發(fā)布時間：2024-06-15 00:02

　　隨著社會各領域對電能需求的不斷提高、智能電網(wǎng)技術的快速發(fā)展以及國家對可再生資源政策的全面實施,電力系統(tǒng)面臨著向更智能、更靈活、更具互動性的轉變。在電力系統(tǒng)轉變的過程中參與信息交互的用戶逐漸增多,但由于能源用戶類型各不相同,導致電力負荷呈現(xiàn)波動性和時序性的特點,這對電網(wǎng)的穩(wěn)定運行帶來一定影響。能否準確地預測某區(qū)域短期電力負荷,在電網(wǎng)規(guī)劃和運行過程中發(fā)揮著重要作用。本文給出了一種基于聚類的LSTM短期負荷預測方法,研究工作包括以下幾個方面:1.針對K-Means算法中確定最佳簇集數(shù)k和選擇初始聚類中心的問題,給出了一種改進的K-Means算法。該算法利用PCA算法將樣本集特征空間降維至可視化的三維空間,確定K-Means聚類算法的最佳簇集數(shù)k。通過定義密度距離權重,在數(shù)據(jù)集中根據(jù)權重大小依次選取較大的k個權重對應的樣本點作為初始聚類中心。最終以智能電網(wǎng)中各戶居民多維用電特征集為基礎,利用改進后的K-means算法確定居民類別數(shù),完成居民用戶聚類分析。仿真結果表明改進的算法能準確地選取小區(qū)居民類別數(shù),且具有更高的聚類準確率和更強的抗噪聲干擾性能。2.以居民用戶聚類分析結果為基礎,給出了一種L...

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

圖3.8用電特征集降維效果圖

34(e)20%(f)25%圖3.8用電特征集降維效果圖為了驗證本文給出的改進K-Means算法的有效性及合理性，采用不同算法分別在噪聲比例為0%、5%、10%、15%、20%、25%的數(shù)據(jù)集中進行聚類分析。不同噪聲比例下參數(shù)SC和PCC的計算結果如表3....

圖5.7用戶管理界面

本系統(tǒng)在系統(tǒng)管理模塊中的用戶管理界面加入了用戶統(tǒng)計按鈕，以實現(xiàn)用戶聚類可視化的功能。在站點設備運行管理模塊中的運行情況界面中加入了負荷預測按鈕實現(xiàn)小區(qū)短期負荷預測可視化功能�？梢暬�結果中的柱狀圖和折線圖都是通過JAVA平臺上的開放圖表繪制類庫JFreeChart繪制的。如圖....

圖5.8用戶聚類結果可視化效果圖

圖5.8用戶聚類結果可視化效果圖如圖5.9所示，站點設備運行管理模塊中運行情況界面可以查看各站點系統(tǒng)所在位置以及運行情況，也可以對站點基本信息進行編輯。若站點有意外情況，也可以添加故障信息，通過備注功能進行備注。

圖5.1004月14日電力負荷預測可視化效果圖

重慶郵電大學碩士學位論文日的負荷預測界面如圖5.11所示。這兩個界面展示了在不同日期的情況下，小區(qū)短期負荷預測值和實際值的對比折線圖。通過負荷預測折線圖，電力調(diào)度管理員可以根據(jù)電力負荷預測值，調(diào)整電力調(diào)度方案，避免智能電網(wǎng)中出現(xiàn)存儲電量無處使用，電力能源缺乏區(qū)域電壓不穩(wěn)定的現(xiàn)....

本文編號：3994620