基于数据挖掘的短期负荷预测
发布时间：2021-04-18 02:21
负荷预测是制定发电计划的重要依据,是保证电力系统正常运行的重要工作。负荷预测的研究始于上世纪中后期。最早应用于负荷预测的是统计学,其中最为经典的是回归分析法。随着计算机技术的发展,诞生了人工神经网络技术,该技术是现在常用的负荷预测方法。近年来,随着数据的爆发式增长,数据挖掘技术被应用到了负荷预测之中。数据挖掘是从大量数据中发现隐藏规律的过程,其常用手段包括统计,情报检索以及神经网络。本文以河北某滨海城市短期负荷为预测对象,进行了未来某一天24小时负荷值的预测研究。首先选取了短期负荷预测的特征变量,进行了样本数据的预处理;然后在使用了传统神经网络和基于主成分分析的神经网络进行负荷预测研究的基础上,提出了一种基于主成分分析的自适应型小波RNN方法,完成了短期负荷预测实验,并进行了性能比较。本文主要工作如下:考虑到负荷影响因素的多样性,采用预测日期前一天的24小时负荷值、最高最低气温、天气状况以及日期类型作为预测的特征变量。为了避免错误数据对预测结果带来影响,对样本数据进行了预处理:通告聚类筛选出错误数据并使用线性拟合修复;为了消除不同类型数据间的量纲差异,将所有数据分类归一化。为了比较传统...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
拟合效果图
16 基于神经网络的短期负荷预荷预测流程主要由预测输入包含样本特征变量的选量的样本数据对神经网络确定；预测输出是指训练并将预测输出值反归一化短期负荷预测构及原理顾名思义，是一种反向传并存储输入和输出的对应
图 3-2 BP 神经网络拓补结构经网络通过参数调整来获得网络的结构，其参数调整过程基输出和实际值的差值）的反向传播[39][40]。BP 神经网络的训练据的正向传播以及误差的反向传播。正向传播是指输入数据从层，输出层根据输入数据计算预测负荷值；误差值是指网络的出两者的差值，误差值由输出端向各隐含层反向传播，这是误过程[41]。的训练过程经网络的训练过程，包含如下 6 个步骤：始化。设置网络输入输出节点以及隐含层节点数量，规定迭成网络的权值和阈值（赋予(-1,1)区间内的值）。练的迭代（循环）。输入层的输入变量为 、 、 、 、 量为 、 、 、 、 ，隐含层设置为单层结构，隐含层节点一般采用 Sigmoid 函数，传递函数的表达式如式（3-1）所示
【参考文献】：
期刊论文
[1]基于RNN的空气污染时空预报模型研究[J]. 范竣翔,李琦,朱亚杰,侯俊雄,冯逍. 测绘科学. 2017(07)
[2]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[3]基于改进主成分分析法的离散制造能耗分析[J]. 陈彦,王艳. 系统仿真学报. 2016(12)
[4]基于RNN汉语语言模型自适应算法研究[J]. 王龙,杨俊安,刘辉,陈雷,林伟. 火力与指挥控制. 2016(05)
[5]一种基于改进总体经验模态分解与反向传播神经网络的短期负荷预测方法（英文）[J]. Yun-luo YU,Wei LI,De-ren SHENG,Jian-hong CHEN. Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2016(02)
[6]主成分分析法与熵值法结合在水质评价中的应用[J]. 王晴晴,陈星,常进. 人民长江. 2015(08)
[7]基于主成分分析和熵值法的高校科技创新能力评价[J]. 韩晓明,王金国,石照耀. 河海大学学报(哲学社会科学版). 2015(02)
[8]电力系统短期负荷预测方法研究综述[J]. 王惠中,周佳,刘轲. 电气自动化. 2015(01)
[9]短期电力负荷预测影响因素分析与研究[J]. 雷水平,王超胜,崔景顺. 硅谷. 2014(21)
[10]基于Savitzky-Golay算法的曲线平滑去噪[J]. 雷林平. 电脑与信息技术. 2014(05)
硕士论文
[1]基于深度学习的气象预测研究[D]. 杨函.哈尔滨工业大学 2017
[2]高速公路短时交通流预测算法研究[D]. 宋迪.浙江工业大学 2016
[3]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
[4]基于数据挖掘技术的南京地区短期电力负荷预测方法研究[D]. 赵洋.华北电力大学 2016
[5]改进的小波神经网络结构优化算法及其应用研究[D]. 李云.西南大学 2016
