基于机器学习的居民电力消费特征研究

发布时间：2021-11-02 09:19

　　近年来,居民电力需求占社会电力总需求的比例正在逐渐上升,与工业电力需求相比,居民电力消费需求具有增长快,弹性大的特点,容易通过相应的政策进行宏观调控。因此减少不合理居民电力消费有助于降低整个社会的电力消费,从而降低能源消耗,有利于经济持续健康发展。从需求侧角度来看,研究居民电力消费特征以及相应的电力消费行为有助于电力服务公司制定更加有效合理的干预政策。近年来,大数据技术和人工智能技术在能源消费模式与能源消费预测领域发挥着越来越重要的作用,因此本文利用机器学习技术对居民电力消费特征进行了研究。本文分别研究了居民电力消费模式和居民电力消费概率密度预测,并且利用江苏省南京市2014年电力消费数据进行了实证研究。首先通过k-means聚类算法研究了居民节日电力消费特征,结果表明:春节期间存在三种典型电力消费模式,符合春节期间居民行为规律;劳动节与国庆节期间存在两种典型电力消费模式,符合居民劳动节与国庆节期间行为规律。其次,分析了居民的季节性电力消费特征,研究发现:居民在冬季与夏季期间电力消费量高于春季与秋季期间电力消费量,并且夏季与冬季期间电力消费波动性较大;冬季居民电力消费量与夏季电力消费量... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
致谢
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 国内外研究现状
        1.2.1 居民电力消费行为研究现状
        1.2.2 居民电力消费模式研究现状
        1.2.3 居民电力消费预测研究现状
        1.2.4 研究现状总结
    1.3 本文主要创新点
    1.4 研究内容与论文结构
第二章 研究方法及理论基础
    2.1 k-means算法
    2.2 神经网络
        2.2.1 神经网络模型表示
        2.2.2 神经网络参数学习
    2.3 分位数回归
        2.3.1 分位数回归模型表示
        2.3.2 分位数回归模型估计
    2.4 概率密度估计
    2.5 本章小结
第三章 居民电力消费研究框架
    3.1 基于聚类算法的居民电力消费模式研究
        3.1.1 数据采集
        3.1.2 数据预处理
        3.1.3 聚类分析
    3.2 基于深度学习的居民电力消费概率密度预测研究
    3.3 本章小结
第四章 居民电力消费实证研究
    4.1 研究区域概况
    4.2 数据收集
    4.3 特征工程
    4.4 居民电力消费的时序特征
        4.4.1 节日电力消费特征
        4.4.2 季节电力消费特征
    4.5 居民电力消费温度敏感性分析
    4.6 居民电力消费的特征预测
        4.6.1 点预测
        4.6.2 特征重要性分析
        4.6.3 概率密度预测
    4.7 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]分位数局部调整模型及应用[J]. 许启发,蒋翠侠.  数量经济技术经济研究. 2011(08)



本文编号：3471771