一、地区电力负荷中期预测方法分析比较与应用(论文文献综述)
张晓[1](2021)在《基于Spark的电力负荷预测平台设计与实现》文中研究指明社会经济的发展离不开电网的可靠性保障。电力负荷的精准预测,对确保电力系统对电力稳定调度,保证其经济、安全、可靠的运行起着至关重要的作用,是配电网规划的最为关键部分。随着电网智能化的推进,电网中数据的智能化、信息化程度不断提高,这为电力系统负荷预测提供了海量数据样本,也为达成提高负荷预测准确性的目标奠定了基础。本文是基于大数据分布式计算集群,提出一种基于组合深度学习算法进行电力负荷预测的研究,要求系统的稳定可靠的基础上,运算的速度快、准确率高。主要研究内容如下:(1)基于大数据技术的分布式计算研究针对电网数据海量、异构等特点,构建Hadoop、Spark的大数据分布式集群进行电网大数据的处理。通过部署Hadoop大数据生态圈,实现了电网数据从收集、传输、处理、计算到存储的整个过程。利用基于RDD的Spark及其组件进行电力负荷预测相关数据的处理和最终预测模型的搭建。(2)基于组合深度学习算法的电力负荷预测研究影响电力负荷的因素分为时序因素和非时序因素,因此本文提出了一种同时对时序特征和非时序特征建模的电负荷预测方法——基于预训练GRU-Light GBM的电负荷预测方法。双向循环GRU网络作为时序特征提取器,同时考虑历史时期和未来时期负荷影响因素对预测负荷的影响,充分提取负荷特征数据之间有效潜在关系。将提取到的时序特征与影响电力负荷的非时序特征相结合,放入到对回归预测问题有着不错效果且运算速度快的Light GBM模型中,进行模型训练与预测。特别的,在设计算法思路中本文充分考虑了电网负荷预测是个多周期的任务。不同的时间周期在电网运营的各个环节中都提供重要的信息辅助,因此提出了一种可以适应不同周期负荷预测的算法框架。在算法框架不发生变化的情况下,该变不同维度的特征就可以实现相应的预测,非常高效快捷。(3)负荷历史数据和负荷预测结果的可视化技术研究为了让平台用户更加便捷和直观的了解数据,设计实现电力负荷预测平台,解决电力相关数据的可视化问题。平台通过Java技术搭建基于B/S架构的数据交互和可视化展示平台,提供了便捷的人机交互方式,降低了操作的复杂度。
张小娜[2](2021)在《基于CEEMD-PE和考虑元胞负荷相互影响的空间负荷预测方法研究》文中研究表明空间负荷预测(Spatial Load Forecasting,SLF)是电网规划的重要组成部分。准确可靠的负荷预测结果对于大型电网的规划设计至关重要。SLF与以往的负荷预测方法相比,预测结果不仅包括负荷的大小,还包括负荷的空间分布。SLF的高精度预测结果可以指导变电站的设计和运行,并且确定供电设施的容量和最佳位置。本文详细阐述了空间负荷预测中数据预处理和空间负荷预测方法的国内外研究现状,并对目前SLF方法按照不同方式进行了分类总结。对电力负荷的特性分析是进行SLF的基础,依次研究了空间电力负荷的分类、影响因素以及负荷变化的增长规律;剖析了空间电力负荷预测误差产生的原因并介绍了SLF误差分析的评价方法;为了更好的研究SLF,将地理信息系统(Geographic Information System,GIS)引入到空间负荷预测中去,并建立电力地理信息系统。针对直接实测的历史负荷数据中存在奇异数据而使空间负荷预测结果精度降低的问题,提出了一种基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和排列熵确定元胞负荷合理最大值的方法。首先,采用CEEMD技术将待预测区域中由10k V馈线供电范围所生成的各I类元胞负荷序列进行分解;其次,利用排列熵(permutation entropy,PE)算法对分解得到的IMF分量中的高频分量辨析识别,并予以剔除;然后,对低频分量和残差分量进行重构生成新的主体分量,将各I类元胞负荷的重构主体分量中的年负荷最大值确定为该元胞的合理最大值,在此基础上实现空间负荷预测;最后,通过工程实例分析验证了本文所提数据预处理方法的合理性和有效性。针对现有空间电力负荷预测方法没有考虑待预测区域内各供电小区之间的负荷相互影响关系的情况,提出一种考虑本位元胞接受能力和相邻元胞负荷影响的空间负荷预测方法,主要适用于城市电网规划年负荷预测。首先,利用变异系数建立本位元胞接受负荷影响的量化模型,来反映本位元胞对相邻元胞负荷影响的接受能力;其次,考虑待预测区域内各元胞之间的距离因素和用电负荷相似性因素生成空间复合权重矩阵,并利用空间卷积建立相邻元胞产生负荷影响的量化模型,来反映相邻元胞对本位元胞产生的负荷影响;然后,综合考虑本位元胞接受负荷影响的能力和相邻元胞产生负荷影响的共同作用,构建综合考量本位元胞接受能力和相邻元胞负荷影响的空间电力负荷预测模型;最后,通过工程实例分析验证了所提方法及模型的正确性和有效性。
