基于模糊聚类和最小二乘支持向量机混合模型的电力预测研究

发布时间：2023-03-23 05:01

　　电力工业是经济的血液,其发展迅猛逐渐受到世界上各个国家的普遍重视。但由于电力本身的特性以及各项因素的共同作用影响,电力需求序列呈现出高度的波动性、自相关性、季节性和随机性,这成为影响世界各国电力系统安全稳定运行的关键因素。要避免电力需求序列的这些特性对各国电力系统的运行产生不良影响,要求我们必须能够准确的预测短期电力负荷需求。然而,传统的线性预测方法无法满足电力需求序列的波动性、不确定性、自相关性及随机波动性的预测要求,基于人工智能算法的许多模型容易陷入局部最优,从而使预测精度达不到我们想要的标准。因于此,本文在研究了国内外短期电力负荷预测现状的基础上,提出了一种基于数据预处理、聚类、参数优化、预测四个模块构成的组合预测模型来提高预测的精度,并通过讨论检验证明其优异性及稳定性。在数据预处理模块,本文采用集成经验模态分解技术进行处理,降低了原始数据集内噪声的影响,得到稳定的序列作为数据的准备条件。在聚类模块的部分,对多种聚类方法进行比较最终选择了模糊聚类FCM算法,将负荷曲线以天为单位对四个季节数据分别进行聚类,并在此基础上进行更深入的分析,针对聚类的结果进行用户用电行为的分析,将各季节...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 研究内容
    1.4 研究创新及不足
        1.4.1 研究创新
        1.4.2 研究不足
2 文献综述
    2.1 传统的电力负荷预测方法
    2.2 基于机器学习的电力负荷预测方法
    2.3 基于组合模型的电力负荷预测方法
    2.4 基于聚类的电力负荷预测方法
    2.5 文献评述
3 预测模型的构建
    3.1 集合经验模式分解算法
    3.2 模糊聚类算法
    3.3 差分进化算法
    3.4 最小二乘支持向量机算法
    3.5 混合模型
4 基于组合模型的负荷预测
    4.1 电力负荷数据特征及预处理
        4.1.1 原始数据的选择
        4.1.2 负荷数据预处理
    4.2 聚类处理及分析
        4.2.1 聚类的有效性检验指标
        4.2.2 聚类方法和类数的确定
        4.2.3 基于FCM聚类的季节用电行为分析
        4.2.4 聚类后预测数据选择
    4.3 预测模型评价指标
5 模型结果分析及讨论
    5.1 单一模型与混合模型结果对比
    5.2 不同优化算法模型结果对比
    5.3 不同预测算法模型结果对比
    5.4 DM检验
    5.5 稳定性检验
    5.6 确定性检验
    5.7 有效性检验
        5.7.1 精度的提高
        5.7.2 计算时间比较
6 总结与展望
    6.1 总结
    6.2 展望
附录
参考文献
后记



本文编号：3768334