基于梯度提升决策树的电力系统短期负荷预测研究
发布时间：2022-01-12 09:51
电力行业是保证我国全方位协调发展的基础性支柱产业,电力系统的稳定运行影响着国家的繁荣发展和人民的美好生活。随着我国电力工业体制改革有条不紊地推进和电力供应结构的持续优化,短期负荷预测作为电力市场分析预测工作中必不可少的一部分,其重要性日益凸显。精确的短期负荷预测技术为电力部门制定调度计划提供技术支持,为电网的安全稳定运行提供保障。同时,在逐步完善的电力市场环境下,高精度的短期负荷预测技术为发电侧、输配侧和售电侧提供了经济调度的依据,使其能在满足用户基本需求下追求更高的经济效益。因此,短期负荷预测长久以来都是国内外学者专家研究的重点之一。本文从短期负荷预测精度的影响因素出发,围绕决策树理论,结合集成学习、模糊理论等相关知识,对短期负荷预测进行研究,并取得一定的进展。受集成学习思想启发,本文将CART决策树模型和Gradient Boosting算法相融合,通过理论分析证明Gradient Boosting算法可以提高负荷预测的精度,由此提出了基于梯度提升决策树的短期负荷预测模型。为了增加单个CART树的学习空间,提高预测模型的泛化性能,将Shrinkage思想引入到模型中。利用某地区电网...
【文章来源】：青岛大学山东省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
负荷预测的分类
青岛大学硕士学位论文 基于梯度提升决策树的短期负荷预思想识可知，仅仅通过观察主视图，无法得到物，得到主视图、俯视图、左视图，简单物体成学习思想的一个缩影。图 3.1 是集成学习对样本数据进行学习，之后通过某种组合逻这个强学习模型的学习能力会显著强于任意将得到大幅度提高。弱学习模型1
211A bxx ca 4-(9)式中，参数 a 和 b 通常为正数，其值影响钟形的形状，参数 c 用于确定曲线的中心。例如，a=2，b=4，c=5，则广义钟形隶属函数曲线如图 4.1(d)所示。（5）S 形隶属函数 11Aa x cxe 4-(10)式中，参数 a 的符号决定了 S 形曲线的左右朝向，参数 c 用于确定曲线的中心。例如，a=2，c=5，则 S 形隶属函数曲线如图 4.1(e)所示。
【参考文献】：
期刊论文
[1]基于随机森林的电力系统小时负荷预测研究[J]. 黄晗,孙堃,刘达. 智慧电力. 2018(05)
[2]基于模糊聚类与随机森林的短期负荷预测[J]. 黄青平,李玉娇,刘松,刘鹏. 电测与仪表. 2017(23)
[3]基于小波与GBDT的无人机传感器故障诊断[J]. 舒畅,李辉. 测控技术. 2017(08)
[4]基于梯度提升决策树的电力电子电路故障诊断[J]. 陈宏,邓芳明,吴翔,付智辉. 测控技术. 2017(05)
[5]基于梯度提升决策树的肽碎片离子强度建模[J]. 怀浩,刘学,张龙波,王晓丹. 山东理工大学学报(自然科学版). 2017(02)
[6]一种基于改进GPR和Bagging的短期风电功率组合预测方法[J]. 张颖超,郭晓杰,邓华. 电力系统保护与控制. 2016(23)
[7]基于随机森林算法的用电负荷预测研究[J]. 李婉华,陈宏,郭昆,郭松荣,韩嘉民,陈羽中. 计算机工程与应用. 2016(23)
[8]基于动量因子的神经网络群电流负荷预测模型[J]. 田野. 电力系统保护与控制. 2016(17)
[9]基于多变量气象因子的LMBP电力日负荷预测[J]. 张淑清,任爽,师荣艳,刘子玥,姜万录. 仪器仪表学报. 2015(07)
[10]基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 吴潇雨,和敬涵,张沛,胡骏. 电力系统自动化. 2015(12)
博士论文
[1]数据挖掘和人工智能理论在短期电力负荷预测中的应用研究[D]. 冯丽.浙江大学 2005
硕士论文
[1]基于随机森林的电力系统短期负荷预测研究[D]. 黄青平.华北电力大学(北京) 2018
[2]基于HOG特征和梯度提升决策树算法的人脸关键点检测技术研究[D]. 于珂珂.河南大学 2017
[3]基于梯度提升决策树的交通流量预测方法研究[D]. 陈俊刚.重庆邮电大学 2017
[4]基于数据挖掘的短期负荷预测[D]. 高琳琳.南昌大学 2012