刘陆[3](2021)在《基于QGA和SVM的电力负荷预测研究》文中指出电力工业的运行规划,离不开对负荷的精准预测。负荷预测有诸多好处,保证电力系统平稳运行,能对发电的成本加以控制,让发电更具经济价值。因此,需要引入全新的机器学习方法,该方法须具备非线性的学习能力。对比多种预测算法之后,其中支持向量机(SVM)具有诸多优势,是比较适合电力负荷预测的算法,因此本文采用支持向量机方法进行电力负荷预测。本文立足于电力负荷数据的内在规律,并对外界因素进行分析,建立负荷预测模型,分别兼顾准确性和可靠性。随后将预测模型进行优化,进一步提升负荷预测精度。本文完成了如下主要工作:(1)对气温,气候和日期类型等外部因素进行分析,建立了电力负荷预测模型。(2)针对于原始量子进化算法过早收敛以及过早陷入局部最优等缺陷,提出自调整式量子门进化方式以及修正量子态过早收敛策略。该算法以种群中个体较最优个体偏差量为基准,自调整生成量子门。对于量子旋转角基准角的选取,采用指数周期性衰减策略,同时应用修正量子态过早收敛策略来实现算法,降低算法陷入局部最优概率。(3)针对于SVM中超参数穷举取值的随意性以及时间成本冗长的问题,本文提出了利用改进量子进化(QGA)算法对上述模型的参数进行优化,建立了QGA-SVM电力负荷预测模型,从实验最终结果来看,所提出的改进型预测模型能够提升电力负荷预测的精度。(4)在成功改进负荷预测模型的基础上,研发了基于量子进化算法优化SVM的预测系统,从最终运行结果来看,所研发的负荷预测系统初步完成了电力负荷预测的相关工作。
张远航[4](2021)在《基于时序记忆神经网络的电力负荷概率预测研究》文中提出
魏腾飞[5](2021)在《基于机器学习的微电网短期负荷预测策略研究》文中认为微电网可以集成多种分布式能源,是一种良好的能源解决方案。为了保障微电网系统的安全稳定运行,需要对微电网电力负荷做出准确预测。但负荷预测的精度受样本数据本身、预测方法等多种因素影响,鉴于此,本文以某地区微电网为研究对象,对短期电力负荷预测中的相关问题进行研究,本文的主要研究内容如下:(1)以某地区原始负荷数据为研究对象,分析负荷数据变化的规律,对短期负荷影响因素进行归纳和总结。针对采集的原始负荷数据中存在噪声污染的问题,提出利用变分模态分解(Variational Mode Decomposition,VMD)对负荷数据进行降噪处理,在避免模态重叠的前提下,滤除序列中对预测结果产生干扰的分量。(2)采用统计学中的皮尔逊相关系数、斯皮尔曼相关系数和肯德尔相关系数对影响因素数据和负荷数据进行相关性分析,筛选出真正发挥实际影响作用的因素。选取相关值较高的影响因素,再次计算各影响因素之间的关联程度,判断影响因素数据是否存在信息共享现象。针对各影响因素数据之间存在非线性耦合的问题,提出利用核主成分分析(Kernel Principal Component Analysis,KPCA)进行特征提取,将原先包含一些相关信息的向量转变为较少的互不相关的向量,降低模型输入的维度。(3)针对长短期记忆(Long Short Term Memory,LSTM)神经网络存在模型参数难以确定的问题,提出利用自适应柯西变异粒子群算法(Adaptive Cauchy Mutation Particle Swarm Optimization,ACMPSO)对LSTM模型的关键参数进行优化,并利用三个测试函数对ACMPSO算法的寻优性能进行了测试。(4)在Python上进行仿真实验,仿真结果表明,单模型中LSTM的预测精度最高,模型拟合能力最强,基于ACMPSO-LSTM的优化模型拥有更高的预测精度和稳定性,对提高微电网短期负荷预测的精度具有较高应用价值。
曾豪[6](2021)在《面向区域电力物联网的用户侧电力资源管理策略研究》文中进行了进一步梳理区域能源互联网中产能、储能和用能设备数量众多,用户业务差异较大,拥有庞大的能量流和信息流。通过对信息进行分析处理,可以提高能量的流动效率。短期电力负荷预测信息作为区域能源互联网中的关键信息流之一,对负载规划和电力交易管理具有重要意义,当前短期电力负荷预测研究主要包括特征分析法和电力负荷曲线聚类法,其中特征分析法的预测精度取决于特征选择,而电力负荷曲线聚类法又无法处理用户的突发性用电行为。因此,本文综合考虑电力负荷曲线的趋势和用户用电特征选择问题,提出面向高维电力负荷数据的高精度短期电力负荷预测策略。该策略综合考虑气象因子和节假日以及年度经济总量因素等特征数据,并创新地以时隙作为预测单位,提出基于每日相邻时隙进行预测的算法。仿真结果表明,提出算法的平均绝对百分比误差指标提升至2.27%,R平方(R-square,R2)指标提升至0.968,相较于传统支持向量机和经验模态分解等方法,本文所提策略的负荷预测精度提高了 20.6%。进一步,基于短期电力负荷预测结果,本文针对区域能源互联网场景中用户无法充分利用信息流导致用电成本高的难题,分别对用户侧家电类负载和新能源汽车进行讨论,研究区域能源互联网场景下用户侧能源管理策略。本文以最小化用户的用电成本的目标,将区域能源互联网中用户侧电动汽车充电时的电力交易过程构建为混合整数线性规划模型,并使用Gurobi线性规划求解器,通过分支定界法对优化模型的解空间树进行分支和剪支,得到新能源汽车充电时间内用户的最优电力交易策略和电动汽车充电策略。仿真结果表明,相较于传统市场即用即买的交易策略,提出的新型能源管理策略可将用户的用电成本降低46%,提高了用户对时变电价的敏感性。综上,本文分析了区域能源互联网场景下电力交易市场的特征,通过规划可时移负载使用时间、制定电力交易计划,降低了用户用电成本,提高了能量和信息的交互效率。
