基于深度学习的短期电力负荷预测模型研究

发布时间：2022-10-21 18:08

　　随着社会的发展,电能的重要性越发显著,对电网系统运行过程中产生的数据和与其相关的数据进行深入剖析,已经成为了保障电网稳定运转的前提工作。随着大量的智能监测设备的装配和使用,电网系统采集到了比以往更多的数据。为规避预测不准造成的恶劣影响,根据电力负荷预测模型的预测结果调整电气规划是刻不容缓的。本文拟基于深度学习的方法,针对现有电力负荷预测模型存在的影响因素考虑片面化、信息获取不全面、预测步长短、精度差等问题,提出了基于深度学习的短期电力负荷预测模型。主要取得以下研究成果:（1）针对电力负荷时间序列受到多种外部因素的影响呈现出不同的特性,以及现有的负荷模型预测步长短等问题,提出基于卷积神经网络-双向长短期记忆网络（CNN＿Bi LSTM）的短期电力负荷预测模型。首先,利用卷积神经网络对不同输入特征进行提取和重组,利用双向长短期记忆网络来处理电力负荷数据。然后,在上述网络的基础上建立了多因素多步长以及具有更新能力的预测模型,通过实例分析,验证了该模型在预测步长较长的情况下仍能保持较好的预测精度。（2）针对当前电力负荷预测模型进行预测时信息获取不够全面,以及预测精度还有待提升等问题,提出基于变... 

【文章页数】：85 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
    1.2 国内外研究现状
        1.2.1 电力负荷预测主要方法
        1.2.2 目前存在的问题
    1.3 本文研究内容及章节安排
        1.3.1 本文研究内容
        1.3.2 本文章节安排
    1.4 本章小结
第二章 电力系统负荷特性分析及预处理
    2.1 引言
    2.2 电力系统负荷特性分析
    2.3 数据预处理
        2.3.1 独热编码
        2.3.2 异常值修正
        2.3.3 缺失值补充
        2.3.4 样本归一化处理
    2.4 负荷预测评价指标
    2.5 本章小结
第三章 基于CNN_BiLSTM的短期电力负荷预测
    3.1 引言
    3.2 基本原理
        3.2.1 卷积神经网络
        3.2.2 循环神经网络
    3.3 基于CNN_BiLSTM的短期电力负荷预测模型
        3.3.1 CNN_BiLSTM网络结构
        3.3.2 多步长预测模型
    3.4 实例分析
        3.4.1 单步长单因素对比
        3.4.2 多步长多因素对比
        3.4.3 模型更新与否对比
    3.5 本章小结
第四章 基于VMD-XGBoost的短期电力负荷预测
    4.1 引言
    4.2 基本原理
        4.2.1 变分模态分解
        4.2.2 极值梯度提升算法
    4.3 基于VMD-XGBoost的短期电力负荷预测模型
        4.3.1 基于变分模态的电力负荷序列分解
        4.3.2 基于极值梯度提升算法的电力负荷预测
        4.3.3 算法复杂度分析
    4.4 实例分析
        4.4.1 变分模态分解及寻优
        4.4.2 模型预测能力对比
        4.4.3 模型执行效率对比
    4.5 本章小结
第五章 基于VMD-SA-TCN的短期电力负荷预测
    5.1 引言
    5.2 基本原理
        5.2.1 样本熵理论
        5.2.2 时间卷积网络
    5.3 基于VMD-SA-TCN的短期电力负荷预测模型
        5.3.1 基于VMD-SA的电力负荷序列分解重组
        5.3.2 基于时间卷积网络的电力负荷预测
    5.4 实例分析
        5.4.1 膨胀卷积网络参数寻优
        5.4.2 模型预测能力对比
        5.4.3 模型消耗时间对比
        5.4.4 与传统算法对比
        5.4.5 原始TCN对比
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士期间完成的科研成果
致谢


【参考文献】：
期刊论文
[1]基于Prophet-LSTM组合模型的短期负荷预测方法[J]. 彭湃,刘敏.  电力系统及其自动化学报. 2021(11)
[2]基于BiLSTM的滚动轴承故障诊断研究[J]. 赵志宏,赵敬娇,魏子洋.  振动与冲击. 2021(01)
[3]基于Bagging的双向GRU集成神经网络短期负荷预测[J]. 王康,张智晟,撖奥洋,于立涛.  电力系统及其自动化学报. 2021(10)
[4]基于深度长短期记忆神经网络的短期负荷预测[J]. 王激华,仇钧,方云辉,周苏洋.  广东电力. 2020(08)
[5]基于实时电价和加权灰色关联投影的SVM电力负荷预测[J]. 赵佩,代业明.  电网技术. 2020(04)
[6]基于负荷特性聚类及Elastic Net分析的短期负荷预测方法[J]. 靳冰洁,林勇,罗澍忻,韦斌,周姝灿.  中国电力. 2020(09)
[7]基于LSTM与XGBoost组合模型的超短期电力负荷预测[J]. 陈振宇,刘金波,李晨,季晓慧,李大鹏,黄运豪,狄方春,高兴宇,徐立中.  电网技术. 2020(02)
[8]基于行业聚类的负荷特性分析及预测[J]. 袁鸣峰,刘陶,山宪武,徐一晨.  电气自动化. 2019(05)
[9]基于XGBoost算法的电网二次设备缺陷分类研究[J]. 陈凯,南东亮,孙永辉,夏响.  南京信息工程大学学报(自然科学版). 2019(04)
[10]深度学习在电力负荷预测中的应用综述[J]. 朱俊丞,杨之乐,郭媛君,于坤杰,张建康,穆晓敏.  郑州大学学报(工学版). 2019(05)

硕士论文
[1]基于VMD和改进型极限学习机的短期电力负荷预测[D]. 吴佳慧.西安理工大学 2019



本文编号：3696128