基于机器学习算法的短期电力负荷预测研究
发布时间：2021-05-24 09:09
短期电力负荷预测是电力系统运行和规划的基础,准确的负荷预测可以保证电力系统安全稳定运行,降低发电成本,提高经济效益。随着电力行业的发展、分布式能源的增多,短期负荷预测工作显得愈发重要。考虑到电力负荷数据的非线性、异方差、非平稳等特点,短期负荷预测难度也显著增加,因此,具有强大非线性学习能力的机器学习算法可以为本研究提供良好的技术手段。在众多的机器学习算法中,人工神经网络具备自学习能力和泛化能力等优点,已被广泛应用在短期电力负荷预测中,并取得了较为理想的效果。在负荷预测研究中,BP神经网络方法又是目前比较成熟的负荷预测方法,因此本文主要采用BP神经网络方法对短期负荷进行预测研究。电力负荷数据一般具有一定的周期性如周周期性、月周期性和年周期性,同时电力负荷也会受到多方面外界因素如温度、天气、节假日以及用户行为等的影响,而表现出一定的随机性。这样的随机性导致的不确定性显著增加了短期负荷预测的难度。因此,本文充分考虑负荷的自身变化规律以及外界因素的影响,从预测的准确性和可靠性两个方面出发,分别建立负荷的点预测模型和区间预测模型,并对建立的点预测模型进行优化,有效提高负荷预测的精度。本文主要以电...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统的负荷预测方法
1.2.2 基于机器学习的负荷预测方法
1.3 本文的主要内容
1.4 本文的结构安排
第二章 电力负荷预测分析
2.1 负荷数据的选取和预处理
2.1.1 异常点的修正
2.1.2 缺失数据的补充
2.2 负荷特征的分析
2.2.1 负荷预测的特征
2.2.2 负荷变化的周期性
2.2.3 电力负荷的影响因素
2.3 负荷预测的分类和基本步骤
2.3.1 负荷预测的分类
2.3.2 负荷预测的基本步骤
2.4 本章小结
第三章 基于BP神经网络的负荷点预测方法研究
3.1 人工神经网络
3.1.1 BP神经网络的结构原理
3.1.2 BP神经网络的学习算法
3.1.3 点预测精度的评价指标
3.1.4 样本归一化方法
3.2 多输入多输出负荷点预测模型
3.2.1 模型参数的选择
3.2.2 预测结果及分析
3.3 多输入单输出负荷点预测模型
3.3.1 模型参数的选择
3.3.2 预测结果及分析
3.4 本章小结
第四章 基于改进BP神经网络的负荷点预测方法研究
4.1 引言
4.2 小波-BP神经网络点预测模型
4.2.1 小波变换
4.2.2 小波函数
4.2.3 多分辨率分析
4.2.4 预测模型及步骤
4.2.5 实例分析
4.3 IPSO-BP神经网络点预测模型
4.3.1 粒子群优化算法
4.3.2 改进粒子群算法
4.3.3 预测模型及步骤
4.3.4 实例分析
4.4 本章小结
第五章 电力负荷区间预测方法的研究
5.1 引言
5.2 区间预测效果的评价指标
5.3 IPSO-SM-BP神经网络区间预测模型
5.3.1 基于IPSO寻优的比例系数法
5.3.2 预测方法及步骤
5.3.3 实例分析
5.4 本章小结
第六章 全文总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]电力负荷区间预测的集成极限学习机方法[J]. 李知艺,丁剑鹰,吴迪,文福拴. 华北电力大学学报(自然科学版). 2014(02)
[2]常用小波及其时-频特性[J]. 张建锋,崔树军,李国敏. 地学前缘. 2012(06)
[3]基于灰关联分段优选组合模型的短期电力负荷预测研究[J]. 张志明,金敏. 电工技术学报. 2009(06)
[4]基于蚁群支持向量机的短期负荷预测[J]. 魏俊,周步祥,林楠,邢义. 电力系统保护与控制. 2009(04)
[5]提高时间序列气象适应性的短期电力负荷预测算法[J]. 朱陶业,李应求,张颖,张学庄,何朝阳. 中国电机工程学报. 2006(23)
[6]基于支持向量机的电力系统短期负荷预测[J]. 潘峰,程浩忠,杨镜非,张澄,潘震东. 电网技术. 2004(21)
硕士论文
[1]计及多因素和ELM方法的电力系统短期负荷预测研究[D]. 邓带雨.电子科技大学 2019
[2]基于回归分析的短期负荷概率密度预测方法研究[D]. 蒙园.华北电力大学(北京) 2018
