應用類神經網路於具再生能源發電之配電饋線短期負載預測

簡易檢索 / 詳目顯示

回結果列表

研究生：	黃江凱 Jiang-Kai Huang
論文名稱：	應用類神經網路於具再生能源發電之配電饋線短期負載預測 Short-term Load Forecasting of Distribution Feeders with Renewable Energy Generation by Using Artificial Neural Networks
指導教授：	郭明哲 Ming-Tse Kuo
口試委員:	連國龍 Kuo-Lung Lian 吳進忠 none
學位類別：	碩士 Master
系所名稱：	電資學院 - 電機工程系 Department of Electrical Engineering
論文出版年：	2015
畢業學年度：	103
語文別：	中文
論文頁數：	98
中文關鍵詞：	關鍵字、負載預測、再生能源發電量預測、電力調度
外文關鍵詞：	Keyword, Load Forecasting, generation forecasting of renewable energy, power dispatching
相關次數：	點閱：364 下載：1
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

上一筆

負載預測在電力調度作業中扮演著極為重要的角色。精確的負載預測可提供較正確的機組排程與規劃，進而提高供電品質，尤其在大量再生能源發電併入系統後，提高負載預測的精確度更是增加系統調度安全及降低成本的治本之道。再生能源雖然取之不盡、用之不竭，但卻難以穩定且持續的供電，將使電力調度帶來相當的不確定性。因此若以傳統化石燃料機組配合再生能源機組操作，則需要更為精確的負載預測方法，以降低電力營運的風險與成本。本研究擬以考量再生能源發電與氣象資訊及饋線負載之關聯，進而提出一套更精確的負載預測方法，以應用在太陽光電與風力發電併接於同一饋線的狀況。本論文除了應用類神經網路對於配電饋線執行逐時負載預測外，更針對同一饋線上併接之太陽光電與風力發電裝置進行逐時發電量預測，並以台電雲林橋村變電所及苗栗山佳變電所的饋線資訊進行實際測試，測試結果證實可確實地改善負載預測的效果，進而提高饋線的供電品質並提供電力調度單位更彈性的調度策略。

Load forecasting plays the extremely important role in power dispatch operations. Accurate load forecasting can provide the more accurate unit commitment and planning in order to improve quality of power supply. Especially, after a lot of renewable energy generations were integrated into power systems, improving the precision of load forecasting is important for increasing safety of system operation and reducing the cost. Although renewable energy is inexhaustible, it is difficult for stable and sustained supply. The power dispatch will be considerable uncertainty. Therefore, if traditional fossil fuel units work together with renewable energy units, we need a more accurate load forecasting method to reduce the risk and cost of electricity operations.
This thesis is intended to consider the relevance among the renewable energy generation, weather information and feeder load in order to propose a more accurate load forecasting method to be applied in the same feeder which photovoltaic and wind generators are connected to.
This thesis proposed to operate the hourly load forecasting in distribution feeders by the application of the neural network and calculate hourly generation forecasting when photovoltaic and wind generations are connected in the same feeder. The feeder information of Qiaocun substation in Yunlin and Shanjia substation in Miaoli which belong to Taipower Company was tested and the test results confirmed that the proposed methods can improve load forecasting and thus improve quality of power supply for feeders. The results also provide more flexible scheduling policy for power dispatching units.