杨海兰[7](2021)在《武威地区短期负荷预测研究》文中研究指明短期电力负荷预测是电力系统运行、规划的关键,其准确性可以保证电力系统安全稳定运行,降低发电成本,提高经济效益。随着我国进入“十四五”时期,电力需求持续增长,精准的短期负荷预测显得愈发重要。本文为了进一步提高短期负荷预测精度,研究了基于长短期记忆神经网络(Long Short Term Memory,LS TM)和支持分类特征梯度提升(Gradient Boosting With Categorical Features Supp ort,CatBoost)组合的短期负荷预测模型。首先,对武威地区电力负荷分类及短期负荷特性进行分析,探寻负荷的周期性、随机性和相似性,以及短期负荷本身具有的时序性和非线性特点。对武威地区负荷与连续型特征进行皮尔逊相关系数分析,对分类型特征进行CatBoost特征重要性分析,综合两种方法提取不同的负荷特征,为后期负荷预测建模做准备。其次,由于电力负荷数据具有时序性特点,故搭建LSTM短期负荷预测模型;考虑到负荷特征中有分类型特征,用CatBoost算法搭建短期负荷预测模型;对LSTM和CatBoost的互补性进行分析,用不同长度的负荷序列作为这两个模型的输入进行负荷预测分析,得知LSTM算法能对负荷数据的长周期时序性信息进行充分地学习挖掘,CatBoost算法对长周期时序性数据感知能力较差;用这两个模型分别对工作日、休息日、法定假日进行负荷预测分析,得知CatBoost算法能很好的拟合分类型特征,LSTM算法拟合分类型特征能力较差。最后,为了对LSTM和CatBoost模型取长补短,提出基于固定权重的LSTM和CatBoost短期负荷组合模型,用最优加权法和方差倒数法确定LSTM和CatBoost模型的权重,得到两种不同的固定权重的组合模型;提出基于RBF神经网络的LSTM和CatBoost组合预测模型,利用RBF全局最优逼近性能将LSTM和CatBoost进行非线性组合。使用武威地区实际负荷数据,对不同日期类型下三种不同的组合模型有效性进行验证。结果表明,在任何日期类型下,所提组合模型都能有效结合单一模型的优点,在对长周期时序性数据充分挖掘的基础上同时提高分类型特征的拟合能力。所提组合模型与LSTM和CatBoost模型相比,预测精度得到了进一步提高。其中,基于RBF神经网络组合法预测效果最好。
李婷[8](2021)在《基于EABLT-RIO的短期负荷预测方法研究》文中研究表明随着经济发展,人民生活水平增长,国内用电量近年来不断增加,产生的电力消耗可能导致计划外的停电事故,且电力能源有大规模储存困难的缺点。此外,电动汽车的快速发展,分布式可再生能源的大量接入都给电网负荷增加了波动性,短期电力负荷预测面临的影响因素逐渐增多。传统预测方法不再适用于复杂多变的电力负荷,挖掘新型的短期负荷预测方法迫在眉睫。本文以基于EABLT-RIO的短期负荷预测研究为课题。在四川省杰出青年科技人才项目(2020JDJQ0037)的支持和引导下,研究了国内外预测方法,总结了短期负荷预测的分类方法及相关方法的优缺点,并分析了新形势下的人工智能预测方法的重要作用。本文提出的EABLT集成模型短期负荷预测方法研究中,首先建立了差分移动自回归模型ARIMA,BP神经网络和LSTM长短期记忆网络、时序卷积网络TCN等单一模型。然后针对当前负荷复杂多变,且规律性较强的特点,基于集成算法,将上述网络集成组合,建立了EABLT预测方法,有效的提升了预测精度。本文提出了基于EABLT-RIO的短期负荷预测的研究模型。该模型通过RIO优化方法,对训练后的EABLT模型的预测数据的残差进行估算,矫正了EABLT模型的输出,提高了模型预测精度。并研究了EABLT-RIO模型的不确定性估计的质量,验证了模型的准确性与有效性。结合我国某地区的真实电力负荷数据集,通过算例分析,验证了所构建的EABLT模型的有效性和集成组合预测的优越性。在RIO模型中直接引进预测模型进行残差估计,并对比分析,证明RIO模型具有良好的泛化能力。最后基于输入输出高斯核函数,进行预训练模型的误差校正,并最终证明EABLT-RIO模型可以有效提高预测精度。