[5]基于决策树的电力负荷预测模型研究[D]. 皮志贤.华北电力大学（北京） 2011
[6]基于数据挖掘的电力系统短期负荷预测应用研究[D]. 黄达文.华南理工大学 2009
[7]地区电网短期负荷预测方法研究[D]. 史敬天.郑州大学 2009
[8]电力系统中短期负荷预测的研究[D]. 王黎明.中国石油大学 2008
[9]基于决策树的数据挖掘算法研究与应用[D]. 卢东标.武汉理工大学 2008
[10]基于人工神经网络的短期负荷预测[D]. 赵福成.华北电力（北京）大学 2002
本文编号：3584562
【文章来源】：青岛大学山东省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
负荷预测的分类
青岛大学硕士学位论文 基于梯度提升决策树的短期负荷预思想识可知，仅仅通过观察主视图，无法得到物，得到主视图、俯视图、左视图，简单物体成学习思想的一个缩影。图 3.1 是集成学习对样本数据进行学习，之后通过某种组合逻这个强学习模型的学习能力会显著强于任意将得到大幅度提高。弱学习模型1
211A bxx ca 4-(9)式中，参数 a 和 b 通常为正数，其值影响钟形的形状，参数 c 用于确定曲线的中心。例如，a=2，b=4，c=5，则广义钟形隶属函数曲线如图 4.1(d)所示。（5）S 形隶属函数 11Aa x cxe 4-(10)式中，参数 a 的符号决定了 S 形曲线的左右朝向，参数 c 用于确定曲线的中心。例如，a=2，c=5，则 S 形隶属函数曲线如图 4.1(e)所示。
【参考文献】：
期刊论文
[1]基于随机森林的电力系统小时负荷预测研究[J]. 黄晗,孙堃,刘达. 智慧电力. 2018(05)
[2]基于模糊聚类与随机森林的短期负荷预测[J]. 黄青平,李玉娇,刘松,刘鹏. 电测与仪表. 2017(23)
[3]基于小波与GBDT的无人机传感器故障诊断[J]. 舒畅,李辉. 测控技术. 2017(08)
[4]基于梯度提升决策树的电力电子电路故障诊断[J]. 陈宏,邓芳明,吴翔,付智辉. 测控技术. 2017(05)
[5]基于梯度提升决策树的肽碎片离子强度建模[J]. 怀浩,刘学,张龙波,王晓丹. 山东理工大学学报(自然科学版). 2017(02)
[6]一种基于改进GPR和Bagging的短期风电功率组合预测方法[J]. 张颖超,郭晓杰,邓华. 电力系统保护与控制. 2016(23)
[7]基于随机森林算法的用电负荷预测研究[J]. 李婉华,陈宏,郭昆,郭松荣,韩嘉民,陈羽中. 计算机工程与应用. 2016(23)
[8]基于动量因子的神经网络群电流负荷预测模型[J]. 田野. 电力系统保护与控制. 2016(17)
[9]基于多变量气象因子的LMBP电力日负荷预测[J]. 张淑清,任爽,师荣艳,刘子玥,姜万录. 仪器仪表学报. 2015(07)
[10]基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 吴潇雨,和敬涵,张沛,胡骏. 电力系统自动化. 2015(12)
博士论文
[1]数据挖掘和人工智能理论在短期电力负荷预测中的应用研究[D]. 冯丽.浙江大学 2005
硕士论文
[1]基于随机森林的电力系统短期负荷预测研究[D]. 黄青平.华北电力大学(北京) 2018
[2]基于HOG特征和梯度提升决策树算法的人脸关键点检测技术研究[D]. 于珂珂.河南大学 2017
[3]基于梯度提升决策树的交通流量预测方法研究[D]. 陈俊刚.重庆邮电大学 2017
[4]基于数据挖掘的短期负荷预测[D]. 高琳琳.南昌大学 2012
[5]基于决策树的电力负荷预测模型研究[D]. 皮志贤.华北电力大学（北京） 2011
[6]基于数据挖掘的电力系统短期负荷预测应用研究[D]. 黄达文.华南理工大学 2009
[7]地区电网短期负荷预测方法研究[D]. 史敬天.郑州大学 2009
[8]电力系统中短期负荷预测的研究[D]. 王黎明.中国石油大学 2008
[9]基于决策树的数据挖掘算法研究与应用[D]. 卢东标.武汉理工大学 2008
[10]基于人工神经网络的短期负荷预测[D]. 赵福成.华北电力（北京）大学 2002
本文编号：3584562
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3584562.html
