SVM与神经网络的组合模型在短期电力负荷预测中的应用研究
发布时间：2021-11-18 19:27
随着我国电力事业蓬勃发展,用户用电情况愈发复杂,准确电力负荷预测精度更加难以保证,同时可再生能源发电的并网使得提升负荷预测精度成为一个亟待解决的问题。目前常规预测方法的应用场景往往较为单一,数据规模对算法影响较大,且智能程度有待提升。为此,本文设计了一种组合短期电力负荷预测模型,算法模型组合了基于支持向量机（SVM）预测方法及基于长短记忆神经网络（LSTM）预测方法,利用BP神经网络组合吸收二种算法优点,最终实现模型预测精度高于组合前算法。首先,本文列举短期电力负荷预测常用算法,分析各个算法适应场景及其优缺点;阐述本文使用的支持向量机、神经网络等模型的原理,并针对电力负荷预测需求提出对算法模型的优化方式。其次,设计了融合多个算法的组合模型,提出了组合算法思想并设计了组合框架,分别阐述组合模型各部分的搭建及优化手段;设计了使用自组织神经网络及孤异森林的数据处理流程,并采用这一手段对数据进行了预处理;搭建了算法的训练网络,确定了组合神经网络参数。第三,采用大数据技术,设计了基于HDFS、HBase的电力负荷数据库,可实现非结构化文件类型的电力负荷数据、键-值对形式的负荷数据的存储管理,以及...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 选题背景及意义
1.2 国内外预测算法研究现状
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3 本文主要工作与章节安排
1.4 本章小结
第2章 短期电力负荷预测方法
2.1 常见短期电力负荷预测方法对比
2.1.1 经典电力负荷预测方法
2.1.2 现代电力负荷预测方法
2.2 支持向量机电力负荷预测模型
2.2.1 支持向量机理论概述
2.2.2 最小二乘支持向量机模型
2.2.3 粒子群优化算法
2.3 神经网络电力负荷预测模型
2.3.1 BP神经网络模型
2.3.2 LSTM神经网络模型
2.4 本章小结
第3章 组合预测模型构建
3.1 基于权重分配的组合预测总体模型
3.2 组合预测模型的数据处理
3.2.1 负荷数据初步分类处理
3.2.2 异常负荷数据筛选及处理
3.3 组合预测模型中SVM预测模型搭建
3.4 组合预测模型中LSTM预测模型搭建
3.5 组合预测模型权重调节网络
3.6 本章小结
第4章 负荷数据预处理及数据库管理系统构建
4.1 电力负荷特性分析
4.1.1 短期负荷组成特性
4.1.2 典型负荷特性
4.2 负荷大数据管理系统设计
4.2.1 基于HDFS的文件数据库
4.2.2 基于HBase的历史负荷数据库
4.3 本章小结
第5章 负荷实例预测与分析
5.1 模型误差评价指标
5.2 支持向量机方法预测结果
5.3 LSTM方法预测结果
5.4 组合模型预测结果
5.5 本章小结
第6章 总结与展望
6.1 本文工作总结
6.2 下一步工作计划
参考文献
作者简介及在学期间所取得的科研成果
致谢
【参考文献】：
期刊论文
[1]趋势外推法在连江县电力负荷预测中的应用[J]. 谢辉煌,郑荣进,黄晓生. 电气时代. 2017(06)
[2]深度学习框架下LSTM网络在短期电力负荷预测中的应用[J]. 陈亮,王震,王刚. 电力信息与通信技术. 2017(05)
[3]电力负荷趋势外推预测算例分析与模型检验[J]. 夏昌浩,曹瑾,张密,吴奇云. 中国科技信息. 2016(21)
[4]基于LSTM的发电机组污染物排放预测研究[J]. 杨训政,柯余洋,梁肖,熊焰. 电气自动化. 2016(05)
[5]基于改进PSO-LSSVM的短期电力负荷预测[J]. 马小津,朱博,戴琳,张伟,陈熙. 自动化技术与应用. 2016(03)
[6]基于Hadoop的用电信息大数据计算服务及应用[J]. 王相伟,史玉良,张建林,梁波,程翠萍. 电网技术. 2015(11)
[7]基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测[J]. 李霄,王昕,郑益慧,李立学,生西奎,吴昊. 电力系统保护与控制. 2015(11)
[8]基于小波变换的风电场短期风速组合预测[J]. 田中大,李树江,王艳红,高宪文. 电工技术学报. 2015(09)
[9]基于人工神经网络的负荷模型预测[J]. 李龙,魏靖,黎灿兵,曹一家,宋军英,方八零. 电工技术学报. 2015(08)
[10]考虑气温因素的负荷特性统计指标关联特征数据挖掘[J]. 马瑞,周谢,彭舟,刘道新,徐慧明,王军,王熙亮. 中国电机工程学报. 2015(01)
博士论文
[1]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
硕士论文
[1]基于数据挖掘的用电数据异常的分析与研究[D]. 张荣昌.北京交通大学 2017
[2]基于Hadoop的地震数据处理方法[D]. 王鑫.吉林大学 2017
[3]Hadoop架构下海量空间数据存储与管理[D]. 李庆君.武汉大学 2017
[4]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[5]基于SOM的滚动轴承故障状态识别方法的研究[D]. 冯睿智.沈阳理工大学 2017