[3]灰色离散GM（1,1）优化模型及其应用[D]. 张之弘.重庆大学 2017
[4]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
[5]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
[6]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
[7]考虑实时气象因素的短期负荷预测[D]. 胡长洪.浙江大学 2010
本文编号：3203950
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统的负荷预测方法
1.2.2 基于机器学习的负荷预测方法
1.3 本文的主要内容
1.4 本文的结构安排
第二章 电力负荷预测分析
2.1 负荷数据的选取和预处理
2.1.1 异常点的修正
2.1.2 缺失数据的补充
2.2 负荷特征的分析
2.2.1 负荷预测的特征
2.2.2 负荷变化的周期性
2.2.3 电力负荷的影响因素
2.3 负荷预测的分类和基本步骤
2.3.1 负荷预测的分类
2.3.2 负荷预测的基本步骤
2.4 本章小结
第三章 基于BP神经网络的负荷点预测方法研究
3.1 人工神经网络
3.1.1 BP神经网络的结构原理
3.1.2 BP神经网络的学习算法
3.1.3 点预测精度的评价指标
3.1.4 样本归一化方法
3.2 多输入多输出负荷点预测模型
3.2.1 模型参数的选择
3.2.2 预测结果及分析
3.3 多输入单输出负荷点预测模型
3.3.1 模型参数的选择
3.3.2 预测结果及分析
3.4 本章小结
第四章 基于改进BP神经网络的负荷点预测方法研究
4.1 引言
4.2 小波-BP神经网络点预测模型
4.2.1 小波变换
4.2.2 小波函数
4.2.3 多分辨率分析
4.2.4 预测模型及步骤
4.2.5 实例分析
4.3 IPSO-BP神经网络点预测模型
4.3.1 粒子群优化算法
4.3.2 改进粒子群算法
4.3.3 预测模型及步骤
4.3.4 实例分析
4.4 本章小结
第五章 电力负荷区间预测方法的研究
5.1 引言
5.2 区间预测效果的评价指标
5.3 IPSO-SM-BP神经网络区间预测模型
5.3.1 基于IPSO寻优的比例系数法
5.3.2 预测方法及步骤
5.3.3 实例分析
5.4 本章小结
第六章 全文总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]电力负荷区间预测的集成极限学习机方法[J]. 李知艺,丁剑鹰,吴迪,文福拴. 华北电力大学学报(自然科学版). 2014(02)
[2]常用小波及其时-频特性[J]. 张建锋,崔树军,李国敏. 地学前缘. 2012(06)
[3]基于灰关联分段优选组合模型的短期电力负荷预测研究[J]. 张志明,金敏. 电工技术学报. 2009(06)
[4]基于蚁群支持向量机的短期负荷预测[J]. 魏俊,周步祥,林楠,邢义. 电力系统保护与控制. 2009(04)
[5]提高时间序列气象适应性的短期电力负荷预测算法[J]. 朱陶业,李应求,张颖,张学庄,何朝阳. 中国电机工程学报. 2006(23)
[6]基于支持向量机的电力系统短期负荷预测[J]. 潘峰,程浩忠,杨镜非,张澄,潘震东. 电网技术. 2004(21)
硕士论文
[1]计及多因素和ELM方法的电力系统短期负荷预测研究[D]. 邓带雨.电子科技大学 2019
[2]基于回归分析的短期负荷概率密度预测方法研究[D]. 蒙园.华北电力大学(北京) 2018
[3]灰色离散GM（1,1）优化模型及其应用[D]. 张之弘.重庆大学 2017
[4]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
[5]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
[6]基于BP神经网络的短期电力负荷预测的研究[D]. 隋惠惠.哈尔滨工业大学 2015
[7]考虑实时气象因素的短期负荷预测[D]. 胡长洪.浙江大学 2010
本文编号：3203950
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3203950.html
