電力負荷是一個國家經(jīng)濟發(fā)展的命脈,精準的電力負荷預測是電網(wǎng)部門進行電力調(diào)度、制定電力發(fā)展計劃的基礎。比如,2020年,中國在抗擊新型冠狀病毒的過程中,全國各地尤其是湖北省需要確保有序的電力供應,保障各醫(yī)院設備的正常運行和居民生活用電的正常供應,為了確保萬無一失,在這種情況下,可以通過借助電力負荷預測來幫助電力部門科學有效的制定應急預案和保障措施。同時,近年來,電力負荷預測也是各位專家學者研究的重點,本文主要通過組合改進學習算法來提高電力負荷預測精度。灰色模型（GM）可以通過累加計算來修正數(shù)據(jù),適合處理隨機的、樣本數(shù)據(jù)少且特征顯著的系統(tǒng),但是該模型對電力負荷數(shù)據(jù)缺乏一定的學習能力,信息處理能力較弱,需要進一步改進;最小二乘支持向量機（LSSVM）模型能夠有效的處理以往存在的小樣本、局部最小點、非線性等問題。本文提出一種基于GM-LSSVM模型的電力負荷組合預測方法。首先,采用殘差修正和背景值修正的方法對灰色模型進行改進,再利用改進的GM模型得到殘差序列,最后通過LSSVM模型進行預測得到結果。核主成成分分析算法（KPCA）可以處理非線性數(shù)據(jù),針對該算法采用單一核函數(shù)不能同時兼顧學習能力和... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

電力負荷預測方法分類

吉林大學碩士學位論文14圖2.1電力負荷原始數(shù)據(jù)收集到的電力負荷原始數(shù)據(jù)、氣溫、星期類型屬于不同的數(shù)量級，不能直接用于模型的預測，因此要把這些數(shù)據(jù)進行歸一化,常用的三種歸一化方法可以分為[47]：極值法、標準差、均值標準化法。1.電力負荷原始數(shù)據(jù)歸一化采用極值法即離差標準化將電力負荷原始數(shù)據(jù)進行歸一化處理，區(qū)間是1,0。歸一化公式如下所示：minmax"minYYYYYdd········································（2.1）反歸一化公式如下所示：minminmax)(YYYYYdd·································（2.2）其中，"dY為歸一化處理后的電力負荷歷史數(shù)據(jù)，dY為電力負荷歷史數(shù)據(jù)，minY和maxY分別為一日內(nèi)最低、最高的原始電力負荷值；2.溫度歸一化在進行電力負荷預測時，需要將負荷數(shù)據(jù)、日最高溫度數(shù)據(jù)、日最低溫度數(shù)據(jù)采用統(tǒng)一的標準，區(qū)間為1,0，所以溫度歸一化公式如下所示：minmax"minTTTTTmm·······································（2.3）其中，Tm"為歸一化處理后的溫度數(shù)據(jù)，mT為原始溫度，minT和maxT分別為一日內(nèi)的

SRM 示意圖

【參考文獻】：
期刊論文
[1]基于改進灰色模型的中長期電力負荷預測[J]. 孫建梅,錢秀婷,王永晴.  電工技術. 2019(19)
[2]改進的并行模糊核聚類算法在電力負荷預測的應用[J]. 謝偉,趙琦,郭乃網(wǎng),蘇運,田英杰.  電測與儀表. 2019(11)
[3]智能用電數(shù)據(jù)的采集與預處理[J]. 鄧東林,徐冘,陳劍,楊仁增.  電力大數(shù)據(jù). 2019(03)
[4]人工神經(jīng)網(wǎng)絡在電力負荷預測中的應用[J]. 陳娟,鮑偉強.  技術與市場. 2019(03)
[5]基于一種組合模型的短期電力負荷預測[J]. 王瑞,周晨曦,逯靜.  計算機仿真. 2018(12)
[6]基于PSO-LSSVM模型的火電廠煙氣含氧量預測[J]. 李建強,張瑩瑩,牛成林.  熱能動力工程. 2018(07)
[7]“智能電網(wǎng)+”研究綜述[J]. 鞠平,周孝信,陳維江,余一平,秦川,李若梅,王成山,董旭柱,劉健,文勁宇,劉玉田,李揚,陳慶,陸曉,孫大雁,徐春雷,陳星鶯,吳峰,馬宏忠.  電力自動化設備. 2018(05)
[8]大數(shù)據(jù)背景下企業(yè)電力用戶負荷特性分析[J]. 孫源,臧婷婷,姜峰.  統(tǒng)計與決策. 2018(08)
[9]基于時間序列的電力系統(tǒng)短期負荷預測問題分析[J]. 陳冬灃,鄭舟,吳永峰.  自動化應用. 2017(11)
[10]趨勢外推法在連江縣電力負荷預測中的應用[J]. 謝輝煌,鄭榮進,黃曉生.  電氣時代. 2017(06)

碩士論文
[1]基于機器學習的短期電力負荷預測方法研究[D]. 劉鑫.北京郵電大學 2019
[2]基于ARIMA模型及回歸分析的廣西電力需求預測研究[D]. 王柳.廣西師范大學 2019
[3]基于組合預測方法的電力負荷預測研究[D]. 陳偉雅.河北科技大學 2019
[4]SVM與神經(jīng)網(wǎng)絡的組合模型在短期電力負荷預測中的應用研究[D]. 金樑.吉林大學 2018
[5]時變權重的組合模型在短期電力負荷預測中的應用[D]. 鄒瀟.蘭州大學 2018
[6]基于核主成分分析法的GA-BP神經(jīng)網(wǎng)絡短期用電負荷預測[D]. 唐健.南華大學 2017
[7]基于人工神經(jīng)網(wǎng)絡的短期電力負荷預測研究[D]. 程宇也.浙江大學 2017
[8]改進網(wǎng)格搜索的支持向量機參數(shù)優(yōu)化研究及應用[D]. 顧凱成.蘭州理工大學 2016
[9]基于負荷特性分析的短期負荷預測模型研究[D]. 高楊鶴.華北電力大學 2013
[10]基于徑向基函數(shù)神經(jīng)網(wǎng)絡的應用研究[D]. 康軍.湖南師范大學 2009



本文編號：2918074