残差自修正深度学习集成神经网络在短期电力负荷预测中的应用
发布时间：2021-01-13 20:12
随着电力系统的发展,电力系统的负荷预测发挥着越来越重要的作用。电力系统负荷预测对电力系统的运行维护意义重大,准确的负荷预测有助于提高电力系统的安全稳定。负荷数据具备空间和时间上的特点。在空间上,负荷数据受各类外界因素影响,例如气象条件和节假日等因素。在时间上,负荷数据是一种时间序列数据,每个时刻的负荷数据和历史负荷数据相关联,历史信息对于负荷预测有很高的参考价值。准确的负荷预测需要同时考虑负荷数据在时间和空间上的特点,而传统负荷预测模型无法做到既能对外界因素全面考虑又能从历史数据中学习有用信息。深度学习的时序预测模型能够很好地解决负荷预测在时间和空间上的问题。为了提升预测的精度,对预测结果的残差进行修正是一种可行的方法。残差具备无序性的特点,传统的残差修正模型并不能很好地拟合残差。深度学习的时间序列模型能够从无序的残差序列数据中学习有用信息,从而可以对残差进行良好的拟合和预测。结合以上分析,本文对相关问题进行了研究,主要包括以下内容:分析了负荷数据的特点,提出了新的缺失数据补充法和异常数据检测法。结合负荷数据的特点分析了传统负荷预测方法的缺陷。利用深度学习时序模型对历史负荷信息的记忆和...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图２．１负荷数据的时间序列分解??Ｆｉｇ．２．１?ｌｉｍｅ?ｓｅｒｉｅｓ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｏｆ?ｌｏａｄ?ｄａｔａ??
图２．２负荷数据的自相关系数??Ｆｉｇ．２．２?Ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ?ｃｏｅｆｆｉｃｉｅｎｔ?ｏｆ?ｌｏａｄ?ｄａｔａ??图２．２中阴影区域是以相关系数２倍正负标准差为边界的置信区间，相关系数处于置??信区间之外则表示相关性显著。横轴表示滞后阶数，纵轴为相关系数，范围在［－Ｕ］内。滞??后阶数用ｌａｇｓ表示，ｌａｇｓ＝ｌ表示和当前时刻距离１个时间单位的历史时刻，也就是ｔ－１时??刻。ｌａｇｓ＝ｌ对应的相关系数的含义是，滯后１个时间单位的序列和原序列之间的相关性大??小。由图２．２可以看出，自相关系数在连续多个阶数上大于零，说明时间序列在时间上和??自身有很紧密的相关性。超出区间外的滞后阶数有ｌａｇｓ＝ｌ，２．．．，３７，表明对于时刻ｔ的负荷??数据，ｔ－１，ｔ－２，．．．，ｔ－３７历史时刻的数据和当前时刻负荷数据的相关度最高。对于非时序预??测模型来说，相关度较高的历史时刻是重要的时间特征，预测将来的数据需要使用这些历??史时刻的信息。??２．１．３负荷数据受现实因素影响下的特性??由负荷值的分布图可以看出
图２．３节假日分布??Ｆｉｇ．２．３?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｈｏｌｉｄａｙ??由图２．３可以看出，大部分法定节假日对应着负荷最低的点。这是因为法定节假日全??民放假，作为电力消耗大户的大部分工厂减少生产，使得法定节假日的负荷大大降低。负??荷值从正常工作日到法定节假日会经历一个较大的数值上的突变。??２３００??２２５０??１２。。。?￥?Ｖ?Ｖ??倉?１９５０?？??１?辱?１９００??＿?１８５０??＾?１８００??ｔ￣ＩＣＮＪＣ〇?对?ＬＯＣＤ?卜?ＣＯＯＯｒＨＣＮｉＣＯ?寸?ＬＯＣＤ?卜?Ｃ０Ｏ５Ｏ?—?Ｃ－ＪＣＯ?寸?１＊０＜￡）卜??、、、、、、、、、?ＣＭ?ＣＭＣＭＣＮＪＯＪ??ＣＯＣＯＣＯＣＯＣＯ?ＣＯ?ＯＱ?ＣＯ?ＣＯ?＼??Ｄ?３?＆?Ｓ?２?Ｃ?Ｑ?Ｃ?Ｃ?Ｑ?Ｃ?Ｑ?Ｃ?Ｃｌ?ｄ??ｔＨ＾Ｈ—ＣＪ?Ｃ＼Ｊ?Ｃ＼ｉ
【参考文献】：
期刊论文
[1]基于季节调整和BP神经网络的月度负荷预测[J]. 龙勇,苏振宇,汪於. 系统工程理论与实践. 2018(04)
[2]基于R语言的负荷预测ARIMA模型并行化研究[J]. 麦鸿坤,肖坚红,吴熙辰,陈驰. 电网技术. 2015(11)
[3]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)
[4]母线负荷预测中样本数据预处理的新方法[J]. 李光珍,刘文颖,云会周,高玉华. 电网技术. 2010(02)
[5]基于PCA-SVM的电力系统短期负荷预测[J]. 李云飞,黄彦全,蒋功连. 电力系统及其自动化学报. 2007(05)
[6]提高时间序列气象适应性的短期电力负荷预测算法[J]. 朱陶业,李应求,张颖,张学庄,何朝阳. 中国电机工程学报. 2006(23)
[7]EMS中负荷预测不良数据的辨识与修正[J]. 叶锋,何桦,顾全,张高峰. 电力系统自动化. 2006(15)
[8]改进残差灰色预测模型在负荷预测中的应用[J]. 王翠茹,孙辰军,杨静,冯海迅. 电力系统及其自动化学报. 2006(01)
[9]电力短期负荷的多变量时间序列线性回归预测方法研究[J]. 雷绍兰,孙才新,周湶,张晓星. 中国电机工程学报. 2006(02)
[10]自适应卡尔曼滤波在电力系统短期负荷预测中的应用[J]. 马静波,杨洪耕. 电网技术. 2005(01)
本文编号：2975496
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
图２．１负荷数据的时间序列分解??Ｆｉｇ．２．１?ｌｉｍｅ?ｓｅｒｉｅｓ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｏｆ?ｌｏａｄ?ｄａｔａ??
