短期负荷预测及经济负荷分配的研究
摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第12-22页 |
1.1 研究的背景与意义 | 第12-13页 |
1.1.1 电力工业的属性 | 第12页 |
1.1.2 负荷预测的重要性 | 第12-13页 |
1.1.3 负荷分配的重要性 | 第13页 |
1.2 研究现状 | 第13-20页 |
1.2.1 负荷预测 | 第14-17页 |
1.2.2 负荷分配 | 第17-20页 |
1.3 本文的研究目的和内容 | 第20-22页 |
1.3.1 本文的研究目的 | 第20页 |
1.3.2 本文研究的主要内容 | 第20-22页 |
第2章 电力负荷分析及数据预处理 | 第22-30页 |
2.1 电力系统负荷的构成 | 第22-23页 |
2.2 负荷特性分析 | 第23-26页 |
2.2.1 负荷与温度的相关性分析 | 第23-24页 |
2.2.2 负荷的周期性分析 | 第24-26页 |
2.3 短期负荷预测的特点 | 第26页 |
2.4 短期负荷预测数据处理 | 第26-28页 |
2.4.1 异常数据的来源 | 第26-27页 |
2.4.2 异常数据的处理 | 第27-28页 |
2.5 预测误差分析 | 第28-29页 |
2.6 本章小结 | 第29-30页 |
第3章 基于GA-SVM的短期负荷预测 | 第30-48页 |
3.1 引言 | 第30页 |
3.2 统计学习理论 | 第30-32页 |
3.2.1 机器学习及经验风险最小化 | 第30-31页 |
3.2.2 VC维及推广性的界 | 第31-32页 |
3.2.3 结构风险最小化 | 第32页 |
3.3 支持向量回归 | 第32-36页 |
3.4 支持向量回归参数的选择 | 第36-41页 |
3.4.1 核函数的选择 | 第36-37页 |
3.4.2 支持向量机参数对于模型的影响 | 第37页 |
3.4.3 网格搜索法优化选择参数 | 第37-38页 |
3.4.4 遗传算法优化选择SVM参数 | 第38-41页 |
3.5 支持向量回归短期负荷预测过程 | 第41-42页 |
3.6 仿真与分析 | 第42-47页 |
3.7 本章小结 | 第47-48页 |
第4章 经济负荷分配模型的研究 | 第48-56页 |
4.1 引言 | 第48页 |
4.2 目标函数的确定 | 第48-51页 |
4.2.1 经济性指标的确定 | 第48-49页 |
4.2.2 机组煤耗特性曲线的确定 | 第49-50页 |
4.2.3 考虑阀点效应的目标函数 | 第50-51页 |
4.3 约束条件的确定 | 第51-54页 |
4.3.1 功率上下限约束条件 | 第51-52页 |
4.3.2 功率平衡约束 | 第52页 |
4.3.3 爬坡约束 | 第52-53页 |
4.3.4 含禁止运行区域的约束 | 第53-54页 |
4.4 经济负荷分配模型的确定 | 第54页 |
4.5 本章小结 | 第54-56页 |
第5章 基于SQP-PSO的经济负荷分配的研究 | 第56-74页 |
5.1 引言 | 第56页 |
5.2 粒子群算法 | 第56-60页 |
5.2.1 粒子群算法的基本原理 | 第56-58页 |
5.2.2 粒子群算法的参数分析 | 第58-59页 |
5.2.3 粒子群算法的流程 | 第59-60页 |
5.3 序列二次规划 | 第60-64页 |
5.3.1 SQP算法原理 | 第60-62页 |
5.3.2 SQP算法流程 | 第62-64页 |
5.4 经济负荷分配的混合SQP的粒子群算法 | 第64-68页 |
5.4.1 参数编码 | 第64-65页 |
5.4.2 约束条件的处理 | 第65-66页 |
5.4.3 评价函数的设计 | 第66页 |
5.4.4 SQP-PSO算法过程 | 第66-68页 |
5.5 仿真与分析 | 第68-73页 |
5.5.1 3机组系统 | 第69-70页 |
5.5.2 13机组系统 | 第70-71页 |
5.5.3 40 机组系统 | 第71-73页 |
5.6 本章小结 | 第73-74页 |
第6章 总结与展望 | 第74-76页 |
6.1 本文总结 | 第74-75页 |
6.2 工作展望 | 第75-76页 |
参考文献 | 第76-82页 |
致谢 | 第82-84页 |
硕士期间所做的工作 | 第84页 |