基于DBN-RVM的短期电力负荷预测
发布时间：2021-08-12 11:54
电力负荷预测对电网的安全、可靠和经济运行具有重要意义。影响电力负荷变化的因素众多,大致可以分为自然因素和社会因素两大类。由于各种因素相互耦合并且多变,对负荷的影响机理复杂,因此电力负荷变化呈现出一定的随机性。任何一个电力负荷预测模型都会有一定的误差,如何提高预测精度、减小预测误差一直是科研工作者的研究热点。针对以往预测方法建立的模型存在预测精度低、鲁棒性差、受噪声影响大、易陷入局部最优、泛化能力不足和无法考虑诸多负荷影响因素等问题,结合电力负荷的变化特点,本文将深度学习和相关向量机应用到短期电力负荷预测中,在对预测模型进行深入研究的基础上改进了单一预测模型,使电力负荷预测的精度进一步提高,取得了较为满意的电力负荷预测结果。本文分析了影响电力负荷变化的主要因素,研究了日平均负荷的周期性变化特点。首先通过时间序列法,利用BP神经网络对未来一段时间日平均气温进行粗略预测。然后以电力负荷的主要影响因素作为预测模型输入量,日平均负荷作为模型的输出量,建立了基于DBN的短期电力负荷预测模型和基于RVM的短期电力负荷预测模型,分别在计及气温、不计及气温的条件下通过上述两种模型进行短期电力负荷预测。针...
【文章来源】：安徽理工大学安徽省
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
神经元模型
图 9 1997/1998 年日平均气温Fig9 daily mean temperature in 1997/1998果为以气温为横坐标，以该地区的电力负荷为纵坐标，将 1997荷及气温数据进行绘制，可以得到图 10。从图 10 中，我们可以发现负荷和气温反相关的关系，整体上呈现出一种线性关系。
temperature/°C图 9 1997/1998 年日平均气温Fig9 daily mean temperature in 1997/1998为以气温为横坐标，以该地区的电力负荷为纵坐标，将 1997 年及气温数据进行绘制，可以得到图 10。从图 10 中，我们可以更现负荷和气温反相关的关系，整体上呈现出一种线性关系。
【参考文献】：
期刊论文
[1]基于深度学习辅助的动态人脸跟踪方法[J]. 潘今一,王钦,王伟,王亚蒙,刘建烽. 浙江工业大学学报. 2018(05)
[2]基于深度学习的故障检测方法[J]. 吴魁,王仙勇,孙洁,黄玉龙. 计算机测量与控制. 2017(10)
[3]基于RVM的多类分类概率输出方法[J]. 李睿,王晓丹. 计算机科学. 2017(03)
[4]空间电力负荷预测方法综述与展望[J]. 肖白,周潮,穆钢. 中国电机工程学报. 2013(25)
[5]基于BP神经网络的时间序列预测问题研究[J]. 杨娟丽,徐梅,王福林,王吉权,刘慧. 数学的实践与认识. 2013(04)
[6]遗传优化支持向量机在电力负荷预测中的应用[J]. 庄新妍. 计算机仿真. 2012(03)
[7]一种功能分区的BP神经网络结构设计方法[J]. 张昭昭,乔俊飞,杨刚. 控制与决策. 2011(11)
[8]电力系统短期负荷预测方法与预测精度综述[J]. 郭华安,加玛力汗·库马什,常喜强,姚秀萍. 电气技术. 2011(10)
[9]BP神经网络学习算法的改进及应用[J]. 余妹兰,匡芳君. 沈阳农业大学学报. 2011(03)
[10]电力系统短期负荷预测方法综述[J]. 廖旎焕,胡智宏,马莹莹,卢王允. 电力系统保护与控制. 2011(01)
博士论文
[1]基于深度学习的电力设备图像识别及应用研究[D]. 李军锋.广东工业大学 2018
[2]风电功率预测不确定性及电力系统经济调度[D]. 阎洁.华北电力大学(北京) 2016
[3]基于RVM的锂离子电池剩余寿命预测方法研究[D]. 周建宝.哈尔滨工业大学 2013
硕士论文
[1]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
[2]基于深度学习的太阳能光伏发电短期预测方法[D]. 于佳弘.浙江大学 2018
[3]基于深度置信网络的时间序列预测方法及其应用研究[D]. 张国辉.哈尔滨工业大学 2017
[4]几种神经网络方法在变压器故障诊断上的应用研究[D]. 贾京龙.华南理工大学 2017
[5]基于深度学习的电力负荷预测[D]. 单成龙.湘潭大学 2017
