《适用于白银市月度售电量预测的模型构建,电气工程硕士论文.docx》由会员分享，可在线阅读，更多相关《适用于白银市月度售电量预测的模型构建,电气工程硕士论文.docx（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、适用于白银市月度售电量预测的模型构建,电气工程硕士论文售电量是电网企业经营管理的重要经济指标，也是售电均价、财务收入、电网投资预算等一系列指标计算的基础数据。由于售电量遭到众多复杂因素影响，很难找到一种 放之四海 皆准的预测方式方法，既合适于任何地区又适用于各种情况。当前，关于售电量预测的研究有很多，常用的预测方式方法主要有灰色预测法和时间序列法两大类，但是这些方式方法在不同地区、不同售电构造和不同的用电负荷特性的售电量预测中存在一定的局限性。本文旨在研究适用于白银市月度售电量预测的模型，提高预测准确度，知足企业工作需要。 结合白银市用电负荷特性，本文根据用电性质、执行电价和国民经济行业对白银
2、市用电负荷进行分类，分析售电量变化规律。在这里基础上构建了五种数学模型，通过分析比对仿真预测结果，选取灰色预测和人工神经网络组合方式作为基础预测模型，采用差分进化算法对灰色神经网络预测模型网络参数进行了优化，并将气象因素作为影响因子不断修正预测模型。 为进一步提高预测模型的精度，充分考虑当地用电负荷构造特点，将K-means聚类算法应用到白银市负荷聚类中，将七类负荷聚为三类。在MATLAB平台上建立了白银市月度售电量预测模型，采用聚类后的售电量作为训练数据，通过与聚类前的预测结果进行比照，结果证明基于数据聚类的差分灰色神经网络预测模型，能够进一步提高该市月度售电量预测的精度。 本文关键词语：
3、售电量预测；灰色神经网络；差分优化；聚类算法。 Abstract Electricity sales is an important economic indicator for th e operation and management of Power Grid Enterprises, it is also the basic data of a series of index calculation such as average price of selling electricity, financial income, investment budget of power gri
4、d, etc. . Electricity sales are affected by many complicated factors, it is hard to find a one-size-fits-all approach to forecasting, which is suitable for the load characteristics of different regions, scholars at home and abroad have paid much attention to it. At present, There are many researches
5、 on the forecasting of electricity sales,the commonly forecasting methods are Grey prediction method and time series method. However, these methods have some limitations in different areas, different distribution structures and different load characteristics. The purpose of this essay is to develop
6、a method suitable for forecasting the monthly electricity sales in Baiyin to improve the accuracy of forecasting and meet the needs of enterprises. Combined with the characteristics of electric load in Baiyin, in this essay, the Baiyin Electricity load is classified according to the nature of electr
7、icity consumption, the implementation price and the national economy industry.On this basis, five mathematical models are constructed.By analyzing and comparing the emulat ion prediction results, the combination of grey prediction and artificial neural network is selected as the basic prediction mod
8、el .The parameters of grey neural network prediction model are optimized by using differential evolution algorithm, the forecast model is modified continuously by taking meteorological factors as influencing factors. In order to improve the accuracy of the prediction model ,this essay combines the c
9、haracteristics of electric load in Baiyin. The k-means clustering algorithm is appliedto the load clustering in Baiyin area , seven types of Power load are grouped into three types. Using the clustering electricity sales as the training data, a monthly electricity sales prediction model in Baiyin is