聂晓东[9](2021)在《基于循环神经网络算法的居民用电负荷短期预测方法》文中研究说明伴随着电力市场改革化以及各项工作的推进,电力在生产调度时,十分依赖电力负荷的预测结果。负荷预测是指对用电量的具体数值进行预测,不仅能保障电力系统的正常运行,还可以大大的减少资源的消耗。随着各类电力负荷预测模型的更替,基于神经网络的预测模型逐渐获得了大家的广泛认可。本文首先概述电力负荷预测的在实际应用中的重要性,并对电力负荷预测国内外的研究现状进行探究。由于电力负荷数据具有时间序列的特点,本文重点研究循环神经网络模型,将其应用在电力负荷的预测工作中,并介绍相关的算法。气候、日期等特征变化的随机性同时也增加了短期负荷预测的复杂性。本文以获取到的某地居民用电负荷数据为基础,在充分考虑温度、湿度、风速及节假日等影响因素的基础上,对负荷数据进行预处理并降低噪声误差,为预测工作做好数据准备。其次,将分别搭建RNN负荷预测模型和LSTM负荷预测模型,并通过训练好的模型对2019年7月1日24个小时的负荷进行预测,对结果进行验证分析。普通循环神经网络关注的重点是输入序列的联系,输入序列对于负荷的影响程度考虑不够,而基于注意力机制(Attention)的神经网络特点是能为输入序列的关键的信息投入更多的关注,进而克服传统的递归神经网络随着输入序列增长而性能下降的问题,并在自然语言处理方面取得了巨大的突破。为了使预测模型能更好的挖掘负荷数据规律,本文将引入注意力机制(Attention),来对LSTM输出的数据进一步学习,将输入序列赋予不同的权重,并提出一种改进的基于自注意力机制的Self-Attention-LSTM模型预测方法,再次进行验证分析。最后,将RNN负荷预测模型、LSTM负荷预测模型和引入了自注意力机制的Self-Attention-LSTM负荷预测模型的实验结果进行综合分析。通过对比发现,引入了自注意力机制的循环神经网络负荷预测模型在预测精度等各个方面都明显优于普通循环神经网络负荷预测模型,平均绝对百分比误差等评价指标均有非常明显的下降,体现出了良好的映射能力,在实际的电力负荷预测的场景中也具备良好的应用前景。
邵雪羚[10](2021)在《地区电网短期负荷预测云平台设计与实现》文中研究指明短期电力负荷预测是电力系统研究领域的一个重要研究方向,对其进行准确高效的预测,对于电网的安全、稳定运行有着非常积极的作用。然而电力负荷的影响因素众多,各个影响因素的收集以及提取通常由人工手动完成,工作量巨大,效率不高。相关学者围绕短期负荷预测研究已经开展了大量工作,取得了大量研究成果,也提出了许多预测算法。但是这些方法大部分对于适用条件都有一定的限制,此外随着电力数据体量与维度不断增加,短期负荷预测研究面临着新的困难与挑战。本文对此展开了研究,设计并实现了一套地区电网短期负荷预测云平台。本文首先对短期电力负荷预测的研究背景以及意义进行了介绍,对负荷特性指标、负荷预测方法、负荷预测软件相关研究的国内外研究现状进行了阐述。结合文献分析以及实地调研,本文系统采用B/S架构体系以及LAMP(Linux,Apache,My SQL,PHP)开发框架,集成当前主流的3种神经网络负荷预测模型作为负荷预测算法,利用python进行负荷预测各类基础数据采集,使用电网企业云作为系统的云平台。随后,本文针对电网负荷预测实际需求进行了系统的功能性及非功能性需求分析,且在此基础上设计了系统架构和功能模块,即负荷预测、负荷数据管理、负荷特性管理、人员管理功能模块。本文针对各个模块的功能进行了详细的功能设计、算法流程设计、数据模型设计,在电力私有云服务器上完成系统部署与实现。在云平台搭建完成之后,对该系统展开了全面的功能性测试及兼容性安全性等测试,测试结果表明该平台可以对短期负荷进行精准预测,并且具有良好的安全性和兼容性。本文设计的地区电网短期负荷预测云平台系统,实现了电网负荷自动化、科学化预测,实现了负荷历史数据、负荷特性数据信息化管理,实现了负荷预测人员考核管理,提升了负荷预测工作效率,提高了电网自动化管理水平,为电网进行精准、高效、科学的负荷预测提供了有力支撑。
二、地区电力负荷中期预测方法分析比较与应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、地区电力负荷中期预测方法分析比较与应用(论文提纲范文)
(1)基于Spark的电力负荷预测平台设计与实现(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 基于传统统计学的电力负荷预测方法 |
1.2.2 人工智能深度学习的电力负荷预测方法 |
1.3 研究内容 |
1.4 论文的整体结构和内容安排 |
第2章 相关技术的综述 |
2.1 分布式集群相关技术 |
2.1.1 Hadoop技术 |
2.1.2 Spark技术 |
2.2 预测算法相关技术 |
2.2.1 GRU(Gate Recurrent Unit) |
2.2.2 Light GBM |
2.3 B/S交互式可视化平台相关技术 |
2.3.1 SSM |
2.3.2 可视化展示框架ECharts |
2.4 本章小结 |
第3章 基于预训练GRU-Light GBM的电力负荷预测的算法模型原理 |
3.1 数据的预处理 |
3.2 基于预训练GRU-Light GBM的电力负荷预测的算法模型原理 |
3.2.1 算法总体架构设计 |
3.2.2 GRU网络 |
3.2.3 反向传播算法 |
3.2.4 神经网络的优化算法 |
3.2.5 GRU网络的预训练 |
3.2.6 Light GBM预测模型 |
3.2.7 模型整体训练 |
3.3 短期电力负荷预测 |
3.3.1 特征提取网络预训练 |
