基于数据挖掘的中长期电力市场需求分析及预测

发布时间：2017-03-18 14:05

  本文关键词：基于数据挖掘的中长期电力市场需求分析及预测，，由笔耕文化传播整理发布。

【摘要】：长期以来,电力在社会发展中一直扮演着举足轻重的角色,从经济社会的发展,到人民生活水平的提高都离不开电力的保障作用。从某种程度上说,电力工业的发展水平已成为衡量一个国家发展水平乃至物质精神文明的一个重要标志。区别于煤、石油等一次性能源,电能自身的特性决定了电能不能大规模存储,必须通过有效的电力市场需求预测手段实现合理的电网中长期发展规划、电力营销和电网需求侧管理。因此,中长期电力市场需求预测技术对电力系统的安全稳定运营具有重要意义。另一方面,我国区域电力供需发展不平衡现象仍广泛存在：由于对电力需求估计的不足,部分地区经常出现月平均停电时间超十小时的现象；同时,部分地区对电力市场需求估计过高,导致电能过剩,不但提高了电力企业的运营成本,更造成了资源的浪费。因此,加强对电力消费需求的预测研究和区域电力市场的需求分析是实现电力有效供应的前提和技术关键。相比于短期负荷预测,中长期电力市场需求预测面临很多挑战：由于时间、地域跨度范围比较大,中长期电力需求受电力市场外部因素影响较大,且部分影响因素难以量化和建模；对象可研究的需求历史数据远少于短期负荷预测；对于行业电力市场需求预测,由于行业数目众多,很难针对每个行业建立单独的预测模型进行电力市场需求预测。针对上述研究挑战,本文以省级电力市场需求预测为研究对象,深入研究中长期电力市场需求预测方法。基于上述研究挑战,本文的主要创新点如下：1.针对省级及地市级电力市场需求预测问题,结合计量经济学原理,筛选出电力市场需求的关键影响因素,并通过智能模型拟合外部影响因素与电力需求之间的非线性关系,克服了省级及地市级电力市场需求受外部因素影响难以量化的问题;2.针对行业电力市场需求预测中行业数目过多的特点,本文根据行业电力市场需求波动特性,基于聚类算法对行业电力市场进行划分。针对当前聚类算法在行业电力市场分类应用中的不足,对传统聚类算法及聚类评价指标提出了改进方案。最后,针对聚类后的各行业簇,建立统一的预测模型,提高了预测精度；3.以南方电网某电力大省为实例,以全省及21个地市电力市场及137个行业电力市场为对象,对本文提出的基于数据挖掘的建模方法进行了验证研究,实验结果论证了本文提出的建模方法的有效性。
【关键词】：中长期电力市场需求 行业电力市场 数据挖掘 聚类 预测模型
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F426.61;TP311.13
【目录】：

• 致谢5-6
• 摘要6-8
• ABSTRACT8-12
• 第一章 绪论12-22
• 1.1 研究背景及意义12-15
• 1.1.1 研究背景12-13
• 1.1.2 我国电力市场概况13-14
• 1.1.3 研究意义14-15
• 1.2 研究挑战15-16
• 1.3 国内外研究现状16-19
• 1.4 主要研究内容19-20
• 1.5 本章小结20-22
• 第二章 电力需求影响因素的量化筛选22-40
• 2.1 中长期电力市场需求特性分析22-24
• 2.1.1 省市级月度电力市场需求波动特性22-23
• 2.1.2 省市级季度电力市场需求波动特性23-24
• 2.2 电力市场需求相关指标库建立24-29
• 2.2.1 电力市场需求影响因素分析24
• 2.2.2 电力市场需求相关指标库建立24-26
• 2.2.3 指标库数据清理26-29
• 2.3 电力市场需求关键指标筛选29-35
• 2.3.1 平稳性检验30-32
• 2.3.2 协整检验32-34
• 2.3.3 格兰杰因果关系检验34-35
• 2.4 关键指标筛选实例分析35-38
• 2.5 本章小结38-40
• 第三章 行业电力市场聚类研究40-62
• 3.1 应用背景介绍40-43
• 3.1.1 行业电力市场概况40-42
• 3.1.2 聚类算法的应用分析42-43
• 3.2 聚类算法研究43-57
• 3.2.1 问题抽象43-44
• 3.2.2 聚类算法介绍44-49
• 3.2.3 聚类算法的评价指标49-54
• 3.2.4 改进聚类算法54-57
• 3.3 聚类算法应用实例分析57-61
• 3.4 本章小结61-62
• 第四章 电力市场需求预测模型研究62-78
• 4.1 电力需求预测模型62-64
• 4.1.1 预测模型发展概述62-63
• 4.1.2 预测模型的评价63-64
• 4.2 省市级电力需求预测模型研究64-71
• 4.2.1 常用预测模型64-67
• 4.2.2 模型应用实例67-71
• 4.3 行业电力需求预测模型研究71-77
• 4.3.1 常用预测模型71-74
• 4.3.2 模型应用实例74-77
• 4.4 本章小结77-78
• 第五章 总结与展望78-80
• 5.1 本文的研究问题及创新点78-79
• 5.2 研究展望79-80
• 参考文献80-84
• 攻读学位期间发表的学术论文与取得的其它研究成果84

【参考文献】

中国期刊全文数据库 前10条

1 麦鸿坤;肖坚红;吴熙辰;陈驰;;基于R语言的负荷预测ARIMA模型并行化研究[J];电网技术;2015年11期

2 许yN;王世芳;;短期电力负荷预测研究[J];电子测试;2015年19期

3 杜勇;;国家电网公司实施电力计量标准化建设研究[J];科技创新导报;2015年22期

4 谭玫;;电力市场营销的发展和创新[J];现代营销(下旬刊);2015年03期

5 邱实;韩用明;王文灿;;数据趋势分析法的审计运用[J];财会月刊;2014年24期

6 张婷;;CPI的SARIMA模型与X-12季节调整模型对比预测分析[J];经济问题;2014年12期

7 孙晶琪;牛东晓;冷媛;李春杰;;电力市场复杂特性及其演化规律的实证研究[J];技术经济与管理研究;2012年11期

8 万昆;柳瑞禹;;区间时间序列向量自回归模型在短期电力负荷预测中的应用[J];电网技术;2012年11期

9 王群勇;;中国季度GDP的季节调整:结构时间序列方法[J];统计研究;2011年05期

10 张虎;李玮;郁婷婷;;季节调整方法在CPI指数中的应用[J];统计与决策;2011年02期

中国博士学位论文全文数据库 前2条

1 郭皓池;智能电网中基于负荷分析的需求侧管理体系发展研究[D];华北电力大学;2014年

2 王大鹏;灰色预测模型及中长期电力负荷预测应用研究[D];华中科技大学;2013年

中国硕士学位论文全文数据库 前2条

1 耿娟娟;基于X-12-ARIMA和SARIMA模型及其组合模型的CPI预测研究[D];西南石油大学;2015年

2 毛玉凤;基于时间序列分析的电力需求预测及季节调整模型的研究[D];北京工业大学;2013年

  本文关键词：基于数据挖掘的中长期电力市场需求分析及预测，由笔耕文化传播整理发布。

本文编号：254538