【摘要】：因短期電力系統負荷具有明顯的隨機性,使得其負荷預測工作不容易找到內在發(fā)展規(guī)律,故很不容易提高短期負荷預測的準確性。因依據簡單基礎理論的傳統負荷預測沒有充分考慮影響電力系統負荷發(fā)展的關鍵性因素被研究學者們逐漸淘汰。近年來,因為國家政策的完善使得城市發(fā)展越來越規(guī)范合理,城市土地性質也越來越明確,這就為電力負荷預測提供了一個優(yōu)越的有基礎的更廣闊的研究空間。使得很多研究學者也對空間負荷預測方法進行了系統深入地研究以得到較高的短期負荷預測精度。其中短期負荷預測中發(fā)展?jié)摿︔^大的預測方法當屬最小二乘支持向量機(LS-SVM)。隨著對其研究的擴展,研究學者們對LS-SVM預測方法的探究越來越深刻�；谏羁塘私夂鸵庾R到短期負荷預測的本質理論和深刻意義,本研究論文選擇了一種優(yōu)化的LS-SVM預測模型來對短期負荷預測進行一個更深廣的研究。本文多方面綜合考慮了外部影響因素,如負荷功能區(qū)土地使用性質和天氣等。該預測模型集多種因素所校正并得以自學習適應,使其更加智能化,也更加符合實際環(huán)境,但卻使模型更加復雜且不易模擬。復雜性的提高還有各種因素的考慮使得該預測模型的魯棒性下降,使得該預測模型的穩(wěn)定性被一些影響因素破壞,故本文特別應用由各種因素下誤差得出的權系數因子修改其預測模型以提高魯棒性和穩(wěn)定性。另外,本文還為更快更準確地搭建預測模型采用了貝葉斯證據框架優(yōu)化模式。通過此模式優(yōu)化,本文預測模型更具有實用性和高效性。本文第一章先著重有條理地介紹了電力負荷預測研究原理,第二章研究了進行負荷數據采集的重要平臺-地理信息系統(GIS),而且也分析了數據前期處理對空間負荷分類分區(qū)的重要性。接下來,第三章則為構建預測模型奠定數據樣本基礎提供了理論依據。第四章則統籌考慮各種外界的影響因素,研究了一種加權處理的最小二乘支持向量機,并應用貝葉斯證據框架對其模型進行優(yōu)化。本文最后,完善了整體預測流程,并在電力GIS圖層上選取一個行政功能負荷區(qū),采用本文構建的預測模型進行為期10日的負荷預測,與優(yōu)化前模型輸出的負荷作對比,證明本文研究的優(yōu)化后預測模型的先進可靠性,具有實用價值�？稍谏鐣贤茝V以適應電力發(fā)展。
[Abstract]:It is difficult to improve the accuracy of short-term load forecasting because of the obvious randomness of short-term power system load, which makes it difficult to find the inherent development law in load forecasting work. Because the traditional load forecasting based on simple basic theory does not fully consider the key factors that affect the development of power system load, it is gradually eliminated by researchers. In recent years, because of the perfection of national policy, the urban development is more and more standardized and reasonable, and the nature of urban land is becoming more and more clear, which provides a superior and broader research space for power load forecasting. As a result, many researchers have also carried out systematic and in-depth research on spatial load forecasting methods in order to obtain higher short-term load forecasting accuracy. The least square support vector machine (LS-SVM) is the most promising method in short term load forecasting. With the expansion of the research, the research on LS-SVM prediction methods is more and more profound. Based on the deep understanding and realization of the essential theory and significance of short-term load forecasting, this paper chooses an optimized LS-SVM forecasting model to study short-term load forecasting more deeply. In this paper, external factors, such as the nature of land use and weather in the load function area, are considered comprehensively. The prediction model is calibrated by many factors and adapts to self-learning to make it more intelligent and more suitable to the actual environment, but it makes the model more complex and difficult to simulate. The increase of complexity and the consideration of various factors make the robustness of the prediction model decrease, and the stability of the prediction model is destroyed by some influential factors. Therefore, in this paper, the prediction model is modified by the weight factor derived from the error under various factors to improve the robustness and stability. In addition, this paper adopts Bayesian evidence framework optimization model to build prediction model more quickly and accurately. Through the optimization of this model, the prediction model in this paper is more practical and efficient. In the first chapter of this paper, the research principle of power load forecasting is introduced systematically. In the second chapter, the importance of data pre-processing to spatial load classification and partition is analyzed, which is an important platform for load data acquisition, which is called Geographic Information system (GIS),). Then, the third chapter provides the theoretical basis for building the prediction model. In chapter 4, considering all kinds of external factors, we study a weighted least-squares support vector machine (LS-SVM), and apply Bayesian evidence framework to optimize its model. Finally, the whole forecasting process is perfected, and a load area of administrative function is selected on the GIS layer of electric power. The forecasting model constructed in this paper is used to carry out the load forecasting for 10 days, which is compared with the load output from the model before optimization. It is proved that the advanced reliability of the optimized prediction model studied in this paper is of practical value. Can be promoted in the community to adapt to the development of electricity.
【學位授予單位】：天津理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TM715