[6]电力负荷特性分析及短期负荷预测系统的研发[D]. 于浩祺.湖南大学 2016
[7]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[8]基于最小二乘支持向量机的短期负荷预测[D]. 龚文龙.湖南大学 2014
[9]电力负荷特性指标及其内在关联性分析[D]. 周谢.长沙理工大学 2013
[10]基于量子粒子群的支持向量机算法的研究与应用[D]. 张同心.浙江大学 2013
本文编号：3503477
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 选题背景及意义
1.2 国内外预测算法研究现状
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3 本文主要工作与章节安排
1.4 本章小结
第2章 短期电力负荷预测方法
2.1 常见短期电力负荷预测方法对比
2.1.1 经典电力负荷预测方法
2.1.2 现代电力负荷预测方法
2.2 支持向量机电力负荷预测模型
2.2.1 支持向量机理论概述
2.2.2 最小二乘支持向量机模型
2.2.3 粒子群优化算法
2.3 神经网络电力负荷预测模型
2.3.1 BP神经网络模型
2.3.2 LSTM神经网络模型
2.4 本章小结
第3章 组合预测模型构建
3.1 基于权重分配的组合预测总体模型
3.2 组合预测模型的数据处理
3.2.1 负荷数据初步分类处理
3.2.2 异常负荷数据筛选及处理
3.3 组合预测模型中SVM预测模型搭建
3.4 组合预测模型中LSTM预测模型搭建
3.5 组合预测模型权重调节网络
3.6 本章小结
第4章 负荷数据预处理及数据库管理系统构建
4.1 电力负荷特性分析
4.1.1 短期负荷组成特性
4.1.2 典型负荷特性
4.2 负荷大数据管理系统设计
4.2.1 基于HDFS的文件数据库
4.2.2 基于HBase的历史负荷数据库
4.3 本章小结
第5章 负荷实例预测与分析
5.1 模型误差评价指标
5.2 支持向量机方法预测结果
5.3 LSTM方法预测结果
5.4 组合模型预测结果
5.5 本章小结
第6章 总结与展望
6.1 本文工作总结
6.2 下一步工作计划
参考文献
作者简介及在学期间所取得的科研成果
致谢
【参考文献】：
期刊论文
[1]趋势外推法在连江县电力负荷预测中的应用[J]. 谢辉煌,郑荣进,黄晓生. 电气时代. 2017(06)
[2]深度学习框架下LSTM网络在短期电力负荷预测中的应用[J]. 陈亮,王震,王刚. 电力信息与通信技术. 2017(05)
[3]电力负荷趋势外推预测算例分析与模型检验[J]. 夏昌浩,曹瑾,张密,吴奇云. 中国科技信息. 2016(21)
[4]基于LSTM的发电机组污染物排放预测研究[J]. 杨训政,柯余洋,梁肖,熊焰. 电气自动化. 2016(05)
[5]基于改进PSO-LSSVM的短期电力负荷预测[J]. 马小津,朱博,戴琳,张伟,陈熙. 自动化技术与应用. 2016(03)
[6]基于Hadoop的用电信息大数据计算服务及应用[J]. 王相伟,史玉良,张建林,梁波,程翠萍. 电网技术. 2015(11)
[7]基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测[J]. 李霄,王昕,郑益慧,李立学,生西奎,吴昊. 电力系统保护与控制. 2015(11)
[8]基于小波变换的风电场短期风速组合预测[J]. 田中大,李树江,王艳红,高宪文. 电工技术学报. 2015(09)
[9]基于人工神经网络的负荷模型预测[J]. 李龙,魏靖,黎灿兵,曹一家,宋军英,方八零. 电工技术学报. 2015(08)
[10]考虑气温因素的负荷特性统计指标关联特征数据挖掘[J]. 马瑞,周谢,彭舟,刘道新,徐慧明,王军,王熙亮. 中国电机工程学报. 2015(01)
博士论文
[1]组合预测方法及其应用研究[D]. 马涛.兰州大学 2017
硕士论文
[1]基于数据挖掘的用电数据异常的分析与研究[D]. 张荣昌.北京交通大学 2017
[2]基于Hadoop的地震数据处理方法[D]. 王鑫.吉林大学 2017
[3]Hadoop架构下海量空间数据存储与管理[D]. 李庆君.武汉大学 2017
[4]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[5]基于SOM的滚动轴承故障状态识别方法的研究[D]. 冯睿智.沈阳理工大学 2017
[6]电力负荷特性分析及短期负荷预测系统的研发[D]. 于浩祺.湖南大学 2016
[7]基于LSTM神经网络的美股股指价格趋势预测模型的研究[D]. 孙瑞奇.首都经济贸易大学 2016
[8]基于最小二乘支持向量机的短期负荷预测[D]. 龚文龙.湖南大学 2014
[9]电力负荷特性指标及其内在关联性分析[D]. 周谢.长沙理工大学 2013
[10]基于量子粒子群的支持向量机算法的研究与应用[D]. 张同心.浙江大学 2013
本文编号：3503477
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3503477.html
