電力負(fù)荷是一個(gè)國(guó)家經(jīng)濟(jì)發(fā)展的命脈,精準(zhǔn)的電力負(fù)荷預(yù)測(cè)是電網(wǎng)部門(mén)進(jìn)行電力調(diào)度、制定電力發(fā)展計(jì)劃的基礎(chǔ)。比如,2020年,中國(guó)在抗擊新型冠狀病毒的過(guò)程中,全國(guó)各地尤其是湖北省需要確保有序的電力供應(yīng),保障各醫(yī)院設(shè)備的正常運(yùn)行和居民生活用電的正常供應(yīng),為了確保萬(wàn)無(wú)一失,在這種情況下,可以通過(guò)借助電力負(fù)荷預(yù)測(cè)來(lái)幫助電力部門(mén)科學(xué)有效的制定應(yīng)急預(yù)案和保障措施。同時(shí),近年來(lái),電力負(fù)荷預(yù)測(cè)也是各位專(zhuān)家學(xué)者研究的重點(diǎn),本文主要通過(guò)組合改進(jìn)學(xué)習(xí)算法來(lái)提高電力負(fù)荷預(yù)測(cè)精度�；疑Ｐ停℅M）可以通過(guò)累加計(jì)算來(lái)修正數(shù)據(jù),適合處理隨機(jī)的、樣本數(shù)據(jù)少且特征顯著的系統(tǒng),但是該模型對(duì)電力負(fù)荷數(shù)據(jù)缺乏一定的學(xué)習(xí)能力,信息處理能力較弱,需要進(jìn)一步改進(jìn);最小二乘支持向量機(jī)（LSSVM）模型能夠有效的處理以往存在的小樣本、局部最小點(diǎn)、非線(xiàn)性等問(wèn)題。本文提出一種基于GM-LSSVM模型的電力負(fù)荷組合預(yù)測(cè)方法。首先,采用殘差修正和背景值修正的方法對(duì)灰色模型進(jìn)行改進(jìn),再利用改進(jìn)的GM模型得到殘差序列,最后通過(guò)LSSVM模型進(jìn)行預(yù)測(cè)得到結(jié)果。核主成成分分析算法（KPCA）可以處理非線(xiàn)性數(shù)據(jù),針對(duì)該算法采用單一核函數(shù)不能同時(shí)兼顧學(xué)習(xí)能力和... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

電力負(fù)荷預(yù)測(cè)方法分類(lèi)

吉林大學(xué)碩士學(xué)位論文14圖2.1電力負(fù)荷原始數(shù)據(jù)收集到的電力負(fù)荷原始數(shù)據(jù)、氣溫、星期類(lèi)型屬于不同的數(shù)量級(jí)，不能直接用于模型的預(yù)測(cè)，因此要把這些數(shù)據(jù)進(jìn)行歸一化,常用的三種歸一化方法可以分為[47]：極值法、標(biāo)準(zhǔn)差、均值標(biāo)準(zhǔn)化法。1.電力負(fù)荷原始數(shù)據(jù)歸一化采用極值法即離差標(biāo)準(zhǔn)化將電力負(fù)荷原始數(shù)據(jù)進(jìn)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(fù)荷歷史數(shù)據(jù)，dY為電力負(fù)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(fù)荷值；2.溫度歸一化在進(jìn)行電力負(fù)荷預(yù)測(cè)時(shí)，需要將負(fù)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(biāo)準(zhǔn)，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(xiàn)】：
期刊論文
[1]基于改進(jìn)灰色模型的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)[J]. 孫建梅,錢(qián)秀婷,王永晴.  電工技術(shù). 2019(19)
[2]改進(jìn)的并行模糊核聚類(lèi)算法在電力負(fù)荷預(yù)測(cè)的應(yīng)用[J]. 謝偉,趙琦,郭乃網(wǎng),蘇運(yùn),田英杰.  電測(cè)與儀表. 2019(11)
[3]智能用電數(shù)據(jù)的采集與預(yù)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(luò)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 陳娟,鮑偉強(qiáng).  技術(shù)與市場(chǎng). 2019(03)
[5]基于一種組合模型的短期電力負(fù)荷預(yù)測(cè)[J]. 王瑞,周晨曦,逯靜.  計(jì)算機(jī)仿真. 2018(12)
[6]基于PSO-LSSVM模型的火電廠(chǎng)煙氣含氧量預(yù)測(cè)[J]. 李建強(qiáng),張瑩瑩,牛成林.  熱能動(dòng)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(yáng),陳慶,陸曉,孫大雁,徐春雷,陳星鶯,吳峰,馬宏忠.  電力自動(dòng)化設(shè)備. 2018(05)
[8]大數(shù)據(jù)背景下企業(yè)電力用戶(hù)負(fù)荷特性分析[J]. 孫源,臧婷婷,姜峰.  統(tǒng)計(jì)與決策. 2018(08)
[9]基于時(shí)間序列的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)問(wèn)題分析[J]. 陳冬灃,鄭舟,吳永峰.  自動(dòng)化應(yīng)用. 2017(11)
[10]趨勢(shì)外推法在連江縣電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 謝輝煌,鄭榮進(jìn),黃曉生.  電氣時(shí)代. 2017(06)

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



本文編號(hào)：2918074