10、 established on the MATLAB platform. By comparing with the prediction results in the previous chapters, this differential grey neural network algorithm based on data clustering can further improve the accuracy of monthly electricity sales prediction. Key Words: Electricity sales prediction; Gray neu
11、ral network; Differential optimization; Clustering algorithm 。 文章为硕士论文，如需全文请点击底部下载全文链接】 1.3、 本文研究的主要内容 1.4、 本章小结 第2章 白银市售电量特性分析 2.1、白银市售电量构造 2.2、白银市售电量影响因素 2.3、白银市售电量数据预处理 2.4、售电量影响因子归一化处理. 2.5、本章小结 第3章 时间序列法在白银市售电量预测中的应用 3.1、时间序列法基本理论概述 3.2、预测误差评价方式方法 3.3、时间序列法实证分析 3.4、本章小结 第4章 白银市售电量预测数学模型的建立 4.1、
12、白银市售电量预测线性模型的构建 4.1.1 、ARMA售电量预测模型 4.1.2 、ARIMA售电量预测模型 4.2、白银市售电量预测组合模型的构建 4.2.1、灰色模型(Greg Model) 4.2.2、灰色神经网络售电量预测模型 4.2.3、差分灰色神经网络售电量预测模型 4.3、本章小结 第5章 基于数据聚类的白银市月度售电量预测 5.1、白银市售电量聚类. 5.2、聚类预测效果评价与改良措施 5.3、本章小结 结 论 本文根据白银市用电构造和 两高一低 的负荷特性，通过基于差分进化的灰色神经网络模型聚类预测方式方法，对白银市售电量预测模型进行研究。主要研究经过和结果如下: (1)根据
13、月度售电量特性，结合白银地区实际情况，分析预测误差产生的主要原因。经分析讲明，经济发展、天气变化、季节更替、客户生产状况、数学模型的实用性、数据资料质量等均是导致白银市售电量预测误差的原因。 (2)收集整理2018年至2021年历史数据，将2018年至2021年数据作为训练集，2021年数据作为测试集，先后建立自回归滑动平均模型ARMA、自回归积分滑动平均模型ARIMA、灰色模型以及组合灰色神经网络模型等四种预测模型，分别得到2021年售电量的预测值。将四种方式方法得到的预测值与真实值进行比拟，比照预测误差大小。根据当地的气象数据对预测模型结果进行修正，建立修正的售电量预测模型，结果证明，修正
14、的灰色预测模型，在小样本的地区售电量预测方面具有较好的精度。 (3)采用差分进化算法对组合灰色神经网络模型参数进行了优化，相比单一预测模型和参数未得到优化的模型，优化后的灰色神经网络模型在白银市月度售电量预测仿真应用中，预测偏差进一步缩小。 (4)结合该地区用电负荷特性，将K-means聚类应用到白银市月度售电量历史数据处理和预测中，对各聚类预测电量进行再组合，并引入重点负荷随机因子对预测结果进行修正，使得预测准确率能够到达实际工作需要。 综上所述，通过对白银市售电量预测模型的研究，表示清楚在不同用电特性、不同用电构造的地区，售电量预测模型的建立具有很强的个性差异。在白银市月度售电量模型建立经
15、过中，一是考虑了天气因素对售电量的影响，并对相关模型进行修正；二是应用灰色模型和人工神经网络进行组合预测，并对组合模型进行进一步优化；三是采用的K-means方式方法将各分类售电量进行聚类，应用聚类数据训练已建数学模型，并对聚类电量分别预测。同一个预测模型，比照售电量整体预测与聚类预测的精度，分类预测能够降低模型预测误差。最后，结合该地区负荷特性和工作需要，将35k V及以上重点负荷作为随机因子对数据进行再处理，最终得到改良差分灰色神经网络算法，将预测精度提高到最优。 当下，国内电企改革在如火如荼的开展，售电量预测能力的强弱将成为售电市场竞争的关键因素。随着计算机技术的飞速发展，以计算机为导向
16、的售电量预测已广泛应用于电力系统服务。在将来，随着智能电表、电力物联网等新技术的普及，数据采集和历史数据获取方面将变得愈加便捷高效，通过建立愈加全面的多维历史数据库，将使售电量预测准确率得到进一步的提高。 在本文中，利用MATLAB平台建立了不断修正的白银市月度售电量预测方式方法。但理论模型的建立难以知足当下电力预测需求市场。由于时间、个人能力和数据收集条件所限，研究中还存在很多缺乏，一些影响售电量的因素没有能纳入预测模型中。如：为减少化石燃料消耗引起的环境问题，节能环保的电动汽车已经在城市地区推广使用，有些公交车站已经建立了大型的快速充电桩，城市地区的售电量会急速的增长；再者，与全国60多个
17、资源干涸新城市一样，白银市矿产资源干涸，产生了经济、社会、环保等一系列问题，白银的产业构造正在快速的转型和升级，用电构造也将进一步发生大的转变。在将来的售电量预测中，应将这些随时代变化的主要因素考虑到建模研究中，才能增加预测的准确率。除此之外，各种影响因素的权重也非常重要。一些不确定因素，如紧急情况和异常天气仍然会对负荷预测产生影响，这些随机因素用灰色神经网络预测模型无法详细具体表现出。 今后，一方面应利用大数据的手段，全面挖掘影响售电量变化的相关因素，并且考虑其累积效应，以提高电力企业的决策能力和电力供需预警能力，加强对于其他影响因素变化的应性和前瞻性。另一方面需加强重要用电客户的用电计划管理，对用电量排名在本地区前100名的大客户逐户预测，建立大客户检修、停产、变更或新装增容等随机事件数据库，将这部分电量分别估计，再与通过数学模型预测的其他售电量进行组合；或根据供电企业供电范围，化小预测区域进行预测，实现预测准确率的不断提高。 以下为参考文献.