深度时序神经网络集成方法及其电能需量预测应用

发布时间：2023-01-30 16:00

　　需量负荷控制在电力需求侧管理中起着重要作用,而高精度的需量负荷预测将直接影响需量控制的可靠性,是保持电力供需平衡以提高电网稳定性的保证。然而,对于大型工业电力用户,由于设备工况与工艺切换,其超短期能源消耗通常具有强烈的随机性和波动性,使得超短期需量负荷的准确预测成为难题。针对该问题,本文利用多变量相关性分析、深度时序神经网络理论、集成学习方法等方法进行超短期工业电能需量预测研究,提出一种基于深度时序神经网络的混合集成学习预测模型。为了能有效地分析时间序列负荷数据,采用经典的长短期记忆网络（LSTM）作为预测模型的基学习器,并进行多变量相关性分析从多源异构的原始数据中确定与电力需量相关的输入属性。根据偏差-方差分解原理提出混合集成策略,对多种集成学习方法进行组合,包括Bagging、随机子空间和Boosting,并引入集成修剪,旨在解决单一模型和局部样本导致的偏差,提高模型的泛化能力。最后,通过采集的真实数据构建数据集来开展超短期需量负荷预测实验,与多种先进时序预测模型和经典集成学习算法进行分析评估,对比实验结果表明,在MAPE、MAE和NRMSE三种常用的预测性能评估指标和峰值负荷对应... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 本文主要工作
        1.3.1 本文主要研究内容
        1.3.2 本文具体组织结构
第二章 电力需量负荷预测相关理论
    2.1 电力需量负荷预测问题描述
        2.1.1 电力需量与最大需量
        2.1.2 需量预测与需量控制
    2.2 电力需量负荷特性分析
        2.2.1 时序特性分析
        2.2.2 多变量相关性分析
    2.3 电力需量负荷数据预处理
        2.3.1 浮点型数据归一化
        2.3.2 分类型数据独热编码
    2.4 电力需量负荷预测模型选择
        2.4.1 电力需量负荷预测常用方法
        2.4.2 预测效果评估指标
    2.5 本章小结
第三章 需量负荷预测的深度时序神经网络方法
    3.1 深度神经网络
        3.1.1 神经网络与深度学习
        3.1.2 深度神经网络处理时间序列
    3.2 经典深度时序神经网络
        3.2.1 深度循环神经网络(RNN)
        3.2.2 长短期记忆网络(LSTM)
        3.2.3 序列到序列网络(Seq2Seq)
    3.3 构建深度时序神经网络预测模型
        3.3.1 模型构建
        3.3.2 模型训练
    3.4 算例分析
        3.4.1 整体需量负荷预测
        3.4.2 峰值需量负荷预测
    3.5 本章小结
第四章 需量负荷预测的深度时序神经网络集成方法
    4.1 神经网络集成方法
        4.1.1 偏差-方差分解理论
        4.1.2 集成学习
    4.2 经典集成学习预测方法
        4.2.1 随机森林回归(RFR)
        4.2.2 梯度提升回归树(GBRT)
        4.2.3 极端梯度提升(XGBoost)
    4.3 构建深度时序神经网络集成预测模型
        4.3.1 多样性增强
        4.3.2 集成修剪
        4.3.3 结合策略
        4.3.4 组合预测
    4.4 算例分析
        4.4.1 整体需量负荷预测
        4.4.2 峰值需量负荷预测
    4.5 本章小结
第五章 基于集成深度时序神经网络的电力需量预测
    5.1 某钢铁厂电力系统概况
    5.2 超短期工业电力需量负荷预测集成模型构建
    5.3 超短期工业电力需量负荷预测和控制
    5.4 本章小结
第六章 结论与展望
    6.1 研究结果总结
    6.2 研究前景展望
参考文献
致谢
附录A 攻读学位期间相关研究成果
附录B 攻读学位期间参与的科研项目


【参考文献】：
期刊论文
[1]基于GRU-NN模型的短期负荷预测方法[J]. 王增平,赵兵,纪维佳,高欣,李晓兵.  电力系统自动化. 2019(05)
[2]基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 陆继翔,张琪培,杨志宏,涂孟夫,陆进军,彭晖.  电力系统自动化. 2019(08)
[3]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)
[4]基于门控循环单元网络与模型融合的负荷聚合体预测方法[J]. 陈海文,王守相,王绍敏,王丹.  电力系统自动化. 2019(01)
[5]基于长短期记忆的实时电价条件下智能电网短期负荷预测[J]. 李鹏,何帅,韩鹏飞,郑苗苗,黄敏,孙健.  电网技术. 2018(12)
[6]基于深度结构多任务学习的园区型综合能源系统多元负荷预测[J]. 史佳琪,谭涛,郭经,刘阳,张建华.  电网技术. 2018(03)
[7]基于深度信念网络的短期负荷预测方法[J]. 孔祥玉,郑锋,鄂志君,曹旌,王鑫.  电力系统自动化. 2018(05)
[8]实现影响因素多源异构融合的短期负荷预测支持向量机算法[J]. 吴倩红,高军,侯广松,韩蓓,汪可友,李国杰.  电力系统自动化. 2016(15)
[9]采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法[J]. 赵腾,王林童,张焰,田世明.  中国电机工程学报. 2016(03)
[10]钢铁企业电网控制问题分析及策略研究[J]. 郝飞,沈军,燕飞,陈根军.  冶金自动化. 2015(05)

博士论文
[1]基于机器学习的时间序列预测方法研究与应用[D]. 陈艳华.兰州大学 2017
[2]基于智能方法的电力系统负荷预测模型及其应用研究[D]. 刘晓娟.东华大学 2014
[3]灰色预测模型及中长期电力负荷预测应用研究[D]. 王大鹏.华中科技大学 2013



本文编号：3733222