基于EEMD和CCLSTM组合模型的电力负荷预测的研究
发布时间：2021-11-02 12:10
随着我国的经济实力逐渐增强,电能已经成为人类生活中不可替代无法或缺的重要部分,电力供应中出现的故障或者中断轻则影响人们的生活,重则导致不可挽回的重大生命财产或国家级别的损失,所以电力系统的可靠性极为重要。电力预测在电能管理系统中起着举足轻重的作用,它对电力系统的运行、控制和规划有重要的指导意义。如果缺少预测或者预测不到位,在固定的发电周期内会增加大量的运行和维护的成本。所以为电力系统建立准确的短期负荷预测模型,将成为了国家能源管理战略的关键因素。在电力负荷预测过程当中,由于各种影响因素的存在,会导致负荷数据序列的波动和不稳定。针对这个问题,本文提出了一种将集合经验模态分解（EEMD）和最小冗余-最大相关（mRMR）相结合的数据预处理方法。将原始负荷数据序列分解为若干个固有模态函数和一个不同频率的残差,以减弱复杂因素对数据序列的影响。然后再利用mRMR进行相关性分析,计算出各个IMF与特征信息（日类型、温度、气象条件等）之间的关联性,最终得到最佳特征集。近年来,基于循环神经网络（RNN）的模型和长短期记忆网络（LSTM）在电力负荷预测中取得了良好的效果,现有的预测模型没有使用全部的隐藏层...
【文章来源】：兰州理工大学甘肃省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
015年8月1日至8月7日的甘肃省电力总负荷曲线
全日制工程硕士学位论文9图2.22015年8月甘肃省连续四周负荷曲线（2）随机性一些人为或者自然的原因导致的电力负荷的变化是不可避免的，数据越多这种情况发生的几率越大，并且这样的情况我们根本无法预测。对于电力负荷随机性产生的数据我们要对其进行处理，处理的方法一般从两个方面入手，一种是要对缺失数据进行修补，常用的方法是通过拟合函数进行回归分析或者采用自回归模型；另一方面是要对异常数据进行辨识与修改，一般是由于突发情况仪表故障等产生的，这种情况我们需要提前假定一个阈值，检测出异常数据后金进行剔除，在运用缺失数据的修补进行填充。对于一些随机的噪声我们将在下一章进行详细的介绍与处理。（3）波动性用户的用电量、用电时间和用电频率是随着用户生产生活的变化而变化，温度、湿度、风速、节假日、作息规律等都会影响一个周期内的负荷变化情况，所以负荷值不会保持在一个固定的值，是实时变化的量，如上图所示，负荷的波动性显而易见，本文所研究的就是在负荷的不断波动中找到相关的规律指导有关部门的生产生活。2.3影响电力负荷的因素上一节我们介绍了电力负荷的分类和特性，研究分类和特性的目的是了解电力负荷的大概走势，让我们对电力负荷有一个初步的了解。对于电力负荷的变化并不是一成不变的，影响电力负荷变化的因素各种各样，这里我们将其分为以下几类，如表2.2所示。包括天气的变化、季节的变化、用户生产生活的作息。天气的变化包括温度、湿度、风速、雨雪天气等；季节的变化会影响人们用电设备的使用情况；用户的生产生活作息只要包括节假日，工作的时间，工作的地点，用户的情况等等。我们分析这些影响因素的目的是为了使我们后期的负荷预测正价接近实际，更加准确。
基于EEMD和CCLSTM组合模型的电力负荷预测的研究12第3章负荷原始数据处理方法的研究3.1引言电力负荷是一种特殊的时间序列，我们在数据处理方面面对的挑战是其具有的非线性、波动性和相似性等特点。因此，为了得到理想的预测结果，在数据进入模型的训练过程之前，我们需要对电力负荷的原始数据进行处理与分析。目前，对分析非线性序列表现较好的四种数据处理方式分别是小波分解、经验模态分解(EmpiricalModeDecomposition，EMD)、集合经验模态分解（EnsembleEmpiricalModeDecomposition，EEMD）[29]。本章我们将对这三种方法进行对比分析，挑选出对电力负荷数据最为敏感与可靠的方法来对电力负荷原始数据进行分解。最后我们提出了最大相关-最小冗余（Max-RelevanceandMin-Redundancy，mRMR）用来随分解后的结果进行最佳特征的提取，来方便后期的预测工作。3.2负荷原始数据处理方法的对比与分析3.2.1小波分解的原理及与频谱分析自然界中大量的信号基本都是非平稳性信号，完全的平稳信号几乎不存在，电力负荷数据就是很典型的非平稳信号。说到信号的分析与分解，我们首先想到的是傅里叶变换（FourierTranformation）。傅里叶变换是将信号波形分解成不同频率的正弦波[30]，但是傅里叶变换处理非平稳信号具有天生的缺陷，它只能获取一段信号总体上包含哪些频率的成分，但是对各成分出现的时刻并无所知，即失去了时间特性[31]。因此时域相差很大的两个信号，可能频谱图一样，所以我们提出了小波分解来弥补傅里叶变换的局限性。小波分解顾名思义就是取一个时间序列中的一段小波，其原理如图3.1所示，表达式如公式（3.1）（3.2）所示。图3.1小波分解的示意图