3.3.2 负荷预测网络整体训练 |
3.3.3 不同模型对比 |
3.4 长期的电网负荷预测 |
3.5 中期的电网负荷预测 |
3.6 超短期的电网负荷预测 |
3.7 算法小结 |
第4章 电力负荷预测平台设计与实现 |
4.1 平台总体技术架构设计 |
4.1.1 分布式计算集群技术方案 |
4.1.2 基于B/S架构的数据交互和可视化展示平台技术方案 |
4.2 数据库设计 |
4.2.1 用户相关的表的设计 |
4.2.2 特征相关的表的设计 |
4.2.3 电力数据相关的表的设计 |
4.3 平台功能模块设计与实现 |
4.3.1 用户管理功能模块设计与实现 |
4.3.2 电力负荷预测数据可视化功能模块设计与实现 |
4.3.3 历史电力负荷数据可视化功能模块 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 总结 |
5.2 进一步工作展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(2)基于CEEMD-PE和考虑元胞负荷相互影响的空间负荷预测方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究目的和意义 |
1.2 空间负荷预测中数据预处理国内外研究现状 |
1.3 空间负荷预测国内外研究现状 |
1.4 主要研究内容 |
第2章 电力负荷的特性分析及电力GIS的建立 |
2.1 空间电力负荷的分类 |
2.2 空间电力负荷的影响因素 |
2.3 空间电力负荷的增长规律分析 |
2.4 空间电力负荷预测误差分析 |
2.4.1 SLF误差产生的原因 |
2.4.2 SLF误差分析 |
2.5 电力GIS的建立 |
2.6 电力负荷的空间分辨率 |
2.7 本章小结 |
第3章 基于CEEMD和排列熵确定元胞负荷合理最大值的方法 |
3.1 基本原理 |
3.2 CEEMD方法 |
3.3 排列熵算法 |
3.4 确定元胞负荷合理最大值 |
3.5 工程实例 |
3.5.1 基于Ⅰ类元胞的SLF结果 |
3.5.2 基于Ⅱ类元胞的SLF结果 |
3.6 本章小结 |
第4章 考虑本位元胞接受能力和相邻元胞负荷影响的空间负荷预测方法 |
4.1 基本原理 |
4.2 基于变异系数构建本位元胞对负荷影响接受能力的量化模型 |
4.3 利用空间卷积技术构建相邻元胞产生负荷影响的量化模型 |
4.3.1 生成空间复合权重矩阵 |
4.3.2 基于空间卷积量化相邻元胞产生的负荷影响 |
4.4 综合考量本位元胞接受能力和相邻元胞负荷影响的SLF模型 |
4.5 实例分析 |
4.5.1 基础数据处理 |
4.5.2 本位元胞的接受能力 |
4.5.3 相邻元胞产生的负荷影响 |
4.5.4 综合考量本位元胞接受能力和相邻元胞负荷影响的预测结果 |
4.6 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的论文及其它成果 |
致谢 |
(3)基于QGA和SVM的电力负荷预测研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 传统的负荷预测方法 |
1.2.2 基于机器学习的负荷预测方法 |
1.3 主要内容 |
1.4 结构安排 |
2 电力负荷预测分析 |
2.1 负荷数据的选取和预处理 |
2.1.1 异常点的修正 |
2.1.2 缺失数据补充 |
2.2 负荷特征分析 |
2.2.1 负荷预测特征 |
2.2.2 负荷变化周期性 |
2.2.3 电力负荷影响因素 |
2.3 负荷预测分类和基本步骤 |
2.3.1 负荷预测分类 |
2.3.2 负荷预测基本步骤 |
2.4 本章小结 |
3 基于支持向量机的负荷预测方法研究 |
3.1 基于支持向量机负荷预测方法的理论背景 |
3.1.1 支持向量机基础理论 |
3.1.2 支持向量机的结构原理 |
3.1.3 负荷预测精度的评价指标 |
3.1.4 样本归一化方法 |
3.2 基于支持向量机的预测模型 |
3.3 本章小结 |
4 改进型量子进化算法优化支持向量机的负荷预测方法的研究 |
4.1 进化算法 |
4.2 量子进化算法 |
4.2.1 量子进化算法原理 |
4.2.2 量子进化算法流程 |
4.2.3 量子进化算法理论基础的改进趋势 |
4.3 改进型量子进化算法 |
4.4 改进型量子进化算法性能验证 |
4.5 支持向量机预测效果的评价指标 |
4.6 基于改进型量子进化算法优化支持向量机预测模型 |
4.6.1 预测方法及步骤 |
4.6.2 实验分析 |
4.7 本章小结 |
5 电力负荷预测系统的设计与展示 |
5.1 系统功能 |
5.2 系统软件架构 |
5.3 系统运行流程 |
5.4 系统界面展示 |
5.4.1 系统登录功能 |
5.4.2 数据维护模块 |
5.4.3 负荷预测模块 |
5.4.4 可视化模块 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者在读期间研究成果 |