摘要 ..................................................... I
Abstract ................................................ II
誌謝 ................................................... III
目錄 .................................................... IV
圖表索引 ................................................ VI
第一章緒論 ............................................... 1
1 研究背景與動機 .................................... 1
2 文獻探討 .......................................... 2
3 研究目標與方法 .................................... 4
4 論文架構 .......................................... 5
第二章負載預測與配電系統線路型態簡介 ..................... 6
1 前言 .............................................. 6
2 負載預測簡介 ...................................... 6
2.1 長期負載預測 ................................ 6
2.2 中期負載預測 ................................ 6
2.3 短期負載預測 ................................ 7
3 常見負載預測方法彙整 .............................. 7
3.1 時間序列法 .................................. 7
3.2 迴歸分析法 .................................. 7
3.3 專家系統法 .................................. 8
3.4 灰色理論 .................................... 8
3.5 模糊理論 .................................... 8
3.6 類神經網路法 ................................ 9
4 變電所與配電系統線路型態簡介 ...................... 9
4.1 變電所簡介 .................................. 9
4.2 配電系統線路型態 ........................... 10
4.2.1 放射型配電型態 ........................ 10
4.2.2 常開環路型配電型態 .................... 11
4.2.3 一次選擇型配電型態 .................... 12
4.2.4 二次選擇型配電型態 .................... 12
4.2.5 重點網路型配電型態 .................... 13
4.2.6 常閉環路型配電型態 .................... 13
第三章 類神經網路 ....................................... 14
1 前言............................................. 14
2 類神經網路概論 .................................. 14
2.1 類神經網路原理與功能 ........................ 14
2.2 類神經網路學習規則 ......................... 21
3 倒傳遞類神經網路 ................................. 24
3.1 倒傳遞法則簡介 ............................. 24
3.2 倒傳遞演算法 ............................... 26
3.3 有彈性的倒傳遞演算法 ....................... 28
3.4 共軛梯度演算法 ............................. 29
4 預測效果之評估方式 ............................... 30
第四章 具再生能源發電之配電饋線 短期負載預測 ............ 32
1 前言............................................. 32
2 配電饋線逐時負載預測考量因素 ..................... 35
3 具太陽光電併接之配電饋線短期負載預測 ............. 37
3.1 太陽光電併接於配電饋線之系統架構 ........... 37
3.2 橋村變電所(S/S)-麥三線饋線短期負載預測 ...... 40
3.2.1 麥三線饋線逐時負載預測 ................ 40
3.2.2 太陽光電裝置逐時發電量預測 ............ 41
4 具風力發電併接之配電饋線短期負載預測 ............. 43
4.1 風力發電併接於配電饋線之系統架構 ........... 43
4.2 山佳變電所(D/S)- UI59 饋線短期負載預測 ...... 46
4.2.1 UI59 饋線逐時負載預測 .................. 46
4.2.2 風力發電裝置逐時發電量預測 ............ 47
第五章 預測結果與分析 ................................... 49
1 前言 ............................................. 49
2 橋村變電所(S/S)-麥三線饋線預測結果 ............... 53
2.1 麥三線冬季預測結果 ......................... 53
2.2 麥三線春季預測結果 ......................... 58
2.3 麥三線夏季預測結果 ......................... 63
2.4 麥三線秋季預測結果 ......................... 68
3 山佳變電所(D/S)-UI59 饋線預測結果 ................. 73
3.1 UI59 饋線冬季預測結果 ....................... 73
3.2 UI59 饋線春季預測結果 ....................... 78
3.3 UI59 饋線夏季預測結果 ....................... 83
3.4 UI59 饋線秋季預測結果 ....................... 88
4 預測效果之評估 ................................... 93
第六章 結論與未來研究方向 ............................... 94
1 結論............................................. 94
2 未來研究方向 ..................................... 95
參考文獻 ................................................ 96

                                

