基于GM-LSSVM-MKPCA的RBF神经网络短期电力负荷预测方法研究
发布时间：2020-12-15 09:48
电力负荷是一个国家经济发展的命脉,精准的电力负荷预测是电网部门进行电力调度、制定电力发展计划的基础。比如,2020年,中国在抗击新型冠状病毒的过程中,全国各地尤其是湖北省需要确保有序的电力供应,保障各医院设备的正常运行和居民生活用电的正常供应,为了确保万无一失,在这种情况下,可以通过借助电力负荷预测来帮助电力部门科学有效的制定应急预案和保障措施。同时,近年来,电力负荷预测也是各位专家学者研究的重点,本文主要通过组合改进学习算法来提高电力负荷预测精度。灰色模型（GM）可以通过累加计算来修正数据,适合处理随机的、样本数据少且特征显著的系统,但是该模型对电力负荷数据缺乏一定的学习能力,信息处理能力较弱,需要进一步改进;最小二乘支持向量机（LSSVM）模型能够有效的处理以往存在的小样本、局部最小点、非线性等问题。本文提出一种基于GM-LSSVM模型的电力负荷组合预测方法。首先,采用残差修正和背景值修正的方法对灰色模型进行改进,再利用改进的GM模型得到残差序列,最后通过LSSVM模型进行预测得到结果。核主成成分分析算法（KPCA）可以处理非线性数据,针对该算法采用单一核函数不能同时兼顾学习能力和...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
电力负荷预测方法分类
吉林大学硕士学位论文14图2.1电力负荷原始数据收集到的电力负荷原始数据、气温、星期类型属于不同的数量级，不能直接用于模型的预测，因此要把这些数据进行归一化,常用的三种归一化方法可以分为[47]：极值法、标准差、均值标准化法。1.电力负荷原始数据归一化采用极值法即离差标准化将电力负荷原始数据进行归一化处理，区间是1,0。归一化公式如下所示：minmax"minYYYYYdd········································（2.1）反归一化公式如下所示：minminmax)(YYYYYdd·································（2.2）其中，"dY为归一化处理后的电力负荷历史数据，dY为电力负荷历史数据，minY和maxY分别为一日内最低、最高的原始电力负荷值；2.温度归一化在进行电力负荷预测时，需要将负荷数据、日最高温度数据、日最低温度数据采用统一的标准，区间为1,0，所以温度归一化公式如下所示：minmax"minTTTTTmm·······································（2.3）其中，Tm"为归一化处理后的温度数据，mT为原始温度，minT和maxT分别为一日内的
SRM 示意图
【参考文献】：
期刊论文
[1]基于改进灰色模型的中长期电力负荷预测[J]. 孙建梅,钱秀婷,王永晴. 电工技术. 2019(19)
[2]改进的并行模糊核聚类算法在电力负荷预测的应用[J]. 谢伟,赵琦,郭乃网,苏运,田英杰. 电测与仪表. 2019(11)
[3]智能用电数据的采集与预处理[J]. 邓东林,徐冘,陈剑,杨仁增. 电力大数据. 2019(03)
[4]人工神经网络在电力负荷预测中的应用[J]. 陈娟,鲍伟强. 技术与市场. 2019(03)
[5]基于一种组合模型的短期电力负荷预测[J]. 王瑞,周晨曦,逯静. 计算机仿真. 2018(12)
[6]基于PSO-LSSVM模型的火电厂烟气含氧量预测[J]. 李建强,张莹莹,牛成林. 热能动力工程. 2018(07)
[7]“智能电网+”研究综述[J]. 鞠平,周孝信,陈维江,余一平,秦川,李若梅,王成山,董旭柱,刘健,文劲宇,刘玉田,李扬,陈庆,陆晓,孙大雁,徐春雷,陈星莺,吴峰,马宏忠. 电力自动化设备. 2018(05)
[8]大数据背景下企业电力用户负荷特性分析[J]. 孙源,臧婷婷,姜峰. 统计与决策. 2018(08)
[9]基于时间序列的电力系统短期负荷预测问题分析[J]. 陈冬沣,郑舟,吴永峰. 自动化应用. 2017(11)
[10]趋势外推法在连江县电力负荷预测中的应用[J]. 谢辉煌,郑荣进,黄晓生. 电气时代. 2017(06)
硕士论文
[1]基于机器学习的短期电力负荷预测方法研究[D]. 刘鑫.北京邮电大学 2019
[2]基于ARIMA模型及回归分析的广西电力需求预测研究[D]. 王柳.广西师范大学 2019
[3]基于组合预测方法的电力负荷预测研究[D]. 陈伟雅.河北科技大学 2019
[4]SVM与神经网络的组合模型在短期电力负荷预测中的应用研究[D]. 金樑.吉林大学 2018
[5]时变权重的组合模型在短期电力负荷预测中的应用[D]. 邹潇.兰州大学 2018
