基于数据预处理和深度置信网络的短期电力负荷预测研究

发布时间：2020-03-25 07:13

【摘要】：电力工业是我国国民经济的基础产业,为工业和国民经济其他部门提供了基本动力。随着经济的快速发展,中国也迎来了电网建设的新高潮,由于电能的生产和消费过程是同时进行的,因此电力负荷预测相关的理论研究日益得到重视。精确、及时的电力负荷预测在制定合理发电调配计划,电力系统的规划建设、电力市场需求调查、竞价上网、保障生产和生活中安全高效的用电等方面都具有相当重要的意义。本文以浙江省某县城作为调研地区,对收集的数据综合运用智能挖掘知识与神经网络相关的智能算法,探讨分析了数据预处理、负荷特性、负荷影响因素、训练集相似日的选取、网络结构的优化以及多个负荷预测模型建立,结合具体案例对各模型预测效果进行对比验证,并设计开发了相应的负荷预测软件。对收集到的电力负荷相关数据进行数据预处理,采用插值法和曲线拟合法处理空值,用改进的拉依达准则查找奇异值,结合调研地区地理气候、政治经济等情况,研究分析调研地区的电力负荷特性和影响负荷的各种因素。为了增加模型样本集训练的效率,本文从两方面入手:一是选取合适的训练样本,即采用BWP指标最优K值的自适应K-means聚类方法选取相似日,二是简化神经网络,采用KPCA非线性降维方法减少网络输入层的节点。针对传统BP神经网络收敛速度慢,易陷入局部最优等缺陷,本文提出了采用自适应遗传算法优化的BP神经网络(AGABP)和基于深度置信网络(DBN)的预测算法,采用滑动窗口动态预测模型,用具体实例分析相误差指标,并用DM检验方法验证了基于深度置信网络的短期电力负荷预测模型预测能力较佳。以Visual C++和Matlab为开发平台,对负荷预测软件的相关功能和软件进行了初步实现。
【图文】：

曲线图,全负荷,曲线图,时间点

武汉理工大学硕士学位论文日记录了 96 个时间点的负荷数据，也就是每十五分钟记录一次负荷。在 3 日 288 个时间点中随机设置 8 个时间点的负荷数据为空，曲线图如下图 2-1 的第个曲线图所示，在负荷变化较大的时间点可以明显看到曲线的缺失。然后分应用 Nearest、Spline 和 Cubic 三种插值方法以及 Smoothingspline 模式下的曲拟合方法做拟合效果的对比，可以得到图 2-1 中其余四图所示的结果。其中蓝的圆圈是采用各方法填充的缺失值。由图可知，，采用以上方法，基本补全了来缺失的值，而且没有出现误差十分大的值。

对比图,异常值,负荷曲线,拟合曲线

准则法等[50]。其中拉依达准则[51-52]又称 3σ 准则，被广泛地应用于当中。具体原理如下：对于得到的有 n 个独立数据的数据组a ,a12平均值 α，然后可以得到各个数据的剩余误差 νaa(i nii= -=1,2,.. .,尔公式[53]得到标准误差 σ，若整个数据组中某个数据ba 的剩余误条件：νaaσbb= -> 3为数据ba 和正常的数据相比，是含有较大误差值的奇异值，需要理。但拉依达准则要求样本数据至少服从近似正态分布，根据负期性，负荷数据并不服从近似的正态分布[54]，本文采用一定的改进 2016 年 7 月 1~3 日的负荷数据 ,,...,( 288)12aaan=n为例，此次随机点中随机取 3 个点作为奇异值所在的点，再对这些点随机取与原距较大的差值（正负皆有，误差设置在 20~50%之间），得到修改n...,b，然后对修改的数据做 Smoothingspline 方式的曲线拟合，得到图 2-2 所示。可以发现有三处异常值，明显偏离了正常的拟合曲线
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM715;TP183

【相似文献】