基于深度学习和小波变换的电力负荷预测方法研究
发布时间：2021-12-28 20:24
随着电力系统和能源科技的不断发展,电动汽车和分布式可再生能源大量接入、电力市场逐渐成熟、需求侧响应等使得负荷变化呈现出更高的不确定性和波动性,电力负荷变化的影响因素增多,预测难度增大,传统电力负荷预测方法面临着巨大的挑战。本文对传统负荷预测方法进行了研究,归纳总结了负荷预测方法的不同分类及各自的优缺点,分析了新形势下电力系统负荷预测中传统方法面临的挑战。人工智能方法近年来在负荷预测领域起到了越来越重要的作用。本文提出一种基于深度学习与小波变换的集成预测模型。首先本文建立了深度信念网络、长短期记忆神经网络、多层感知器三种基于深度学习方法的子预测模型。然后针对不同深度学习方法各自具备的不同特点,本文依托简单平均集成的方法建立基于深度学习的强学习器,有效提升了预测方法的精度和泛化性能。最后针对现阶段电力系统负荷具有多周期变化规律的特点,本文采用小波变换对负荷序列进行频率分解,并与前述集成深度学习预测方法融合,建立了基于深度学习和小波变换的集成预测模型。本文采用华东某城市某低压变电站实际负荷进行算例仿真,通过隐藏层联合整定的方法优化了深度学习预测模型的结构参数,并通过实例仿真验证了本文建立的深...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.3 本文工作内容
2 负荷预测理论概述
2.1 负荷预测基本概念
2.2 负荷预测方法分类
2.3 经典负荷预测方法简介
2.3.1 二次指数平滑方法
2.3.2 自回归滑动平均模型
2.3.3 BP神经网络预测模型
2.3.4 最小二乘支持向量机模型
2.4 小结
3 基于深度学习与小波变换的集成预测方法研究
3.1 深度学习原理
3.1.1 深度信念网络理论
3.1.2 长短期记忆网络理论
3.1.3 多层感知器理论
3.2 小波变换方法
3.3 集成预测方法
3.3.1 集成学习基本原理
3.3.2 个体学习器的生成方式
3.3.3 学习器结合策略的制定
3.3.4 基于深度学习的集成预测模型
3.3.5 基于深度学习与小波变换的集成预测方法
3.4 小结
4 算例分析
4.1 实验数据样本简述
4.2 预测方法评价指标
4.2.1 平均绝对百分比误差
4.2.2 均方根误差
4.3 深度学习模型结构设计
4.3.1 深度信念网络的结构选择
4.3.2 长短期记忆神经网络的结构选择
4.3.3 多层感知器的结构选择
4.4 预测模型有效性分析
4.4.1 深度学习预测模型性能分析
4.4.2 集成深度学习预测模型性能分析
4.4.3 集成小波深度学习预测模型性能分析
4.5 多时间尺度预测效果研究
4.6 预测方法泛化能力分析
4.7 小结
5 结论与展望
5.1 结论
5.2 展望
参考文献
附录:攻读学位期间参加的科研项目及发表的学术论文
【参考文献】：
期刊论文
[1]计及多关联因素的电力行业碳排放权分配方案[J]. 潘险险,余梦泽,隋宇,郇嘉嘉,洪海峰,林俐. 电力系统自动化. 2020(01)
[2]基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测[J]. 肖勇,郑楷洪,余忠忠,周密,李森,马千里. 电网技术. 2020(03)
[3]基于多模型融合Stacking集成学习方式的负荷预测方法[J]. 史佳琪,张建华. 中国电机工程学报. 2019(14)
[4]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[5]基于集成学习的含电气热商业楼宇群的分时电价求解[J]. 张志义,余涛,王德志,潘振宁,张孝顺. 中国电机工程学报. 2019(01)
[6]考虑源荷双侧预测误差的实时发电计划闭环控制模型[J]. 殷加玞,赵冬梅. 电力系统自动化. 2018(06)
[7]大数据与深度学习综述[J]. 马世龙,乌尼日其其格,李小平. 智能系统学报. 2016(06)