致谢 |
(5)基于机器学习的微电网短期负荷预测策略研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究的背景及意义 |
1.1.1 课题研究的背景 |
1.1.2 课题研究的意义 |
1.2 电力负荷预测概述 |
1.2.1 电力负荷预测的分类 |
1.2.2 电力负荷预测的特点 |
1.2.3 电力负荷预测的基本流程 |
1.3 电力负荷预测研究现状 |
1.3.1 传统预测算法 |
1.3.2 机器学习算法 |
1.3.3 组合预测法 |
1.4 论文的主要研究内容及章节安排 |
第二章 短期电力负荷影响因素分析及数据降噪方法研究 |
2.1 短期电力负荷影响因素分析 |
2.1.1 日类型影响因素 |
2.1.2 气象影响因素 |
2.1.3 其他影响因素 |
2.2 基于VMD的电力负荷数据降噪方法研究 |
2.2.1 变分模态分解基本原理 |
2.2.2 VMD算法实现步骤 |
2.2.3 噪声抑制仿真分析 |
2.3 本章小结 |
第三章 基于KPCA的预测数据特征提取方法研究 |
3.1 相关性分析 |
3.1.1 相关程度划分 |
3.1.2 相关系数 |
3.2 主成分分析模型 |
3.3 核主成分分析模型 |
3.3.1 核主成分分析 |
3.3.2 核主成分分析实现步骤 |
3.3.3 核主成分分析核函数 |
3.4 仿真分析 |
3.4.1 影响因素数据预处理 |
3.4.2 相关性分析结果 |
3.4.3 基于KPCA的特征提取 |
3.5 本章小结 |
第四章 基于ACMPSO-LSTM的短期负荷预测模型研究 |
4.1 神经网络基本理论 |
4.1.1 循环神经网络 |
4.1.2 LSTM神经网络 |
4.2 LSTM模型参数优化算法 |
4.2.1 自适应柯西变异粒子群算法 |
4.2.2 ACMPSO算法性能测试 |
4.3 LSTM模型参数优化步骤 |
4.4 短期负荷预测模型设计 |
4.5 本章小结 |
第五章 仿真分析 |
5.1 数据来源和仿真环境 |
5.2 预测性能评价指标 |
5.3 单预测模型仿真分析 |
5.3.1 模型参数设置 |
5.3.2 仿真结果及分析 |
5.4 基于ACMPSO-LSTM模型的仿真分析 |
5.4.1 模型参数设置 |
5.4.2 仿真结果及分析 |
5.5 本章小结 |
结论与展望 |
结论 |
展望 |
致谢 |
参考文献 |
附录:作者在攻读硕士学位期间的科研成果 |
(6)面向区域电力物联网的用户侧电力资源管理策略研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 主要研究内容 |
1.2.1 面向高维度电力负荷数据的高精度负荷预测技术 |
1.2.2 面向多元电力交易市场下用户侧的能源管理策略 |
1.3 论文结构安排 |
第二章 区域能源互联网关键技术分析 |
2.1 区域能源互联网技术架构分析 |
2.2 负荷预测关键技术分析 |
2.3 能源管理策略关键技术分析 |
2.4 本章小结 |
第三章 面向高维度电力负荷数据的高精度短期负荷预测 |
3.1 研究场景分析 |
3.2 电力负荷预测基本方法 |
3.2.1 线性回归预测法 |
3.2.2 灰色预测法 |
3.2.3 人工神经网络 |
3.2.4 支持向量机 |
3.2.5 信号分解技术 |
3.2.6 随机森林预测方法 |
3.3 数据预处理与特征分析 |
3.3.1 数据预处理 |
3.3.2 数据特征分析 |
3.4 随机森林集成负荷预测方法 |
3.4.1 随机森林回归模型原理 |
3.4.2 随机森林模型短期电力负荷预测方法 |
3.4.3 负荷预测算法评价指标 |
3.4.4 随机森林模型参数选择 |
3.5 仿真验证 |
3.6 本章小结 |
第四章 面向多源电力交易市场下用户侧的能源管理策略设计 |
4.1 区域能源互联网用户侧场景分析 |
4.1.1 区域能源互联网电力交易场景分析 |
4.1.2 用户侧电力交易方式分析 |
4.1.3 用户侧电力交易市场分析 |
4.2 问题建模 |
4.2.1 电力交易模型分析 |
4.2.2 买方成本函数的分析与构建 |
4.3 模型求解 |
4.3.1 分支定界算法原理分析 |
4.3.2 线性规划求解器 |
4.4 仿真分析 |
4.5 本章小结 |
第五章 总结 |
参考文献 |
致谢 |
硕士期间发表论文情况 |
(7)武威地区短期负荷预测研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于统计学的短期负荷预测方法分析 |
1.2.2 基于机器学习的短期负荷预测方法分析 |
1.2.3 组合预测研究现状 |
1.3 本文章节安排 |
第2章 电力负荷特性分析及数据预处理 |
2.1 电力负荷分类及特性分析 |
2.1.1 电力负荷分类 |
2.1.2 短期电力负荷特性分析 |
2.2 短期负荷影响因素分析 |
2.3 负荷特征选择 |