【参考文献】：
期刊论文
[1]基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 赵兵,王增平,纪维佳,高欣,李晓兵. 电网技术. 2019(12)
[2]计及风电功率不确定性的电力系统输电可靠性裕度快速评估[J]. 李锴,党杰,孙鑫,杨丹,艾东平,马世俊. 电网技术. 2019(09)
[3]基于相关性分析和长短期记忆网络分位数回归的短期公共楼宇负荷概率密度预测[J]. 杨秀,陈斌超,朱兰,方陈. 电网技术. 2019(09)
[4]基于智能相似日识别及偏差校正的短期负荷预测方法[J]. 刘翊枫,周国鹏,刘昕,汪洋,郑宇鹏,邵立政. 电力系统保护与控制. 2019(12)
[5]考虑多影响因素的关键输电线路辨识[J]. 朱大锐,王睿,段建东,陈鲁鹏,薛冰,程文姬. 中国电机工程学报. 2019(20)
[6]基于Spark和梯度提升树模型的短期负荷预测[J]. 许贤泽,刘静,施元,谭盛煌. 华中科技大学学报(自然科学版). 2019(05)
[7]基于LSTM网络的短期负荷预测[J]. 陈洪波,王璨,徐斌,丁津津,张倩,马愿. 电工技术. 2019(09)
[8]考虑天然气和电负荷之间相关性的短期电负荷预测[J]. 朱瑞金,郭威麟,龚雪娇. 电力系统及其自动化学报. 2019(08)
[9]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱. 电网技术. 2019(06)
[10]自编码器与PSOA-CNN结合的短期负荷预测模型[J]. 王文卿,撖奥洋,于立涛,张智晟. 山东大学学报(理学版). 2019(07)
硕士论文
[1]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[D]. 金樑.吉林大学 2018
[2]基于改进蛙跳算法的小波神经网络短期电力负荷预测研究[D]. 牛凡超.西南交通大学 2017
[3]计及需求响应的用户侧光伏微电网储能配置方法[D]. 周楠.华北电力大学(北京) 2017
[4]新型输配电电网建设及新能源微电网并网研究[D]. 胡春磊.华北电力大学(北京) 2017
[5]基于BP神经网络的电力负荷中长期预测[D]. 朱晓露.华北电力大学(北京) 2017
[6]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
[7]基于神经网络的短期负荷预测方法研究[D]. 刘文博.浙江大学 2017
[8]深圳市电力需求分析与预测研究[D]. 王茂月.华北电力大学(北京) 2017
[9]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
[10]用电负荷谐波特性及仿真技术研究[D]. 徐卓.东南大学 2016
本文编号：3471957
【文章来源】：兰州理工大学甘肃省
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
015年8月1日至8月7日的甘肃省电力总负荷曲线
全日制工程硕士学位论文9图2.22015年8月甘肃省连续四周负荷曲线（2）随机性一些人为或者自然的原因导致的电力负荷的变化是不可避免的，数据越多这种情况发生的几率越大，并且这样的情况我们根本无法预测。对于电力负荷随机性产生的数据我们要对其进行处理，处理的方法一般从两个方面入手，一种是要对缺失数据进行修补，常用的方法是通过拟合函数进行回归分析或者采用自回归模型；另一方面是要对异常数据进行辨识与修改，一般是由于突发情况仪表故障等产生的，这种情况我们需要提前假定一个阈值，检测出异常数据后金进行剔除，在运用缺失数据的修补进行填充。对于一些随机的噪声我们将在下一章进行详细的介绍与处理。（3）波动性用户的用电量、用电时间和用电频率是随着用户生产生活的变化而变化，温度、湿度、风速、节假日、作息规律等都会影响一个周期内的负荷变化情况，所以负荷值不会保持在一个固定的值，是实时变化的量，如上图所示，负荷的波动性显而易见，本文所研究的就是在负荷的不断波动中找到相关的规律指导有关部门的生产生活。2.3影响电力负荷的因素上一节我们介绍了电力负荷的分类和特性，研究分类和特性的目的是了解电力负荷的大概走势，让我们对电力负荷有一个初步的了解。对于电力负荷的变化并不是一成不变的，影响电力负荷变化的因素各种各样，这里我们将其分为以下几类，如表2.2所示。包括天气的变化、季节的变化、用户生产生活的作息。天气的变化包括温度、湿度、风速、雨雪天气等；季节的变化会影响人们用电设备的使用情况；用户的生产生活作息只要包括节假日，工作的时间，工作的地点，用户的情况等等。我们分析这些影响因素的目的是为了使我们后期的负荷预测正价接近实际，更加准确。