[8]基于改进K-Means聚类和BP神经网络的台区线损率计算方法[J]. 李亚,刘丽平,李柏青,易俊,王泽忠,田世明. 中国电机工程学报. 2016(17)
[9]基于纵–横向误差匹配的联合降损基线计算方法[J]. 李亚龙,刘文颖,田浩,郭鹏,刘福潮. 中国电机工程学报. 2016(21)
[10]新能源电力系统中需求侧响应关键问题及未来研究展望[J]. 曾博,杨雍琦,段金辉,曾鸣,欧阳邵杰,李晨. 电力系统自动化. 2015(17)
本文编号：3554670
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 绪论
1.1 课题研究背景及意义
1.2 国内外研究现状
1.3 本文工作内容
2 负荷预测理论概述
2.1 负荷预测基本概念
2.2 负荷预测方法分类
2.3 经典负荷预测方法简介
2.3.1 二次指数平滑方法
2.3.2 自回归滑动平均模型
2.3.3 BP神经网络预测模型
2.3.4 最小二乘支持向量机模型
2.4 小结
3 基于深度学习与小波变换的集成预测方法研究
3.1 深度学习原理
3.1.1 深度信念网络理论
3.1.2 长短期记忆网络理论
3.1.3 多层感知器理论
3.2 小波变换方法
3.3 集成预测方法
3.3.1 集成学习基本原理
3.3.2 个体学习器的生成方式
3.3.3 学习器结合策略的制定
3.3.4 基于深度学习的集成预测模型
3.3.5 基于深度学习与小波变换的集成预测方法
3.4 小结
4 算例分析
4.1 实验数据样本简述
4.2 预测方法评价指标
4.2.1 平均绝对百分比误差
4.2.2 均方根误差
4.3 深度学习模型结构设计
4.3.1 深度信念网络的结构选择
4.3.2 长短期记忆神经网络的结构选择
4.3.3 多层感知器的结构选择
4.4 预测模型有效性分析
4.4.1 深度学习预测模型性能分析
4.4.2 集成深度学习预测模型性能分析
4.4.3 集成小波深度学习预测模型性能分析
4.5 多时间尺度预测效果研究
4.6 预测方法泛化能力分析
4.7 小结
5 结论与展望
5.1 结论
5.2 展望
参考文献
附录:攻读学位期间参加的科研项目及发表的学术论文
【参考文献】：
期刊论文
[1]计及多关联因素的电力行业碳排放权分配方案[J]. 潘险险,余梦泽,隋宇,郇嘉嘉,洪海峰,林俐. 电力系统自动化. 2020(01)
[2]基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测[J]. 肖勇,郑楷洪,余忠忠,周密,李森,马千里. 电网技术. 2020(03)
[3]基于多模型融合Stacking集成学习方式的负荷预测方法[J]. 史佳琪,张建华. 中国电机工程学报. 2019(14)
[4]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[5]基于集成学习的含电气热商业楼宇群的分时电价求解[J]. 张志义,余涛,王德志,潘振宁,张孝顺. 中国电机工程学报. 2019(01)
[6]考虑源荷双侧预测误差的实时发电计划闭环控制模型[J]. 殷加玞,赵冬梅. 电力系统自动化. 2018(06)
[7]大数据与深度学习综述[J]. 马世龙,乌尼日其其格,李小平. 智能系统学报. 2016(06)
[8]基于改进K-Means聚类和BP神经网络的台区线损率计算方法[J]. 李亚,刘丽平,李柏青,易俊,王泽忠,田世明. 中国电机工程学报. 2016(17)
[9]基于纵–横向误差匹配的联合降损基线计算方法[J]. 李亚龙,刘文颖,田浩,郭鹏,刘福潮. 中国电机工程学报. 2016(21)
[10]新能源电力系统中需求侧响应关键问题及未来研究展望[J]. 曾博,杨雍琦,段金辉,曾鸣,欧阳邵杰,李晨. 电力系统自动化. 2015(17)
本文编号：3554670
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3554670.html
