基于LSTM深度网络和改进核极限学习机的短期电力负荷预测

发布时间：2020-06-15 05:21

【摘要】：电力系统负荷预测是电力系统规划的重要组成部分,是确保社会生产安全稳定的重要环节。目前随着科技的不断发展,人们生活质量的不断提高,电力企业越来越追求更高精度的电力负荷预测。过去很多负荷预测研究文章并未对影响因素进行统计分析,而是选取一些通用的负荷影响因素,比如温度,气象等因素来进行负荷预测。伴随着社会发展的同时,人们生活内容也逐渐丰富,对现代电力负荷影响的因素也逐渐丰富变化。所以,这就需要人们对电力负荷进行分析,理清其内部和外部影响因素的相互关系。同时过去单一的统计预测模型比较简单,预测精度低,组合预测模型和深度神经网络在电力负荷预测领域的运用是目前研究的主要热点方向。本文从两方面出发,一是关于短期电力负荷预测内部和外部影响因素分析建模,二是关于短期电力负荷预测方法的研究。电力负荷内部影响因素是指影响预测日负荷的历史负荷序列,电力负荷外部影响因素为气象,温度,空气质量等外在因素。首先选出24个电力负荷影响因素,并将其进行量化处理。其次利用皮尔逊相关系数法对这24个影响因素与阳泉市短期电力负荷之间的相关性进行分析,找出真正影响当地短期负荷的影响因素,并分析不同影响因素对当地负荷的影响。然后对相关系数大的影响因素进行VAR分析,研究了这些与阳泉市负荷高相关性的外在因素的历史数据对预测日负荷的影响。经过相关分析和VAR模型选择的影响因素相对全面和准确,但是不可避免增加了预测模型的输入维度,过高的输入变量维度将会影响预测模型的泛化性,从而影响预测的精确性。最后利用主成分分析法可以将原来的一些具有相关性的指标重新组合成几个互不相关的综合指标来代替原来的指标,从而降低输入指标维度。选取了阳泉市2015年3月1日到10月31日的数据,共计245天,来进行实证分析。其中前241天的数据为训练集,后4天数据为预测集。作为传统神经网络的研究热点之一——极限学习机(ELM),本文在传统极限学习机基础上和核函数相结合,并利用改进后的蝙蝠优化算法来优化核极限学习机,预测结果表明改进后的模型在稳定性和精确性上都得到了提升。作为深度神经网络研究热点之一——长短期记忆神经网络(LSTM),本文将其预测结果与传统神经网络代表BP神经网络和自适应蝙蝠算法优化核极限学习机(IBA-KELM)预测结果进行了比较。预测结果表明,在阳泉地区短期负荷历史数据具备高度相关性的情况下,LSTM深度神经网络的拟合性更好,展现了深度学习在负荷预测领域的发展前景。
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM715;TP18
【图文】：

华北电力大学硕士学位论文的另一个特点是它的连续性。从该图中我们也可以发现，负荷化的，它在有某个范围下连续不断地逐渐的波动。由此可以看期性外，负荷还有连续性的特点。这时这种在一定范围内的连得人们可以利用这一规律对负荷建立非线性的预测模型。周期性和连续性外，负荷还具有波动性的特点。每天都有着各的因素在影响着负荷值的变化，我们可以很清晰的看到负荷无化中，这些变化说明了负荷具有波动性，它不是单调的增加或减上下波动的状态下。

图 3-1VAR(1)模型系统的 AR 根图部分确定了所有影响因素的最佳滞后阶数为后一阶是对当前短期负荷是有影响的。比如是，昨天的最高温度，最低温度以及平均温且滞后一阶是最佳能够反应昨天的温度对今史负荷方面，可以看到最佳滞后一阶，也就负荷和平均负荷已经足够反映历史负荷对当分得出的前三日最高负荷，最低负荷和平均还是把这三个指标也作为阳泉市短期负荷的期负荷影响指标，它们分别是前一日日最高平均负荷，前二日日最高负荷，前二日日最日最高负荷，前三日日最低负荷，前三日日均温度，最高温度，湿度，星期类型，风速、平均温度、最高温度、湿度、星期类型和