[6]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
[7]基于MapReduce和深度学习的负荷分析与预测[D]. 杨佳驹.东南大学 2016
[8]深度学习的亚健康识别算法的研究[D]. 徐骁.辽宁大学 2016
[9]基于相关向量机的锂离子电池在线剩余寿命预测方法研究[D]. 张洋.国防科学技术大学 2016
[10]基于深度学习的变压器故障诊断技术研究[D]. 石鑫.华北电力大学 2016
本文编号：3338279
【文章来源】：安徽理工大学安徽省
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
神经元模型
图 9 1997/1998 年日平均气温Fig9 daily mean temperature in 1997/1998果为以气温为横坐标，以该地区的电力负荷为纵坐标，将 1997荷及气温数据进行绘制，可以得到图 10。从图 10 中，我们可以发现负荷和气温反相关的关系，整体上呈现出一种线性关系。
temperature/°C图 9 1997/1998 年日平均气温Fig9 daily mean temperature in 1997/1998为以气温为横坐标，以该地区的电力负荷为纵坐标，将 1997 年及气温数据进行绘制，可以得到图 10。从图 10 中，我们可以更现负荷和气温反相关的关系，整体上呈现出一种线性关系。
【参考文献】：
期刊论文
[1]基于深度学习辅助的动态人脸跟踪方法[J]. 潘今一,王钦,王伟,王亚蒙,刘建烽. 浙江工业大学学报. 2018(05)
[2]基于深度学习的故障检测方法[J]. 吴魁,王仙勇,孙洁,黄玉龙. 计算机测量与控制. 2017(10)
[3]基于RVM的多类分类概率输出方法[J]. 李睿,王晓丹. 计算机科学. 2017(03)
[4]空间电力负荷预测方法综述与展望[J]. 肖白,周潮,穆钢. 中国电机工程学报. 2013(25)
[5]基于BP神经网络的时间序列预测问题研究[J]. 杨娟丽,徐梅,王福林,王吉权,刘慧. 数学的实践与认识. 2013(04)
[6]遗传优化支持向量机在电力负荷预测中的应用[J]. 庄新妍. 计算机仿真. 2012(03)
[7]一种功能分区的BP神经网络结构设计方法[J]. 张昭昭,乔俊飞,杨刚. 控制与决策. 2011(11)
[8]电力系统短期负荷预测方法与预测精度综述[J]. 郭华安,加玛力汗·库马什,常喜强,姚秀萍. 电气技术. 2011(10)
[9]BP神经网络学习算法的改进及应用[J]. 余妹兰,匡芳君. 沈阳农业大学学报. 2011(03)
[10]电力系统短期负荷预测方法综述[J]. 廖旎焕,胡智宏,马莹莹,卢王允. 电力系统保护与控制. 2011(01)
博士论文
[1]基于深度学习的电力设备图像识别及应用研究[D]. 李军锋.广东工业大学 2018
[2]风电功率预测不确定性及电力系统经济调度[D]. 阎洁.华北电力大学(北京) 2016
[3]基于RVM的锂离子电池剩余寿命预测方法研究[D]. 周建宝.哈尔滨工业大学 2013
硕士论文
[1]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
[2]基于深度学习的太阳能光伏发电短期预测方法[D]. 于佳弘.浙江大学 2018
[3]基于深度置信网络的时间序列预测方法及其应用研究[D]. 张国辉.哈尔滨工业大学 2017
[4]几种神经网络方法在变压器故障诊断上的应用研究[D]. 贾京龙.华南理工大学 2017
[5]基于深度学习的电力负荷预测[D]. 单成龙.湘潭大学 2017
[6]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
[7]基于MapReduce和深度学习的负荷分析与预测[D]. 杨佳驹.东南大学 2016
[8]深度学习的亚健康识别算法的研究[D]. 徐骁.辽宁大学 2016
[9]基于相关向量机的锂离子电池在线剩余寿命预测方法研究[D]. 张洋.国防科学技术大学 2016
[10]基于深度学习的变压器故障诊断技术研究[D]. 石鑫.华北电力大学 2016
本文编号：3338279
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3338279.html
