電力負(fù)荷預(yù)測對(duì)電力系統(tǒng)的調(diào)度,規(guī)劃和生產(chǎn)計(jì)劃起到了重要的作用。準(zhǔn)確的負(fù)荷預(yù)測為電力系統(tǒng)的平穩(wěn)運(yùn)行保駕護(hù)航。在實(shí)際生活中,電力負(fù)荷通常會(huì)受到多種外界因素的影響,比如社會(huì),經(jīng)濟(jì),環(huán)境以及包含水電,風(fēng)電及太陽能的可再生能源的影響。這些潛在外界影響因子及隨機(jī)因素的干擾往往使得電力負(fù)荷預(yù)測變得越來越復(fù)雜。尤其是在智能電網(wǎng)中,基于大數(shù)據(jù)環(huán)境下,如何從復(fù)雜的外界因素中高效提取出有價(jià)值的信息成為了電力負(fù)荷預(yù)測的關(guān)鍵。為了解決電力負(fù)荷預(yù)測中的高維數(shù)據(jù)問題,降低預(yù)測過程中的不確定性,本文提出了基于LASSO分位數(shù)回歸(LASSO-QR)的概率密度預(yù)測方法和基于LASSO神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸(LASSO-QRNN)的概率密度預(yù)測方法。首先,利用LASSO回歸算法從電力負(fù)荷預(yù)測潛在的影響因子中篩選出重要的解釋變量,建立LASSO-QR模型和LASSO-QRNN模型。接著結(jié)合核密度估計(jì)方法,進(jìn)行電力負(fù)荷概率密度預(yù)測。預(yù)測結(jié)果不僅可以得到未來負(fù)荷完整的概率密度曲線,而且也得到了未來負(fù)荷較準(zhǔn)確的預(yù)測值和波動(dòng)范圍。為驗(yàn)證本文提出方法的有效性,從統(tǒng)計(jì)學(xué)的角度出發(fā),本文對(duì)概率密度曲線的概率均值、中位數(shù)和眾數(shù)上得到的點(diǎn)預(yù)測結(jié)果進(jìn)行評(píng)估,同時(shí)運(yùn)用相關(guān)預(yù)測區(qū)間評(píng)價(jià)準(zhǔn)則對(duì)預(yù)測區(qū)間進(jìn)行評(píng)價(jià)。本文主要提出基于LASSO-QR的概率密度預(yù)測方法進(jìn)行短期和中期電力負(fù)荷預(yù)測,提出基于LASSO-QRNN的概率密度預(yù)測方法進(jìn)行電力消費(fèi)預(yù)測。在預(yù)測過程中,均充分考慮外界影響因素挑選出重要的影響因子來構(gòu)建合適的數(shù)學(xué)模型。本文采用五個(gè)案例進(jìn)行仿真實(shí)驗(yàn),包含:加拿大安大略省冬季和夏季短期電力負(fù)荷預(yù)測,中國東部某副省級(jí)市的中期電力負(fù)荷預(yù)測、中國廣東省電力消費(fèi)預(yù)測及美國加利福尼亞州電力消費(fèi)預(yù)測。通過與其他先進(jìn)方法的對(duì)比實(shí)驗(yàn),進(jìn)一步表明本文提出的概率密度預(yù)測方法可以顯著降低預(yù)測過程中的不確定性,提高電力負(fù)荷預(yù)測的準(zhǔn)確性。在科學(xué)性的基礎(chǔ)上,本文提出的方法不僅能滿足電力系統(tǒng)決策人員的要求,避免重大的經(jīng)濟(jì)損失,而且也為解決大數(shù)據(jù)環(huán)境下負(fù)荷預(yù)測問題尋找到一個(gè)有效途徑,具有重要的實(shí)際意義。
【學(xué)位單位】：合肥工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：F416.61;TM715
【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 電力負(fù)荷預(yù)測研究現(xiàn)狀
        1.2.2 概率性預(yù)測（概率性區(qū)間預(yù)測、概率密度預(yù)測）
        1.2.3 基于大數(shù)據(jù)分析的預(yù)測方法研究
    1.3 研究思路和研究方法
        1.3.1 研究思路
        1.3.2 研究方法
    1.4 創(chuàng)新點(diǎn)及全文結(jié)構(gòu)安排
        1.4.1 創(chuàng)新點(diǎn)
        1.4.2 結(jié)構(gòu)安排
第二章 相關(guān)理論概述
    2.1 LASSO回歸
        2.1.1 模型表示
        2.1.2 模型求解及參數(shù)估計(jì)
    2.2 分位數(shù)回歸
        2.2.1 模型表示
        2.2.2 參數(shù)估計(jì)
    2.3 神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸
第三章 考慮風(fēng)電影響的短期電力負(fù)荷概率密度預(yù)測研究
    3.1 考慮風(fēng)電因素的LASSO分位數(shù)回歸模型
    3.2 考慮風(fēng)電因素的基于LASSO分位數(shù)回歸的概率密度預(yù)測
    3.3 算例分析
        3.3.1 評(píng)價(jià)準(zhǔn)則
        3.3.2 案例描述
        3.3.3 加拿大安大略省2017 年冬季案例分析
        3.3.4 加拿大安大略省2017 年夏季案例分析
第四章 基于LASSO分位數(shù)回歸的中期電力負(fù)荷概率密度預(yù)測
    4.1 基于LASSO分位數(shù)回歸模型
    4.2 基于LASSO分位數(shù)回歸的中期電力負(fù)荷概率密度
    4.3 算例分析
        4.3.1 算例描述
        4.3.2 概率密度預(yù)測結(jié)果分析
第五章 基于LASSO神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的電力消費(fèi)概率密度預(yù)測
    5.1 基于LASSO神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型
    5.2 基于核密度估計(jì)的LASSO-QRNN概率密度預(yù)測方法
    5.3 算例分析
        5.3.1 評(píng)價(jià)準(zhǔn)則
        5.3.2 中國廣東省電力消費(fèi)預(yù)測案例分析
        5.3.3 美國加利福尼亞電力消費(fèi)預(yù)測案例分析
第六章 總結(jié)與展望
    6.1 主要研究工作及解決的實(shí)際問題
    6.2 研究工作不足及展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 崔和瑞;彭旭;;基于ARIMAX模型的夏季短期電力負(fù)荷預(yù)測[J];電力系統(tǒng)保護(hù)與控制;2015年04期

