電力負荷短期預測是電力系統(tǒng)調度、系統(tǒng)狀態(tài)監(jiān)測方面重要的研究課題�？焖贉蚀_的負荷預測對于保證電力系統(tǒng)的安全性、可靠性、經濟性具有非常重要的意義。支持向量回歸是一種數據預測的常用方法,但是在參數選擇上存在一些問題亟待解決。論文通過分析影響電力負荷的因素,建立了電力負荷序列的預處理模型,發(fā)展了基于布谷鳥搜索算法的參數優(yōu)化的支持向量回歸預測模型,實現了陜西漢中市電力負荷的短期預測。論文首先針對電力負荷序列存在的隨機噪聲干擾,建立了基于VMD分解的噪聲抑制模型;其次,從臨近點和相似日兩個方向綜合考慮,基于AR回歸模型實現了缺失數據的修補;采用t檢驗準則,將異常數據當作粗大誤差,實現了異常數據的檢測和修正。仿真和實驗結果驗證了預處理模型的有效性。.通過考慮氣溫、濕度、天氣因素、季節(jié)因素、節(jié)假日、臨近點負荷以及相似日負荷等因素,建立了SVR短期負荷預測模型。實驗結果表明懲罰因子及徑向基核參數互相關聯(lián),對預測性能有較大影響,且不同的數據最優(yōu)核參數有較大差異。針對傳統(tǒng)布谷鳥搜索算法對初始值敏感的缺點,結合雙線性搜索算法建立了改進的布谷鳥搜索算法,實現了支持向量回歸的參數優(yōu)化。多個季節(jié)、不同日期類型的電力負荷預測的實驗表明,改進的SVR與預測模型不僅提高了算法的收斂速度,且可提升預測模型的準確性。論文的研究結果對于提高電力負荷短期預測的準確性、可靠性具有一定的科學意義和實用價值。
【學位單位】：西安理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP18;TM715
【部分圖文】：

迭代子優(yōu)化序列中的增廣拉格朗日法的鞍點。基于 ADMM 算法可得到子優(yōu)化問題的解，并直接在頻域進行優(yōu)化，即可得到變分模式分解的完整算法，如圖 3-1 所示。

分類問題往往是非線性的，因而無法用簡單的一條直線進行分行升維，則線性不可分問題可以進行非線性分類。支持向量機，即通過選擇合適的核函數，將低維空間不可分問題以超平面程如圖 4-1 所示。

Fig.5-1 Pseudo code flow of CS algorithm 參數優(yōu)化方法與其它群智能化算法一樣，CS 算法對初始值較為敏感，這就子不穩(wěn)定。結合 SVM 中核參數懲罰因子的特點，本文建立一
【相似文獻】

相關期刊論文 前10條

1 李琛;郭文利;吳進;金晨曦;;北京市夏季日最大電力負荷與氣象因子的關系[J];氣象與環(huán)境學報;2018年03期

2 周克男;劉進波;;基于主成分分析的BP神經網絡預測電力負荷[J];數學學習與研究;2016年23期

3 傅新姝;談建國;;基于濾波技術的上海日最大電力負荷氣象預報模型[J];氣象科技;2015年06期

4 葉殿秀;張培群;趙珊珊;夏鑫;柯宗建;王有民;劉秋鋒;;北京夏季日最大電力負荷預報模型建立方法探討[J];氣候與環(huán)境研究;2013年06期

5 黃元生;黎特;皮薇;;非平均權重條件下電力負荷組合預測模型研究[J];山東電力高等�？茖W校學報;2013年03期

6 盧華剛;;電力負荷控制技術及其在需求側管理中的應用[J];機電信息;2011年18期

7 羅森波;紀忠萍;馬煜華;駱曉明;曾沁;林少冰;;2002～2004年廣東電力負荷的變化特征及預測[J];熱帶氣象學報;2007年02期

8 鄭瑞晨,張合明;南陽電力負荷無線雙向管理系統(tǒng)數據庫設計[J];水電能源科學;2000年02期

9 羅慧莉;高速船直流電力負荷的簡化計算[J];船舶;1998年02期

10 張小平,王偉;短期電力負荷預報的自適應模糊神經網絡方法[J];電力系統(tǒng)自動化;1998年01期

相關博士學位論文 前8條

1 李眉眉;電力負荷混沌特性分析及其預測研究[D];四川大學;2004年

2 馮麗;數據挖掘和人工智能理論在短期電力負荷預測中的應用研究[D];浙江大學;2005年

3 黎鵬;非侵入式電力負荷分解與監(jiān)測[D];天津大學;2009年

4 王桓;電力時間序列的混沌識別與短期預測[D];湖南大學;2009年

5 方仍存;電力系統(tǒng)負荷區(qū)間預測[D];華中科技大學;2008年

6 張紅斌;電力系統(tǒng)負荷模型結構與參數辨識的研究[D];華北電力大學（北京）;2003年

7 陸寧;基于群集智能與算法融合的電力負荷組合預測[D];華中科技大學;2010年

8 葉世杰;基于多指標模型的電力負荷預測研究[D];重慶大學;2010年

相關碩士學位論文 前10條

1 陳璞迪;基于深度神經網絡的電力負荷分析方法的研究與實現[D];北京郵電大學;2019年

2 張一舉;電力負荷短期預測的分析與研究[D];西安理工大學;2019年

3 魏來;基于統(tǒng)計綜合法的電力負荷建模方法研究[D];鄭州大學;2019年

4 曾攀;基于大數據和日日拓撲網絡的短期電力負荷預測方法[D];湖南大學;2016年

5 詹傳驊;基于氣象因子和集成學習的長沙市短期電力預測研究[D];湖南大學;2016年

6 劉紅;電力負荷季節(jié)特性分析及需求響應動態(tài)電價策略研究[D];華北電力大學(北京);2018年

7 陳靜;某縣域電力負荷特性分析與預測研究[D];吉林大學;2018年

8 王琳;基于差分進化優(yōu)化權值的電力負荷組合預測方法研究[D];天津大學;2018年

9 劉衛(wèi)濤;使用功率信號特征的電力負荷分解方法的研究[D];天津大學;2018年

10 李明星;基于概率分析和改進極限學習機的電力負荷短期預測[D];燕山大學;2018年

本文編號：2860752