基于EEMD和CCLSTM组合模型的电力负荷预测的研究12第3章负荷原始数据处理方法的研究3.1引言电力负荷是一种特殊的时间序列，我们在数据处理方面面对的挑战是其具有的非线性、波动性和相似性等特点。因此，为了得到理想的预测结果，在数据进入模型的训练过程之前，我们需要对电力负荷的原始数据进行处理与分析。目前，对分析非线性序列表现较好的四种数据处理方式分别是小波分解、经验模态分解(EmpiricalModeDecomposition，EMD)、集合经验模态分解（EnsembleEmpiricalModeDecomposition，EEMD）[29]。本章我们将对这三种方法进行对比分析，挑选出对电力负荷数据最为敏感与可靠的方法来对电力负荷原始数据进行分解。最后我们提出了最大相关-最小冗余（Max-RelevanceandMin-Redundancy，mRMR）用来随分解后的结果进行最佳特征的提取，来方便后期的预测工作。3.2负荷原始数据处理方法的对比与分析3.2.1小波分解的原理及与频谱分析自然界中大量的信号基本都是非平稳性信号，完全的平稳信号几乎不存在，电力负荷数据就是很典型的非平稳信号。说到信号的分析与分解，我们首先想到的是傅里叶变换（FourierTranformation）。傅里叶变换是将信号波形分解成不同频率的正弦波[30]，但是傅里叶变换处理非平稳信号具有天生的缺陷，它只能获取一段信号总体上包含哪些频率的成分，但是对各成分出现的时刻并无所知，即失去了时间特性[31]。因此时域相差很大的两个信号，可能频谱图一样，所以我们提出了小波分解来弥补傅里叶变换的局限性。小波分解顾名思义就是取一个时间序列中的一段小波，其原理如图3.1所示，表达式如公式（3.1）（3.2）所示。图3.1小波分解的示意图
【参考文献】：
期刊论文
[1]基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 赵兵,王增平,纪维佳,高欣,李晓兵. 电网技术. 2019(12)
[2]计及风电功率不确定性的电力系统输电可靠性裕度快速评估[J]. 李锴,党杰,孙鑫,杨丹,艾东平,马世俊. 电网技术. 2019(09)
[3]基于相关性分析和长短期记忆网络分位数回归的短期公共楼宇负荷概率密度预测[J]. 杨秀,陈斌超,朱兰,方陈. 电网技术. 2019(09)
[4]基于智能相似日识别及偏差校正的短期负荷预测方法[J]. 刘翊枫,周国鹏,刘昕,汪洋,郑宇鹏,邵立政. 电力系统保护与控制. 2019(12)
[5]考虑多影响因素的关键输电线路辨识[J]. 朱大锐,王睿,段建东,陈鲁鹏,薛冰,程文姬. 中国电机工程学报. 2019(20)
[6]基于Spark和梯度提升树模型的短期负荷预测[J]. 许贤泽,刘静,施元,谭盛煌. 华中科技大学学报(自然科学版). 2019(05)
[7]基于LSTM网络的短期负荷预测[J]. 陈洪波,王璨,徐斌,丁津津,张倩,马愿. 电工技术. 2019(09)
[8]考虑天然气和电负荷之间相关性的短期电负荷预测[J]. 朱瑞金,郭威麟,龚雪娇. 电力系统及其自动化学报. 2019(08)
[9]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱. 电网技术. 2019(06)
[10]自编码器与PSOA-CNN结合的短期负荷预测模型[J]. 王文卿,撖奥洋,于立涛,张智晟. 山东大学学报(理学版). 2019(07)
硕士论文
[1]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[D]. 金樑.吉林大学 2018
[2]基于改进蛙跳算法的小波神经网络短期电力负荷预测研究[D]. 牛凡超.西南交通大学 2017
[3]计及需求响应的用户侧光伏微电网储能配置方法[D]. 周楠.华北电力大学(北京) 2017
[4]新型输配电电网建设及新能源微电网并网研究[D]. 胡春磊.华北电力大学(北京) 2017
[5]基于BP神经网络的电力负荷中长期预测[D]. 朱晓露.华北电力大学(北京) 2017
[6]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
[7]基于神经网络的短期负荷预测方法研究[D]. 刘文博.浙江大学 2017
[8]深圳市电力需求分析与预测研究[D]. 王茂月.华北电力大学(北京) 2017
[9]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
[10]用电负荷谐波特性及仿真技术研究[D]. 徐卓.东南大学 2016
本文编号：3471957
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3471957.html
