基于混合数据驱动模型的多尺度电力能耗预测方法研究

发布时间：2023-11-11 17:18

　　能源结构的重大变革和环保政策力度的不断加强,对能源行业发展提出了巨大的挑战。电能作为二次能源,在我国的现代化进程中扮演着不可或缺的角色。准确有效的电力能耗预测,对合理分配电力资源,防止电能浪费具有重要的现实意义。数据驱动模型由于其易用性和寻优适应性,近年来广泛应用于各类能耗预测场景。其中,基于人工神经网络(ANN)的预测模型在解决电力负荷预测方面最受欢迎。本文将智能算法与人工神经网络模型相结合,进行混合数据驱动模型的多尺度电力能耗预测方法研究。具体研究内容包括:(1)以人工神经网络为基础,结合数据分析与预处理方法,提出利用数据驱动模型进行电力能耗预测的基本流程及方法。首先对原始输入变量数据按照特点选取水平处理方法或小波变换处理方法(WT)对异常点进行删除;然后补齐缺失的数据;最后用主成分分析法(PCA)对输入变量进行特征降维以降低输入冗杂度。(2)为提高神经网络的寻优性能,提出一种基于教学优化算法(TLBO)的混合建模方法。TLBO是一种新的基于群体智能的启发式算法。其基本思想是模拟“教”与“学”两个阶段。在该算法中,学生在课堂上通过教师的教学获取知识,也通过学习者之间的相互学习获取知...

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 电力能耗预测概述
        1.2.1 国内外发展现状
        1.2.2 电力能耗预测原理及特点
    1.3 用于能耗预测的数据驱动方法与模型
        1.3.1 基于人工神经网络的电力负荷预测模型
        1.3.2 混合电力负荷预测模型
    1.4 研究内容及章节安排
第二章 数据驱动的电力能耗预测基本方法
    2.1 引言
    2.2 负荷数据预处理
        2.2.1 奇异点的识别和修正处理
        2.2.2 缺失数据的填充
        2.2.3 样本数据的归一化
    2.3 负荷数据输入变量的特征降维
    2.4 神经网络
    2.5 基本数据驱动模型
    2.6 本章小结
第三章 基于智能优化算法的混合数据驱动模型方法
    3.1 引言
    3.2 微粒群算法
    3.3 遗传算法
    3.4 教学优化算法
    3.5 改进型教学优化算法
    3.6 混合数据驱动模型
        3.6.1 iTLBO-ANN电力负荷预测模型
        3.6.2 TLBO-ANN电力负荷预测模型
        3.6.3 iPSO-ANN电力负荷预测模型
        3.6.4 GA-ANN电力负荷预测模型
    3.7 本章小结
第四章 基于混合数据驱动模型的单栋建筑电力能耗预测
    4.1 引言
    4.2 数据采集
    4.3 数据预处理及负荷数据输入变量的特征降维
    4.4 预测结果比较
    4.5 本章小结
第五章 基于混合数据驱动模型的城市级电力能耗预测
    5.1 引言
    5.2 数据采集
    5.3 数据预处理及负荷数据输入变量的特征降维
    5.4 预测结果比较
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 研究展望
参考文献
致谢
攻读硕士期间取得的成果及参与的科研项目



本文编号：3862981