【相似文献】

相关期刊论文 前10条

1 龚风云;王凯;;基于LSTM神经网络的乌鲁木齐市流感样病例的预测研究[J];科技视界;2019年31期

2 陈亮;王震;王刚;;深度学习框架下LSTM网络在短期电力负荷预测中的应用[J];电力信息与通信技术;2017年05期

3 王国栋;韩斌;孙文峗;;基于LSTM的舰船运动姿态短期预测[J];舰船科学技术;2017年13期

4 周生强;;LSTM对上证指数的实证分析[J];现代经济信息;2017年09期

5 黄伟;刘存才;祁思博;;针对设备端口链路的LSTM网络流量预测与链路拥塞方案[J];网络与信息安全学报;2019年06期

6 关鹏飞;李宝安;吕学强;周建设;;注意力增强的双向LSTM情感分析[J];中文信息学报;2019年02期

7 刘锦源;;面向农产品期货价格预测的改进LSTM方法[J];江苏科技信息;2019年27期

8 张明;杜裕;洪国平;;LSTM在宜昌短期电力负荷预测中的试验应用[J];气象研究与应用;2019年03期

9 杜舒静;徐凡;王明文;;实体驱动的双向LSTM篇章连贯性建模[J];中文信息学报;2017年06期

10 保罗;郭旭琦;乔铁柱;阎高伟;;改进LSTM神经网络在磨机负荷参数软测量中的应用[J];中国矿山工程;2017年03期

相关会议论文 前10条

1 蒋振超;邓永;姜青山;古亮;;一种基于两阶段字符级LSTM的僵尸网络检测方法[A];第32次全国计算机安全学术交流会论文集[C];2017年

2 李鹏程;孙敏;庞溟舟;;基于LSTM神经网络的公交到站时间预测[A];第37届中国控制会议论文集（F）[C];2018年

3 朱佳晖;张文峰;刘卫平;张超;陈渊;;基于双向LSTM和CRF的军事命名实体识别和链接[A];第六届中国指挥控制大会论文集（上册）[C];2018年

4 柯任辰;徐维庆;杨科;;一种基于LSTM神经网络的自适应巡航研究[A];2019中国汽车工程学会年会论文集（1）　[C];2019年

5 刘天鹏;刘海;;基于LSTM的城市道路养护投诉量预测研究[A];中国公路学会养护与管理分会第九届学术年会论文集[C];2019年

6 安鹏;曹丹平;;基于LSTM循环神经网络的孔隙度预测方法研究[A];2018年中国地球科学联合学术年会论文集（二十九）——专题59：计算地球物理方法和应用、专题60：地热资源成因新理论与综合探测新技术[C];2018年

7 梅杰;;基于LSTM神经网络的有效停车泊位短时预测方法研究[A];创新驱动与智慧发展——2018年中国城市交通规划年会论文集[C];2018年

8 张玮霖;朱永华;高洪皓;;基于LSTM编码-解码器模型的网络服务器集群负载预测算法[A];2018中国信息通信大会论文摘要集[C];2018年

9 张宇;张鹏远;颜永红;;基于注意力LSTM和多任务学习的远场语音识别[A];第十四届全国人机语音通讯学术会议（NCMMSC’2017）论文集[C];2017年

10 刘秀波;马帅;高利民;张博;;基于轨道几何和LSTM的车辆响应预测模型[A];第十三届全国振动理论及应用学术会议论文集[C];2019年

相关硕士学位论文 前10条

1 张冲冲;基于LSTM深度网络和改进核极限学习机的短期电力负荷预测[D];华北电力大学;2019年

2 梁小龙;基于CNN和LSTM结合的心律失常分类研究[D];西南大学;2019年

3 周义;基于关注度LSTM的动作提议和行为识别[D];合肥工业大学;2019年

4 周航帆;基于词向量的LSTM网络在音乐推荐中的应用研究[D];江苏大学;2019年

5 霍晓凯;基于History Attention的LSTM对话管理算法及其应用[D];吉林大学;2019年

6 田甜;基于LSTM的结构病态问题预测方法研究[D];长安大学;2019年

7 Khuram Hayat;基于融合LSTM的超短期风速概率预测方法研究[D];华北电力大学(北京);2019年

8 杜心;基于LSTM神经网络的可用停车位预测模型研究[D];武汉理工大学;2018年

9 李永帅;基于双向LSTM的动态情感词典构建方法研究及文本情感分析[D];郑州大学;2019年

10 闫泽杭;基于互助双向LSTM与递进解码机制的图像标题生成[D];大连理工大学;2018年

本文编号：2713958