图２．２负荷数据的自相关系数??Ｆｉｇ．２．２?Ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ?ｃｏｅｆｆｉｃｉｅｎｔ?ｏｆ?ｌｏａｄ?ｄａｔａ??图２．２中阴影区域是以相关系数２倍正负标准差为边界的置信区间，相关系数处于置??信区间之外则表示相关性显著。横轴表示滞后阶数，纵轴为相关系数，范围在［－Ｕ］内。滞??后阶数用ｌａｇｓ表示，ｌａｇｓ＝ｌ表示和当前时刻距离１个时间单位的历史时刻，也就是ｔ－１时??刻。ｌａｇｓ＝ｌ对应的相关系数的含义是，滯后１个时间单位的序列和原序列之间的相关性大??小。由图２．２可以看出，自相关系数在连续多个阶数上大于零，说明时间序列在时间上和??自身有很紧密的相关性。超出区间外的滞后阶数有ｌａｇｓ＝ｌ，２．．．，３７，表明对于时刻ｔ的负荷??数据，ｔ－１，ｔ－２，．．．，ｔ－３７历史时刻的数据和当前时刻负荷数据的相关度最高。对于非时序预??测模型来说，相关度较高的历史时刻是重要的时间特征，预测将来的数据需要使用这些历??史时刻的信息。??２．１．３负荷数据受现实因素影响下的特性??由负荷值的分布图可以看出
图２．３节假日分布??Ｆｉｇ．２．３?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｈｏｌｉｄａｙ??由图２．３可以看出，大部分法定节假日对应着负荷最低的点。这是因为法定节假日全??民放假，作为电力消耗大户的大部分工厂减少生产，使得法定节假日的负荷大大降低。负??荷值从正常工作日到法定节假日会经历一个较大的数值上的突变。??２３００??２２５０??１２。。。?￥?Ｖ?Ｖ??倉?１９５０?？??１?辱?１９００??＿?１８５０??＾?１８００??ｔ￣ＩＣＮＪＣ〇?对?ＬＯＣＤ?卜?ＣＯＯＯｒＨＣＮｉＣＯ?寸?ＬＯＣＤ?卜?Ｃ０Ｏ５Ｏ?—?Ｃ－ＪＣＯ?寸?１＊０＜￡）卜??、、、、、、、、、?ＣＭ?ＣＭＣＭＣＮＪＯＪ??ＣＯＣＯＣＯＣＯＣＯ?ＣＯ?ＯＱ?ＣＯ?ＣＯ?＼??Ｄ?３?＆?Ｓ?２?Ｃ?Ｑ?Ｃ?Ｃ?Ｑ?Ｃ?Ｑ?Ｃ?Ｃｌ?ｄ??ｔＨ＾Ｈ—ＣＪ?Ｃ＼Ｊ?Ｃ＼ｉ
【参考文献】：
期刊论文
[1]基于季节调整和BP神经网络的月度负荷预测[J]. 龙勇,苏振宇,汪於. 系统工程理论与实践. 2018(04)
[2]基于R语言的负荷预测ARIMA模型并行化研究[J]. 麦鸿坤,肖坚红,吴熙辰,陈驰. 电网技术. 2015(11)
[3]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)
[4]母线负荷预测中样本数据预处理的新方法[J]. 李光珍,刘文颖,云会周,高玉华. 电网技术. 2010(02)
[5]基于PCA-SVM的电力系统短期负荷预测[J]. 李云飞,黄彦全,蒋功连. 电力系统及其自动化学报. 2007(05)
[6]提高时间序列气象适应性的短期电力负荷预测算法[J]. 朱陶业,李应求,张颖,张学庄,何朝阳. 中国电机工程学报. 2006(23)
[7]EMS中负荷预测不良数据的辨识与修正[J]. 叶锋,何桦,顾全,张高峰. 电力系统自动化. 2006(15)
[8]改进残差灰色预测模型在负荷预测中的应用[J]. 王翠茹,孙辰军,杨静,冯海迅. 电力系统及其自动化学报. 2006(01)
[9]电力短期负荷的多变量时间序列线性回归预测方法研究[J]. 雷绍兰,孙才新,周湶,张晓星. 中国电机工程学报. 2006(02)
[10]自适应卡尔曼滤波在电力系统短期负荷预测中的应用[J]. 马静波,杨洪耕. 电网技术. 2005(01)
本文编号：2975496
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/2975496.html
教材专著