[1] P.K. Dash, H.P. Satpathy, A.C. Liew and S. Rahman, “A
Real-TimeShort-Term Load Forecasting System Using Functional
Link Network, ”IEEE Transactions on Power Systems, Volume 12,
Issue 2, May 1997Page(s):675 – 680.
[2] J.W. Taylor and R. Buizza, “Neural Network Load Forecasting with
Weather Ensemble Predictions, ”IEEE Transactions on Power
Systems, Volume 17, Issue 3, Aug. 2002 Page(s):626 – 632.
[3] K.L. Ho, Y.-Y. Hsu and C.-C.Yang , “Short term load forecasting
using a multilayer neural network with an adaptive learning
algorithm, ” IEEE Transactions on Power Systems, Volume 7, Issue 1,
Feb. 1992 Page(s):141 – 149.
[4] T. Senjyu, H. Takara, K. Uezato and T. Funabashi , One-Hour-Ahead
Load Forecasting Using Neural Network , ”IEEE Transactions on
Power Systems, Volume 17, Issue 1, Feb. 2002 Page(s):113 – 118.
[5] C.-N. Lu, H.-T. Wu and S. Vemuri , “Neural Network Based Short
Term Load Forecasting, ” IEEE Transactions on Power Systems,
Volume 8, Issue 1, Feb. 1993 Page(s):336 – 342
[6]陳政宏，「運用氣溫輪廓與類神經網路的台電短期負載預測」，
碩士學位論文，國立台灣科技大學，台北，2005。
[7]羅文毅，「基於氣象資料的配電饋線負載預測之研究」，碩士學
位論文，國立台灣科技大學，台北，2009。
[8]孫智超，「微型電網負載預測之研究」，碩士學位論文，國立台
灣科技大學，台北，2012。
[9]蘇仕博，「類神經網路於短期電力負載預測之研究」，碩士學位
論文，國立台灣海洋大學，台北，2014。
[10] Ashton Webberley and David Wenzhong Gao , Study of artificial
neural network based short term load forecasting, ” IEEE Power and
97
Energy Society General Meeting, 2013.
[11] Ali Azadeh, Optimization of Short Load Forecasting in Electricity
Market of Iran Using Artificial Neural Networks, ”Journal of
Optimization and Engineering,Volume 15, Issue 2 , June. 2014
Page(s): 485-508.
[12] Jia-rui Dong , Chui-yong Zheng and Guang-yuan Kan, Applying the
ensemble artificial neural network-based hybrid data-driven model
to daily total load forecasting, ”Journal of Neural Computing and
Applications, Volume 26, Issue 3 , April. 2015 , Page(s):603-611.
[13] D.C. Park，M.A. El-Sharkawi，II R.J. Marks，L.E. Atlas and M.J.
Damborg，〝Electric load forecasting using an artificial neural
network，〞IEEE Transactions on Power Systems，Volume 6，Issue
2，May 1991 Page(s):442-449.
[14]洪芳婷，「應用混合型負載預測模型於最佳化之需量規劃」，碩
士學位論文，國立成功大學，台南，2007。
[15]高翊倫，「建構台灣區域太陽能發電系統之發電量預測模型」，
碩士學位論文，國立交通大學，新竹，2009。
[16]丁慰祖，「應用類神經網路預測能力改善SVC補償性能」，碩士
論文，國立台灣科技大學，台北，2014。
[17]張弘楷，「結合聚光型太陽能發電系統與水冷系統以改善太陽能
使用率」，碩士學位論文，國立台灣科技大學，台北，2011。
[18]羅華強，「類神經網路--MATLAB 的應用」，高立圖書有限公司，
第 2 版， 2005 年 7 月。
[19]葉怡成，「類神經網路模式應用與實作」，儒林圖書，第五版，
1997 年 10 月。
[20]古瓊景，EMC類神經網路IC原理及應用，全華科技圖書股份有限
公司，1999。
[21]施柏屹，「倒傳遞類神經網路學習收斂之初步探討」，國立中央
大學機械工程研究所，2000。
[22] S. Li, D. C. Wunsch, E. A. O’Hair, and M. G. Giesetmann, “Using
Neural Network to Estimate Wind Turbine Power Generation,” IEEE
Trans on Energy Conv, vol. 16.no. 3, pp.276-282, September 2001.
[23] W. Zhao, “Short-term Wind Generation Forecasting Using Artificial
Neural Network,” in Proc. EPRI technical report, Palo Alto, CA:2003.
1009219.
[24] K. Methaprayoon, C. Yingvivatanapong, W.J. Lee, and J.R. Liao,
“An Integration of ANN Wind Power Estimation Into Unit
Commitment Considering the Forecasting Uncertainty,” IEEE Trans
on Industry Applications, vol. 43, No. 6, Nov./Dec. 2007.
[25]饒軒豪，「風力發電預測及其對台電系統燃料規劃影響之研究」，
碩士論文，大同大學，台北，2008。
[26] J. H. Mathews and K. K. Fink, Numerical Methods Using Matlab,
4thEdition, New Jersey, USA:Prentice-Hall, 2004.
[27] H.S. Hippert, C.E. Pedreira and R.C. Souza, “Hippert H S, Pedreira
C E,Souza R C. Neural Networks for Short-Term Load Forecasting: A
Review and Evaluation, ”IEEE Transactions on Power Systems,
Volume 16, Issue 1, Feb 2001 Page(s):44 – 55.
[28]林明河，「短期饋線負載預測模型之研究」，碩士學位論文，國
立台灣海洋大學，台北，2010。

全文公開日期 2020/08/17 (校內網路)
全文公開日期本全文未授權公開 (校外網路)
全文公開日期本全文未授權公開 (國家圖書館：臺灣博碩士論文系統)

簡易檢索 / 詳目顯示

相關論文