【相似文獻】

相關期刊論文 前10條

1 馬麗萍,褚立國;試論平均預測模型假設[J];內蒙古科技與經濟;2004年14期

2 張成;王興春;;空中機動目標航路預測模型[J];火力與指揮控制;2007年09期

3 李楷;;論汽車整車庫存預測模型的構建[J];現代商貿工業(yè);2008年05期

4 趙國清;張少勇;;關于成長曲線預測模型參數識別的一點看法[J];哈爾濱科學技術大學科學報告會論文摘要匯編;1985年S1期

5 左常勇;;隨機疲勞壽命分布預測模型[J];機械強度;1988年02期

6 ;《節(jié)能管理和預測模型》[J];中國能源;1991年08期

7 劉沐宇,鄭澤岱;灰色預測模型及在巷道收斂位移中的應用[J];非金屬礦;1992年05期

8 張步涵;鄭琢非;;灰色預測模型在農電規(guī)劃中的應用[J];水電能源科學;1993年02期

9 陳淑敏;王秀英;;指數預測模型及參數識別[J];哈爾濱科學技術大學學報;1993年03期

10 陳傳波,劉廣宇;實時參量預測模型及其分析[J];湖北工學院學報;2001年04期

相關會議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預測[A];第九屆中國青年信息與管理學者大會論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應神經模糊推理系統的服務業(yè)發(fā)展預測模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預測模型的選擇及其智能化實現[A];科學決策與系統工程——中國系統工程學會第六次年會論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機的預測模型及應用[A];2003年中國智能自動化會議論文集（下冊）[C];2003年

5 李陽旭;鄧輝文;;一種新的企業(yè)市場預測模型及其比較研究[A];2004年中國管理科學學術會議論文集[C];2004年

6 馬志元;;城市區(qū)域經濟、人口、能源、環(huán)境綜合系統預測模型及應用[A];中國城市建設與環(huán)境保護實踐——城市建設與環(huán)境保護學術研討會論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預測模型研究[A];首屆長三角科技論壇——氣象科技發(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產量的灰色預測模型[A];中國現場統計研究會第十三屆學術年會論文集[C];2007年

10 肖會敏;樊為剛;;基于神經網絡的糧食產量預測模型[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

相關重要報紙文章 前10條

1 劉慶;“預測模型”要緩行[N];網絡世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設計價格預測模型見成效[N];中國石油報;2010年

3 南方日報記者 彭琳　實習生 周鵬程;預測世界杯之外 大數據還能做什么[N];南方日報;2014年

4 本報記者 張超;預測模型：推算SARS起落潮[N];科技日報;2003年

5 本報記者 段佳;機器“品肉師”替您“嘗鮮”[N];大眾科技報;2010年

6 BMC首席IT技術官 Mahendra Durai　IDC顧問 Eric Hatcher Randy Perry;預測智能：管理復雜基礎架構的鎖鑰[N];中國計算機報;2010年

7 張琳 趙偉;巧用Excel構建利潤預測模型[N];財會信報;2007年

8 楊宜勇（作者為國家發(fā)改委經濟研究所副所長）;發(fā)揮信息化對就業(yè)的“增補效應”[N];第一財經日報;2005年

9 本報記者 湯潯芳　實習記者 董文萍;“孵化器”模式：大數據的垂直運營樣本[N];21世紀經濟報道;2014年

10 本報記者 安豐;深部找礦的探鏡[N];中國國土資源報;2006年

相關博士學位論文 前10條

1 師懿;城市交通規(guī)劃環(huán)評中空氣污染預測模型研究[D];中國地質大學;2015年

2 張麗;牦牛肉用品質特性及近紅外預測模型和產量等級系統的研究[D];中國農業(yè)科學院;2015年

3 王菲;肉牛飼料有效能值預測模型的建立與評價[D];中國農業(yè)大學;2016年

4 文江平;農村地區(qū)成人2型糖尿病發(fā)生風險相關生物標志物的篩選及預測模型的建立[D];中國人民解放軍醫(yī)學院;2016年

5 白云鵬;華法林穩(wěn)態(tài)劑量預測模型在瓣膜置換術后抗凝治療中的應用[D];天津醫(yī)科大學;2016年

6 孫鵬;風電機組狀態(tài)異常辨識廣義模型與運行風險評估方法研究[D];重慶大學;2016年

7 馬新;基于灰色系統與核方法的油藏動態(tài)預測方法研究[D];西南石油大學;2016年

8 付中濤;基于切削力預測模型的復雜曲面銑削進給速度優(yōu)化研究[D];華中科技大學;2015年

9 周闖;原發(fā)性肝癌術后轉移復發(fā)分子預測模型的優(yōu)化整合與臨床轉化[D];復旦大學;2012年

10 孫忠林;煤礦安全生產預測模型的研究[D];山東科技大學;2009年

相關碩士學位論文 前10條

1 劉冰;基于神經網絡的纖維熱磨過程能耗預測模型的研究[D];東北林業(yè)大學;2015年

2 張念;鐵路軌道幾何不平順趨勢預測的關鍵算法研究[D];西南交通大學;2015年

3 田振偉;城市能源預測模型的研究與應用[D];昆明理工大學;2015年

4 吳迪;基于模糊決策樹算法的安全庫存量預測模型[D];中國地質大學(北京);2015年

5 齊雯;采用灰色預測模型改進的HHT算法在故障診斷中的應用[D];華南理工大學;2015年

6 王萍;膀胱癌遺傳分數的計算及發(fā)病風險預測模型的構建[D];復旦大學;2013年

7 石大宏;基于序列的蛋白質—核苷酸綁定位點預測研究[D];南京理工大學;2015年

8 熊盛華;基于BP神經網絡的混合預測模型的實例研究[D];蘭州大學;2015年

9 趙Z，

本文編號：2142131