基于最大相关熵准则的电网月度电量预测

发布时间：2020-08-01 12:09

【摘要】：随着第二次电力改革的逐步推进,售电公司越来越迫切地寻求高精度、普适性强的电量预测算法。具有高精度、普适性强的电量预测算法能为售电公司提供最基本的策略保证,对企业增强市场核心竞争力具有十分重要的意义。然而,中国的售电市场才刚刚起步,面向中小型用户的电量预测算法未受到广泛关注,传统的电量预测算法已不能适应售电公司的市场需求。目前,很多中小型用户的用电量容易受到企业经济效益与当地气候因素的影响,使得用户所提供的电量数据具有明显的非线性、随机性等特征,从而导致传统预测算法难以精准预测,造成售电公司的巨大损失。传统意义上的神经网络算法或极限学习机算法在电量预测时需要考虑该模型的数据量,即需要提供大量历史数据集进行训练,限制了这两类算法在此领域的运用。基于上述问题,本文着重解决了样本小、非线性强的的电量数据预测问题,提出使用基于最大相关熵准则的支持向量回归算法(MCC-SVR)与基于最大相关熵准则的最小二乘支持向量机算法(MCC-LSSVM)。本文首先明确了电量预测的概念并对常用于电量预测的模型进行简单介绍。其次,使用邓氏关联度以及改进的关联度分析模型对数据的可预测性进行分析,找出对用电量预测影响最大的两种因素:经济因素与气候因素。随后,针对现有数据量样本小、分布不均匀的统计特性,在基本支持向量机的模型上使用最大相关熵准则代替原有模型中的风险函数形成了MCC-SVR与MCC-LSSVM模型。最终,为了使所改进的模型能更好的适应各种条件下的电量预测,保持最佳学习能力,本文使用了网格寻优法与交叉验证法对模型参数进行寻优,确保参数普适性。最终选择合适的评价指标对预测结果进行分析。文章最后以教育行业、机械制造业以及其他行业数据为样本,结合经济发展数据、气候数据对用电量情况进行预测。结果显示,所建立的基于MCC的改进方案是有效的,并且预测误差基本在3%以内。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM73
【图文】：

电量预测,方法

图 1-1 电量预测方法Figure 1-1 Electricity Forecasting Method的主要研究工作在第二次电力改革的背景下，主要为售电企业研制一种能有效预件。在数据上，本文选择历史电量数据、地区或企业经济状况数节假日等因素等用户电量进行预测。目前，在电量预测领域回归GM(1,1)模型以及以神经网络为代表的智能算法都在都在电量预，本文选择支持向量机模型作为本课题研究的基础，旨在改进支适用市场需求。基于上述阐述，本文主要工作有：电公司角度阐述电量预测现如今的研究背景以及意义。并通过参电量预测模型的种类并选择数种模型对其做了简单介绍，比较与及不足之处。对电量预测的概念作出简要论述，其次将第一章中所提到的模型深一步的研究，进一步明确各种预测方法在电量预测中都存在哪

关系图,关联度,预测误差,关系图

个点为一个月的电量数据)的关联系数 ()0i k，具体求法如下：0(1) (1)0 i1( ( ), ( ))1 ( ( 1)) ( ( 1))iX k X ky k y k 步骤中求取得到的是时间序列各个点之间的关联系数，因此。形式存在的，这个矩阵会导致整体序列的关联度信息过于发散将分散的关联度信息整合在一起，求取所有信息的平均值。关1011R ( ( ), ( ))1ni ikX k X kn 骤计算出来的关联度越大则代表相关性越强，若计算出来的数弱。联度具有对称性、唯一性、可比性，可用于研究多因素的关联是利用速度差(一阶斜率差)反映了两序列发展趋势或曲线形状

时间序列,电量预测,模型结构

图 3-1 电量预测模型结构Figure 3-1 Electricity forecast model structure首先收集整理所需要的各种有用信息：历史电量信息、地区(企业)经济状况数数据、人口增长数据等。将代表上述影响因素的数据生成矩阵数据，构建数据，将数据集中的数据按“输入”与“输出”关系进行合理划分，划分成训练样本与本，此过程又称特征量提取。再次，将所提取出来的样本输入到学习模型中进使其生成一个优良的预测模型。最后，将提取到的测试样本作为训练模型的输过机器学习得出预测结果。由第二章对电量预测的国内外研究现状可以看出，传统的预测方法如时间序列平滑法、趋势外推法、灰色预测模型等方法大多适用于较为平滑的时间序列，波动较大的时间序列来说，传统预测方法不能精准的把握电量、气候、经济等间变动的特性。因此，对于一些具有波动特性的数据来说，传统预测方法会产可避免的误差。正是因为传统的方法不适合于现代的数据特征，因此又有许多了人工智能方法如 BP 神经网络、RBF 神经网络、ELMAN 神经网络、支持向器学习方法。其中，神经网络(BP、RBF、ELMAN)作为目前被应用最为广泛的

【相似文献】