[6]基于核主成分分析法的GA-BP神经网络短期用电负荷预测[D]. 唐健.南华大学 2017
[7]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[8]改进网格搜索的支持向量机参数优化研究及应用[D]. 顾凯成.兰州理工大学 2016
[9]基于负荷特性分析的短期负荷预测模型研究[D]. 高杨鹤.华北电力大学 2013
[10]基于径向基函数神经网络的应用研究[D]. 康军.湖南师范大学 2009
本文编号：2918074
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
电力负荷预测方法分类
吉林大学硕士学位论文14图2.1电力负荷原始数据收集到的电力负荷原始数据、气温、星期类型属于不同的数量级，不能直接用于模型的预测，因此要把这些数据进行归一化,常用的三种归一化方法可以分为[47]：极值法、标准差、均值标准化法。1.电力负荷原始数据归一化采用极值法即离差标准化将电力负荷原始数据进行归一化处理，区间是1,0。归一化公式如下所示：minmax"minYYYYYdd········································（2.1）反归一化公式如下所示：minminmax)(YYYYYdd·································（2.2）其中，"dY为归一化处理后的电力负荷历史数据，dY为电力负荷历史数据，minY和maxY分别为一日内最低、最高的原始电力负荷值；2.温度归一化在进行电力负荷预测时，需要将负荷数据、日最高温度数据、日最低温度数据采用统一的标准，区间为1,0，所以温度归一化公式如下所示：minmax"minTTTTTmm·······································（2.3）其中，Tm"为归一化处理后的温度数据，mT为原始温度，minT和maxT分别为一日内的
SRM 示意图
【参考文献】：
期刊论文
[1]基于改进灰色模型的中长期电力负荷预测[J]. 孙建梅,钱秀婷,王永晴. 电工技术. 2019(19)
[2]改进的并行模糊核聚类算法在电力负荷预测的应用[J]. 谢伟,赵琦,郭乃网,苏运,田英杰. 电测与仪表. 2019(11)
[3]智能用电数据的采集与预处理[J]. 邓东林,徐冘,陈剑,杨仁增. 电力大数据. 2019(03)
[4]人工神经网络在电力负荷预测中的应用[J]. 陈娟,鲍伟强. 技术与市场. 2019(03)
[5]基于一种组合模型的短期电力负荷预测[J]. 王瑞,周晨曦,逯静. 计算机仿真. 2018(12)
[6]基于PSO-LSSVM模型的火电厂烟气含氧量预测[J]. 李建强,张莹莹,牛成林. 热能动力工程. 2018(07)
[7]“智能电网+”研究综述[J]. 鞠平,周孝信,陈维江,余一平,秦川,李若梅,王成山,董旭柱,刘健,文劲宇,刘玉田,李扬,陈庆,陆晓,孙大雁,徐春雷,陈星莺,吴峰,马宏忠. 电力自动化设备. 2018(05)
[8]大数据背景下企业电力用户负荷特性分析[J]. 孙源,臧婷婷,姜峰. 统计与决策. 2018(08)
[9]基于时间序列的电力系统短期负荷预测问题分析[J]. 陈冬沣,郑舟,吴永峰. 自动化应用. 2017(11)
[10]趋势外推法在连江县电力负荷预测中的应用[J]. 谢辉煌,郑荣进,黄晓生. 电气时代. 2017(06)
硕士论文
[1]基于机器学习的短期电力负荷预测方法研究[D]. 刘鑫.北京邮电大学 2019
[2]基于ARIMA模型及回归分析的广西电力需求预测研究[D]. 王柳.广西师范大学 2019
[3]基于组合预测方法的电力负荷预测研究[D]. 陈伟雅.河北科技大学 2019
[4]SVM与神经网络的组合模型在短期电力负荷预测中的应用研究[D]. 金樑.吉林大学 2018
[5]时变权重的组合模型在短期电力负荷预测中的应用[D]. 邹潇.兰州大学 2018
[6]基于核主成分分析法的GA-BP神经网络短期用电负荷预测[D]. 唐健.南华大学 2017
[7]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[8]改进网格搜索的支持向量机参数优化研究及应用[D]. 顾凯成.兰州理工大学 2016
[9]基于负荷特性分析的短期负荷预测模型研究[D]. 高杨鹤.华北电力大学 2013
[10]基于径向基函数神经网络的应用研究[D]. 康军.湖南师范大学 2009
本文编号：2918074
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2918074.html
