机器学习在短期电力负荷预测中的应用研究
发布时间：2021-01-11 01:01
短期电力负荷预测是保证电力系统安全、稳定、经济运行的重要基础,主要用于预测提前一天至数天的负荷分布情况。精确的短期负荷预测结果有助于指导和确定发电机组的启用和停止,协调各电网公司之间的供需平衡以及电网设备的计划检修,减少资源浪费和用电成本,提升电网运作的经济效益。本文基于负荷数据与各影响因素之间的关系,以及数据自身的底层变化趋势,分别利用改进温湿度变量结合ES-LASSO模型方法,DMD-NARX模型方法对短期负荷进行预测,并使用实际负荷数据对两种方法进行验证。本文主要工作内容如下:（1）研究短期负荷预测模型中输入特征的构建。该部分首先介绍了负荷数据常用的预处理及归一化方法;然后通过分析短期负荷自身的规律特性,以及影响负荷变化的外部因素,确定预测模型的输入特征范围;最后使用特征提取、量化以及选择方法在输入特征范围中选择输入特征子集。（2）提出基于改进温湿度变量和ES-LASSO模型的短期负荷预测方法。首先利用改进的温湿度多形式变量作为模型输入变量;然后根据周特性变化对负荷进行分层,对各层负荷建立基于LASSO的预测模型,并使用ES求解算法剔除冗余输入变量;最后通过计算剩余变量对应的系数...
【文章来源】： 余国晓 安徽大学
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
负荷预测在时间广度的分类Figure1.1Classificationofloadforecastingintimespan
安徽大学硕士学位论文11图2.1冬季与春季典型日负荷曲线Figure2.1Typicaldailyloadcurvesinwinterandspring周负荷特性主要表现在工作日与双休日用电负荷的差异。一般情况下工业负荷是总体用电负荷中占比最大的，因此工厂、企业的日常工作以及休息停工对电力负荷有着重大的影响。通常周一到周五非节假日的工作日用电负荷比较相似，此时工厂的运转状态以及人们的生产生活比较规律，负荷波动较校周末大部分工厂、企业停工，员工放假，用电负荷普遍低于非节假日的工作日负荷，又由于某些企业单位单休的原因，双休日中周六负荷要偏高于周日负荷。图2.2中可以清楚的看出负荷的周变化特性。图2.2周负荷变化曲线Figure2.2Weeklyloadchangecurve
安徽大学硕士学位论文11图2.1冬季与春季典型日负荷曲线Figure2.1Typicaldailyloadcurvesinwinterandspring周负荷特性主要表现在工作日与双休日用电负荷的差异。一般情况下工业负荷是总体用电负荷中占比最大的，因此工厂、企业的日常工作以及休息停工对电力负荷有着重大的影响。通常周一到周五非节假日的工作日用电负荷比较相似，此时工厂的运转状态以及人们的生产生活比较规律，负荷波动较校周末大部分工厂、企业停工，员工放假，用电负荷普遍低于非节假日的工作日负荷，又由于某些企业单位单休的原因，双休日中周六负荷要偏高于周日负荷。图2.2中可以清楚的看出负荷的周变化特性。图2.2周负荷变化曲线Figure2.2Weeklyloadchangecurve
【参考文献】：
期刊论文
[1]基于趋势外推法的城市综合体负荷发展特性分析[J]. 黄家兵. 农村电气化. 2019(07)
[2]基于深度置信网络的电力负荷识别[J]. 徐春华,陈克绪,马建,刘佳翰,吴建华. 电工技术学报. 2019(19)
[3]高空台特种调节阀建模方法对比研究[J]. 王运来,王曦,朱美印,裴希同,张松,但志宏. 推进技术. 2019(08)
[4]电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 彭文,王金睿,尹山青. 电网技术. 2019(05)
[5]基于协整-格兰杰因果检验和季节分解的中期负荷预测[J]. 刘俊,赵宏炎,刘嘉诚,潘良军,王楷. 电力系统自动化. 2019(01)
[6]基于粒子群优化支持向量机的短期负荷预测[J]. 杨小明,崔雪,周斌,彭政. 武汉大学学报(工学版). 2018(08)
[7]动态相似与静态相似相结合的短期负荷预测方法[J]. 方八零,李龙,赵家铸,王坚,赵习猛,黎灿兵,李奇远. 电力系统保护与控制. 2018(15)
[8]基于Adaboost的改进多元线性回归算法中长期负荷预测[J]. 杨胡萍,李辉. 太原理工大学学报. 2017(05)
[9]多元线性回归方法预测燃气轮机发电机组性能[J]. 刘闯,金仁瀚,巩二磊,刘勇,岳孟赫. 中国电机工程学报. 2017(16)
[10]电力负荷趋势外推预测算例分析与模型检验[J]. 夏昌浩,曹瑾,张密,吴奇云. 中国科技信息. 2016(21)
博士论文
[1]一种基于AICc的新信息准则-bAICc[D]. 宋国锋.吉林大学 2017
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]基于优化人工蜂群算法的短期电力负荷预测研究[D]. 王新会.华北电力大学 2019
[3]基于增量关联规则算法的短期电力负荷预测方法研究[D]. 赵申屹.南京邮电大学 2018
[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]基于混沌鲸鱼群优化人工神经网络的短期电力负荷预测[D]. 袁超.华北电力大学 2018