2.4 负荷数据预处理 |
2.4.1 缺失值处理 |
2.4.2 异常值处理 |
2.5 负荷预测评价指标 |
2.6 本章小结 |
第3章 短期负荷预测模型建立与仿真 |
3.1 长短期记忆网络短期负荷预测模型 |
3.1.1 循环神经网络 |
3.1.2 长短期记忆神经网络 |
3.1.3 LSTM模型搭建 |
3.2 CatBoost短期负荷预测模型 |
3.2.1 梯度提升决策树 |
3.2.2 CatBoost算法 |
3.2.3 CatBoost模型搭建 |
3.3 LSTM和CatBoost互补性分析 |
3.4 本章小结 |
第4章 组合模型的短期负荷预测 |
4.1 基于固定权重的组合预测模型 |
4.1.1 权重计算 |
4.1.2 基于固定权重的组合预测模型框架图 |
4.2 基于RBF神经网络的组合预测模型 |
4.2.1 RBF神经网络 |
4.2.2 基于RBF神经网络的组合预测模型框架图 |
4.2.3 RBF神经网络组合预测模型建模 |
4.3 组合模型预测算例分析 |
4.3.1 基于固定权重的组合预测结果 |
4.3.2 基于RBF神经网络的组合预测结果 |
4.3.3 各组合模型对比分析 |
4.4 本章小结 |
总结与展望 |
参考文献 |
致谢 |
附录A 攻读学位期间所发表的学术论文目录 |
(8)基于EABLT-RIO的短期负荷预测方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 传统预测方法 |
1.2.2 现代预测方法 |
1.2.3 组合预测 |
1.3 本文研究内容与主要贡献 |
1.4 本文组织结构 |
第二章 电力负荷预测分析 |
2.1 负荷预测影响因素 |
2.2 电力负荷预测方法分类 |
2.3 短期负荷预测方法理论 |
2.3.1 差分移动自回归平均模型 |
2.3.2 BP神经网络 |
2.3.3 长短期记忆网络 |
2.3.4 时间卷积网络 |
2.4 负荷数据预处理 |
2.4.1 负荷数据常见问题 |
2.4.2 数据预处理方法 |
2.5 评价指标 |
2.6 单一模型预测性能 |
2.7 本章小结 |
第三章 基于集成组合的电力负荷预测分析 |
3.1 集成组合预测研究 |
3.1.1 集成组合原理 |
3.1.2 单一模型选择策略 |
3.1.3 集成组合预测方法制定 |
3.2 组合模型框架 |
3.2.1 简单平均集成组合预测 |
3.2.2 基于熵权法的集成组合预测 |
3.3 模型预测实验结果分析 |
3.3.1 简单平均集成预测模型分析 |
3.3.2 熵权法确定权值的集成模型分析 |
3.4 本章小结 |
第四章 基于高斯核残差优化的电力负荷预测分析 |
4.1 高斯核残差估计 |
4.1.1 高斯过程 |
4.1.2 核函数 |
4.1.3 超参数优化 |
4.1.4 高斯过程特点 |
4.2 高斯核残差优化模型 |
4.2.1 EABLT-YIO模型 |
4.2.2 EABLT-RIO模型 |
4.3 实验结果分析 |
4.4 模型泛化性能研究 |
4.5 模型的不确定性研究 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(9)基于循环神经网络算法的居民用电负荷短期预测方法(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究现状 |
1.2.1 电力预测方法研究概述 |
1.2.2 深度学习研究概述 |
1.3 论文主要工作 |
第二章 电力负荷预测理论基础及深度学习相关技术 |
2.1 引言 |
2.2 电力负荷理论基础 |
2.2.1 电力负荷预测概述 |
2.2.2 电力负荷预测的特点 |
2.2.3 电力负荷预测的误差 |
2.2.3.1 误差产生的原因 |
2.2.3.2 误差的评价指标 |
2.2.4 电力负荷预测的基本过程 |
2.3 深度学习的相关技术 |
2.3.1 神经网络的基本原理 |
2.3.1.1 神经网络的结构及工作方式 |
2.3.1.2 激活函数 |
2.3.1.3 神经网络的学习 |
2.3.2 神经网络的模型 |
2.3.2.1 RNN神经网络原理 |
2.3.2.2 LSTM神经网络原理 |
2.3.2.3 Dropout算法 |
2.4 本章小结 |
第三章 电力负荷历史数据的选取及处理方法 |
3.1 引言 |
3.2 电力负荷预测影响因素 |
3.2.1 时间影响因素 |
3.2.2 气象影响因素 |
3.2.3 其他影响因素 |
3.3 数据的预处理 |
3.3.1 历史数据的选取 |
3.3.2 电力负荷缺失值的处理 |
3.3.3 电力负荷异常值的处理 |
3.3.3.1 水平处理法 |
3.3.3.2 垂直处理法 |
3.3.4 数据归一化和反归一化处理 |
3.5 本章小结 |
第四章 基于循环神经网络的负荷预测及分析 |
4.1 引言 |
4.2 搭建RNN神经网络模型并进行预测 |
4.2.1 模型的搭建过程 |
