集能力得到极大提高，由以前的人工读数演变为电力载波自动读数、由传统的按月抄电表转变为现下的智能上报，而获取的信息量也实现了多种电能质量参数检测的数字化、自动化与智能化转变。以本论文研究的负荷为例，每五分钟就可以对当时的最低温度、最高温度、湿度、降雨量、风速、气压进行统计与上报，对用电量则是进行一小时一次的统计与上报。

剩余内容已隐藏，请支付后下载全文，论文总字数：28085字