[6]残差自修正深度学习集成神经网络在短期电力负荷预测中的应用[D]. 陈卓.浙江大学 2018
[7]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
[8]基于动态模式分解的典型湍流动态流场研究[D]. 邵昱昌.上海交通大学 2017
[9]电力总负荷的时间序列方法超短期预测[D]. 余沁.重庆大学 2017
[10]基于排序模型的混合整数演化策略[D]. 庄黎黎.中国科学技术大学 2014
本文编号：2969758
【文章来源】： 余国晓 安徽大学
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
负荷预测在时间广度的分类Figure1.1Classificationofloadforecastingintimespan
安徽大学硕士学位论文11图2.1冬季与春季典型日负荷曲线Figure2.1Typicaldailyloadcurvesinwinterandspring周负荷特性主要表现在工作日与双休日用电负荷的差异。一般情况下工业负荷是总体用电负荷中占比最大的，因此工厂、企业的日常工作以及休息停工对电力负荷有着重大的影响。通常周一到周五非节假日的工作日用电负荷比较相似，此时工厂的运转状态以及人们的生产生活比较规律，负荷波动较校周末大部分工厂、企业停工，员工放假，用电负荷普遍低于非节假日的工作日负荷，又由于某些企业单位单休的原因，双休日中周六负荷要偏高于周日负荷。图2.2中可以清楚的看出负荷的周变化特性。图2.2周负荷变化曲线Figure2.2Weeklyloadchangecurve
安徽大学硕士学位论文11图2.1冬季与春季典型日负荷曲线Figure2.1Typicaldailyloadcurvesinwinterandspring周负荷特性主要表现在工作日与双休日用电负荷的差异。一般情况下工业负荷是总体用电负荷中占比最大的，因此工厂、企业的日常工作以及休息停工对电力负荷有着重大的影响。通常周一到周五非节假日的工作日用电负荷比较相似，此时工厂的运转状态以及人们的生产生活比较规律，负荷波动较校周末大部分工厂、企业停工，员工放假，用电负荷普遍低于非节假日的工作日负荷，又由于某些企业单位单休的原因，双休日中周六负荷要偏高于周日负荷。图2.2中可以清楚的看出负荷的周变化特性。图2.2周负荷变化曲线Figure2.2Weeklyloadchangecurve
【参考文献】：
期刊论文
[1]基于趋势外推法的城市综合体负荷发展特性分析[J]. 黄家兵. 农村电气化. 2019(07)
[2]基于深度置信网络的电力负荷识别[J]. 徐春华,陈克绪,马建,刘佳翰,吴建华. 电工技术学报. 2019(19)
[3]高空台特种调节阀建模方法对比研究[J]. 王运来,王曦,朱美印,裴希同,张松,但志宏. 推进技术. 2019(08)
[4]电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 彭文,王金睿,尹山青. 电网技术. 2019(05)
[5]基于协整-格兰杰因果检验和季节分解的中期负荷预测[J]. 刘俊,赵宏炎,刘嘉诚,潘良军,王楷. 电力系统自动化. 2019(01)
[6]基于粒子群优化支持向量机的短期负荷预测[J]. 杨小明,崔雪,周斌,彭政. 武汉大学学报(工学版). 2018(08)
[7]动态相似与静态相似相结合的短期负荷预测方法[J]. 方八零,李龙,赵家铸,王坚,赵习猛,黎灿兵,李奇远. 电力系统保护与控制. 2018(15)
[8]基于Adaboost的改进多元线性回归算法中长期负荷预测[J]. 杨胡萍,李辉. 太原理工大学学报. 2017(05)
[9]多元线性回归方法预测燃气轮机发电机组性能[J]. 刘闯,金仁瀚,巩二磊,刘勇,岳孟赫. 中国电机工程学报. 2017(16)
[10]电力负荷趋势外推预测算例分析与模型检验[J]. 夏昌浩,曹瑾,张密,吴奇云. 中国科技信息. 2016(21)
博士论文
[1]一种基于AICc的新信息准则-bAICc[D]. 宋国锋.吉林大学 2017
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]基于优化人工蜂群算法的短期电力负荷预测研究[D]. 王新会.华北电力大学 2019
[3]基于增量关联规则算法的短期电力负荷预测方法研究[D]. 赵申屹.南京邮电大学 2018
[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]基于混沌鲸鱼群优化人工神经网络的短期电力负荷预测[D]. 袁超.华北电力大学 2018
[6]残差自修正深度学习集成神经网络在短期电力负荷预测中的应用[D]. 陈卓.浙江大学 2018
[7]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
[8]基于动态模式分解的典型湍流动态流场研究[D]. 邵昱昌.上海交通大学 2017
[9]电力总负荷的时间序列方法超短期预测[D]. 余沁.重庆大学 2017
[10]基于排序模型的混合整数演化策略[D]. 庄黎黎.中国科学技术大学 2014
本文编号：2969758
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2969758.html
