针对多源影响因素优化电力预测混合模型算法研究及应用

发布时间：2024-02-23 09:32

　　随着社会不断发展,电力需求随之更加迫切,同时也促使电力市场必须向前发展。为了切实保障供电需求以及削减电能资源浪费成本,这就需要制定相对合理的供电方案、电网合理规划建设等等一系列措施。这些措施的制定是需要比较可靠的参考数据作支撑,而对未来数据情况的预知可以通过电力预测获得,因此针对在多源影响因素条件下电力预测模型的研究具有一定的研究价值。在文中首先对课题研究的背景和意义进行了比较详细的阐述,而后梳理清楚课题研究所处的范畴和可能涉及到的一些相关理论技术以及几个算法模型。而后在数据处理问题上,针对数据问题选择合适的且具有针对性的处理方法。通过采用哑变量处理将外部数据转换成研究中可用的数据规格;为了消除不同属性数据之间的量纲差距,通过归一化操作使输入模型的数据统一化量纲;针对研究中的用电量数据缺失情况,提出K值最近邻均值填补方法,通过和同类方法做纵向对比发现其填补效果较好。为了削减数据序列间的差异化因素影响预测效果,且间接提高预测模型的鲁棒性,通过使用聚类方法分割原数据集,可聚成多个簇类子集。因此提出在Kmeans算法基础上针对时间序列进行优化,主要是计算距离的方法的调整,即使用动态时间规整和...

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外相关领域的研究现状
    1.3 研究内容
    1.4 论文的组织结构
第2章 相关理论技术
    2.1 数据挖掘简述
    2.2 数据处理技术
    2.3 机器学习中的回归预测模型
    2.4 模型评估
    2.5 本章小结
第3章 电力预测业务框架与数据采集和处理
    3.1 电力预测业务框架分析研究
    3.2 源数据采集
        3.2.1 直接获取
        3.2.2 间接获取
    3.3 源数据预处理
        3.3.1 哑变量处理
        3.3.2 归一化处理
        3.3.3 缺失值处理
        3.3.4 其他处理
    3.4 本章小结
第4章 基于动态时间规整的时间序列聚类研究
    4.1 关于聚类和时间序列的分析
    4.2 优化Kmeans时间序列聚类方法
        4.2.1 聚类方法思路研究
        4.2.2 加权整合动态时间规整和欧氏距离优化聚类
    4.3 Kmeans时间序列聚类的实验分析
        4.3.1 优化方法的实验仿真
        4.3.2 优化方法的评估指标
        4.3.3 对比验证不同方法的优良
    4.4 本章小结
第5章 电力预测模型整合优化
    5.1 关于电力预测模型优化的思路分析
    5.2 整合多方法优化电力预测模型
        5.2.1 针对数据构造特征方案
        5.2.2 整合方法优化模型研究
    5.3 实验应用和结果分析
        5.3.1 离散小波变换提取特征对预测效果的提升实验分析
        5.3.2 改进的Kmeans聚类方法优化预测模型的效果实验分析
        5.3.3 递归迭代过程优化预测模型的效果实验分析
    5.4 本章小结
结论
参考文献
攻读硕士学位期间所获得的研究成果
致谢



本文编号：3907396