4.2.2 预测与分析 |
4.3 搭建LSTM神经网络模型并进行预测 |
4.3.1 预测与分析 |
4.4 结果比对分析 |
4.5 LSTM的优势以及不足之处 |
4.6 本章小结 |
第五章 改进循环神经网络的负荷预测及分析 |
5.1 引言 |
5.2 注意力模型概述 |
5.2.1 seq2seq模型 |
5.2.2 Attention概述 |
5.2.3 自注意力机制 |
5.3 基于自注意力机制的LSTM负荷预测模型 |
5.4 搭建自注意力机制的LSTM负荷预测模型并进行预测 |
5.4.1 模型的搭建过程 |
5.4.2 预测与分析 |
5.5 三种模型综合比较分析 |
5.6 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士期间发表的论文及其他成果 |
(10)地区电网短期负荷预测云平台设计与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 负荷特性指标研究 |
1.2.2 负荷预测方法研究 |
1.2.3 负荷预测软件研究 |
1.3 研究目标与研究内容 |
1.4 论文的结构安排 |
第二章 系统开发相关理论和技术方法 |
2.1 短期负荷预测相关理论 |
2.1.1 短期负荷预测方法 |
2.1.2 负荷预测评估方法 |
2.2 云计算平台 |
2.2.1 云计算概述 |
2.2.2 云计算特点 |
2.2.3 电网企业云 |
2.3 LAMP相关技术 |
2.3.1 Linux |
2.3.2 Apache |
2.3.3 MySQL |
2.3.4 PHP |
2.4 B/S架构 |
2.5 基于Python的网页信息分析和采集 |
2.6 本章小结 |
第三章 负荷预测系统需求分析 |
3.1 系统整体需求 |
3.2 系统功能需求分析 |
3.2.1 负荷预测模块 |
3.2.2 人员管理模块 |
3.2.3 负荷数据管理模块 |
3.2.4 负荷特性管理模块 |
3.4 非功能需求分析 |
3.4.1 兼容性需求 |
3.4.2 性能要求 |
3.4.3 安全性需求 |
3.4.4 可用性需求 |
3.5 本章小结 |
第四章 负荷预测系统设计 |
4.1 云平台架构设计 |
4.2 系统架构设计 |
4.2.1 资源层 |
4.2.2 业务层 |
4.2.3 Web层 |
4.2.4 访问层 |
4.3 系统功能设计 |
4.3.1 负荷预测功能设计 |
4.3.2 负荷数据管理功能设计 |
4.3.3 负荷特性管理功能设计 |
4.3.4 人员管理功能设计 |
4.4 数据库设计 |
4.4.1 概念模型设计 |
4.4.2 逻辑模型设计 |
4.5 负荷预测算法设计 |
4.6 本章小结 |
第五章 负荷预测系统实现 |
5.1 平台环境搭建 |
5.2 数据库实现 |
5.3 系统功能实现 |
5.3.1 登录功能实现 |
5.3.2 负荷预测模块实现 |
5.3.3 人员管理模块实现 |
5.3.4 负荷数据管理模块实现 |
5.3.5 负荷特性管理模块实现 |
5.4 本章小结 |
第六章 负荷预测系统测试 |
6.1 系统测试环境 |
6.1.1 硬件环境 |
6.1.2 软件环境 |
6.2 功能性测试 |
6.2.1 负荷预测功能测试 |
6.2.2 人员管理功能测试 |
6.2.3 负荷数据以及特性管理测试 |
6.3 非功能性测试 |
6.3.1 兼容性测试 |
6.3.2 性能测试 |
6.3.3 安全性测试 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
致谢 |
参考文献 |
四、地区电力负荷中期预测方法分析比较与应用(论文参考文献)
- [1]基于Spark的电力负荷预测平台设计与实现[D]. 张晓. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(08)
- [2]基于CEEMD-PE和考虑元胞负荷相互影响的空间负荷预测方法研究[D]. 张小娜. 东北电力大学, 2021(09)
- [3]基于QGA和SVM的电力负荷预测研究[D]. 刘陆. 西安建筑科技大学, 2021(01)
- [4]基于时序记忆神经网络的电力负荷概率预测研究[D]. 张远航. 三峡大学, 2021
- [5]基于机器学习的微电网短期负荷预测策略研究[D]. 魏腾飞. 江南大学, 2021(01)
- [6]面向区域电力物联网的用户侧电力资源管理策略研究[D]. 曾豪. 北京邮电大学, 2021(01)
- [7]武威地区短期负荷预测研究[D]. 杨海兰. 兰州理工大学, 2021(01)
- [8]基于EABLT-RIO的短期负荷预测方法研究[D]. 李婷. 电子科技大学, 2021(01)
- [9]基于循环神经网络算法的居民用电负荷短期预测方法[D]. 聂晓东. 电子科技大学, 2021(01)
- [10]地区电网短期负荷预测云平台设计与实现[D]. 邵雪羚. 电子科技大学, 2021(01)