發(fā)布時(shí)間：2018-03-08 04:03

  本文選題：短期負(fù)荷預(yù)測　切入點(diǎn)：電力負(fù)荷　出處：《鄭州大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：負(fù)荷預(yù)測是電力系統(tǒng)安全運(yùn)行的基礎(chǔ)和前提,也是電力部門安排調(diào)度計(jì)劃、供電計(jì)劃的重要依據(jù)�；陔娏Σ块T的市場化運(yùn)行和日新月異的電力負(fù)荷需要,使得對短期負(fù)荷的預(yù)測性能提出了更高的要求。近年來在預(yù)測方向有優(yōu)越表現(xiàn)的支持向量機(jī)(Support Vector Machine,SVM)與隨機(jī)森林回歸(Random Forest Regression,RFR)是兩種開源算法,針對這兩種算法,不同學(xué)者對它們預(yù)測優(yōu)越性的比較存在很大爭議,所以針對該爭議本文對這兩種算法的特點(diǎn)和預(yù)測性能進(jìn)行了全面的分析,并提出自己的觀點(diǎn)。本文首先介紹了有關(guān)短期負(fù)荷預(yù)測研究意義和目的,在對研究現(xiàn)狀的闡述中,簡單介紹了目前常用的一些短期負(fù)荷預(yù)測算法的原理和優(yōu)缺點(diǎn)。其次在介紹負(fù)荷影響因素與特點(diǎn)中結(jié)合紐約市電力負(fù)荷信息進(jìn)行了實(shí)例分析,得出電力負(fù)荷的周期性規(guī)律并將之應(yīng)用在實(shí)際的預(yù)測中。然后對隨機(jī)森林起源和算法原理進(jìn)行了詳細(xì)闡述,在特征變量重要性分析和相關(guān)性的分析中對實(shí)例分析做了前期準(zhǔn)備工作。最后在實(shí)例分析中利用紐約市電力負(fù)荷和天氣信息等數(shù)據(jù),將RFR在短期負(fù)荷預(yù)測領(lǐng)域進(jìn)行實(shí)例應(yīng)用,并在預(yù)測性能的分析中與SVM算法進(jìn)行全方位的綜合比較,同時(shí)也提出自己的結(jié)論:RFR在短期負(fù)荷預(yù)測中預(yù)測精準(zhǔn)度較高,泛化性能較好;在與SVM的預(yù)測性能比較中不能簡單的一概而論,要結(jié)合訓(xùn)練樣本量、特征變量還有待預(yù)測日所處時(shí)間點(diǎn)的不同進(jìn)行具體分析。通過本文的研究,詳細(xì)的了解了基于隨機(jī)森林回歸算法的短期負(fù)荷預(yù)測,并且在之后對于RFR與SVM預(yù)測算法的比較中起了基礎(chǔ)指導(dǎo)作用。
[Abstract]:Load forecasting is the foundation and premise of the safe operation of power system, and it is also the important basis for the power department to arrange the dispatch plan and the power supply plan. In recent years, support Vector Machine (SVM) and Stochastic Forest regression Random Forest Regeneration (RFR) are two kinds of open source algorithms. There are many controversies among different scholars on the comparison of their prediction superiority, so this paper makes a comprehensive analysis of the characteristics and prediction performance of the two algorithms. In this paper, the significance and purpose of short-term load forecasting are introduced. This paper briefly introduces the principle, advantages and disadvantages of some short-term load forecasting algorithms which are commonly used at present. The periodic law of electric load is obtained and applied to actual forecasting. Then the origin of stochastic forest and the principle of algorithm are expounded in detail. In the analysis of the importance of the characteristic variables and the analysis of the correlation, the preparatory work for the case analysis is made. Finally, the RFR is applied in the field of short-term load forecasting by using the data of electricity load and weather information of New York City in the case analysis. At the same time, compared with SVM algorithm comprehensively, we also put forward the conclusion that the accuracy of forecasting is higher and the generalization performance is better in short-term load forecasting. In comparison with the prediction performance of SVM, it is not easy to generalize. In order to combine the training sample size, the characteristic variables need to be analyzed concretely by the time points of the predicted day. The short-term load forecasting based on stochastic forest regression algorithm is understood in detail, and it plays a basic role in guiding the comparison between RFR and SVM prediction algorithm.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TM715;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉詠梅;;電力系統(tǒng)短期負(fù)荷預(yù)測方法與預(yù)測精度[J];電子技術(shù)與軟件工程;2016年24期

2 余坤勇;姚雄;邱祈榮;劉健;;基于隨機(jī)森林模型的山體滑坡空間預(yù)測研究[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);2016年10期

3 王小君;畢圣;徐云濵;孫月嘉;;基于數(shù)據(jù)挖掘技術(shù)和支持向量機(jī)的短期負(fù)荷預(yù)測[J];電測與儀表;2016年10期

4 吳瀟雨;和敬涵;張沛;胡駿;;基于灰色投影改進(jìn)隨機(jī)森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測[J];電力系統(tǒng)自動化;2015年12期

5 王德文;孫志偉;;電力用戶側(cè)大數(shù)據(jù)分析與并行負(fù)荷預(yù)測[J];中國電機(jī)工程學(xué)報(bào);2015年03期

6 湯慶峰;劉念;張建華;于壯壯;張清鑫;雷金勇;;基于EMD-KELM-EKF與參數(shù)優(yōu)選的用戶側(cè)微電網(wǎng)短期負(fù)荷預(yù)測方法[J];電網(wǎng)技術(shù);2014年10期

7 鞏亞楠;帕提麥·馬秉成;朱登浩;陸晨;路陽;王發(fā)省;;隨機(jī)森林與Logistic回歸在預(yù)約掛號失約影響因素預(yù)測中的應(yīng)用[J];現(xiàn)代預(yù)防醫(yī)學(xué);2014年05期

8 崔東文;;隨機(jī)森林回歸模型及其在污水排放量預(yù)測中的應(yīng)用[J];供水技術(shù);2014年01期

9 李欣海;;隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J];應(yīng)用昆蟲學(xué)報(bào);2013年04期

10 董師師;黃哲學(xué);;隨機(jī)森林理論淺析[J];集成技術(shù);2013年01期

相關(guān)碩士學(xué)位論文 前10條

1 畢圣;基于數(shù)據(jù)挖掘技術(shù)的短期負(fù)荷預(yù)測[D];北京交通大學(xué);2016年

2 陳科;基于模糊神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測[D];東南大學(xué);2015年

3 隋惠惠;基于BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測的研究[D];哈爾濱工業(yè)大學(xué);2015年

4 史文博;地區(qū)電網(wǎng)負(fù)荷特性分析及短期負(fù)荷預(yù)測研究[D];華南理工大學(xué);2015年

5 梁京偉;電力系統(tǒng)短期負(fù)荷預(yù)測的研究[D];山東大學(xué);2014年

6 蔡桂潮;潮州電網(wǎng)短期負(fù)荷預(yù)測研究[D];華北電力大學(xué);2014年

7 尹立;基于支持向量機(jī)的某區(qū)域電網(wǎng)電力需求的預(yù)測研究[D];北京交通大學(xué);2014年

8 石雪;基于數(shù)據(jù)挖掘的短期電力負(fù)荷預(yù)測[D];華南理工大學(xué);2014年

9 杜子冰;短期電力負(fù)荷預(yù)測方法研究[D];華北電力大學(xué);2013年

10 李小燕;考慮氣象因素的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D];華南理工大學(xué);2013年

，

本文編號：1582297