[6]基于RNN的发电机组排放预测及发电调度研究[D]. 杨训政.中国科学技术大学 2016
[7]基于小波分析的电力系统短期负荷预测的应用研究[D]. 贾辛淼.沈阳工业大学 2016
[8]基于数据挖掘技术的短期负荷预测[D]. 毕圣.北京交通大学 2016
[9]基于数据挖掘的短期电力负荷预测[D]. 石雪.华南理工大学 2014
[10]基于遗传算法优化灰色神经网络的浙江省公路客运量预测模型[D]. 林勤.华中师范大学 2013
本文编号：3144605
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
拟合效果图
16 基于神经网络的短期负荷预荷预测流程主要由预测输入包含样本特征变量的选量的样本数据对神经网络确定；预测输出是指训练并将预测输出值反归一化短期负荷预测构及原理顾名思义，是一种反向传并存储输入和输出的对应
图 3-2 BP 神经网络拓补结构经网络通过参数调整来获得网络的结构，其参数调整过程基输出和实际值的差值）的反向传播[39][40]。BP 神经网络的训练据的正向传播以及误差的反向传播。正向传播是指输入数据从层，输出层根据输入数据计算预测负荷值；误差值是指网络的出两者的差值，误差值由输出端向各隐含层反向传播，这是误过程[41]。的训练过程经网络的训练过程，包含如下 6 个步骤：始化。设置网络输入输出节点以及隐含层节点数量，规定迭成网络的权值和阈值（赋予(-1,1)区间内的值）。练的迭代（循环）。输入层的输入变量为 、 、 、 、 量为 、 、 、 、 ，隐含层设置为单层结构，隐含层节点一般采用 Sigmoid 函数，传递函数的表达式如式（3-1）所示
【参考文献】：
期刊论文
[1]基于RNN的空气污染时空预报模型研究[J]. 范竣翔,李琦,朱亚杰,侯俊雄,冯逍. 测绘科学. 2017(07)
[2]深度学习发展综述[J]. 侯宇青阳,全吉成,王宏伟. 舰船电子工程. 2017(04)
[3]基于改进主成分分析法的离散制造能耗分析[J]. 陈彦,王艳. 系统仿真学报. 2016(12)
[4]基于RNN汉语语言模型自适应算法研究[J]. 王龙,杨俊安,刘辉,陈雷,林伟. 火力与指挥控制. 2016(05)
[5]一种基于改进总体经验模态分解与反向传播神经网络的短期负荷预测方法（英文）[J]. Yun-luo YU,Wei LI,De-ren SHENG,Jian-hong CHEN. Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2016(02)
[6]主成分分析法与熵值法结合在水质评价中的应用[J]. 王晴晴,陈星,常进. 人民长江. 2015(08)
[7]基于主成分分析和熵值法的高校科技创新能力评价[J]. 韩晓明,王金国,石照耀. 河海大学学报(哲学社会科学版). 2015(02)
[8]电力系统短期负荷预测方法研究综述[J]. 王惠中,周佳,刘轲. 电气自动化. 2015(01)
[9]短期电力负荷预测影响因素分析与研究[J]. 雷水平,王超胜,崔景顺. 硅谷. 2014(21)
[10]基于Savitzky-Golay算法的曲线平滑去噪[J]. 雷林平. 电脑与信息技术. 2014(05)
硕士论文
[1]基于深度学习的气象预测研究[D]. 杨函.哈尔滨工业大学 2017
[2]高速公路短时交通流预测算法研究[D]. 宋迪.浙江工业大学 2016
[3]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
[4]基于数据挖掘技术的南京地区短期电力负荷预测方法研究[D]. 赵洋.华北电力大学 2016
[5]改进的小波神经网络结构优化算法及其应用研究[D]. 李云.西南大学 2016
[6]基于RNN的发电机组排放预测及发电调度研究[D]. 杨训政.中国科学技术大学 2016
[7]基于小波分析的电力系统短期负荷预测的应用研究[D]. 贾辛淼.沈阳工业大学 2016
[8]基于数据挖掘技术的短期负荷预测[D]. 毕圣.北京交通大学 2016
[9]基于数据挖掘的短期电力负荷预测[D]. 石雪.华南理工大学 2014
[10]基于遗传算法优化灰色神经网络的浙江省公路客运量预测模型[D]. 林勤.华中师范大学 2013
本文编号：3144605
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3144605.html
教材专著