2 張素香;趙丙鎮(zhèn);王風(fēng)雨;張東;;海量數(shù)據(jù)下的電力負(fù)荷短期預(yù)測[J];中國電機(jī)工程學(xué)報(bào);2015年01期

3 何耀耀;聞才喜;許啟發(fā);撖奧洋;;考慮溫度因素的中期電力負(fù)荷概率密度預(yù)測方法[J];電網(wǎng)技術(shù);2015年01期

4 劉濤雄;徐曉飛;;大數(shù)據(jù)與宏觀經(jīng)濟(jì)分析研究綜述[J];國外理論動(dòng)態(tài);2015年01期

5 何耀耀;許啟發(fā);楊善林;余本功;;基于RBF神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸的電力負(fù)荷概率密度預(yù)測方法[J];中國電機(jī)工程學(xué)報(bào);2013年01期

6 鄭高;肖建;;基于區(qū)間二型模糊邏輯的電力負(fù)荷預(yù)測研究[J];電機(jī)與控制學(xué)報(bào);2012年09期

7 許啟發(fā);蔣翠俠;;分位數(shù)局部調(diào)整模型及應(yīng)用[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2011年08期

8 周湶;任海軍;李健;張昀;周永勇;孫才新;鄧景云;;層次結(jié)構(gòu)下的中長期電力負(fù)荷變權(quán)組合預(yù)測方法[J];中國電機(jī)工程學(xué)報(bào);2010年16期

9 周建中;張亞超;李清清;郭俊;;基于動(dòng)態(tài)自適應(yīng)徑向基函數(shù)網(wǎng)絡(luò)的概率性短期負(fù)荷預(yù)測[J];電網(wǎng)技術(shù);2010年03期

10 劉東;李莉;;小波神經(jīng)網(wǎng)絡(luò)嵌入專家系統(tǒng)的短期電力負(fù)荷預(yù)測[J];陜西電力;2009年10期

本文編號(hào)：2858675