短期電力負(fù)荷預(yù)測(cè)是保證電力系統(tǒng)安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行的重要基礎(chǔ),主要用于預(yù)測(cè)提前一天至數(shù)天的負(fù)荷分布情況。精確的短期負(fù)荷預(yù)測(cè)結(jié)果有助于指導(dǎo)和確定發(fā)電機(jī)組的啟用和停止,協(xié)調(diào)各電網(wǎng)公司之間的供需平衡以及電網(wǎng)設(shè)備的計(jì)劃?rùn)z修,減少資源浪費(fèi)和用電成本,提升電網(wǎng)運(yùn)作的經(jīng)濟(jì)效益。本文基于負(fù)荷數(shù)據(jù)與各影響因素之間的關(guān)系,以及數(shù)據(jù)自身的底層變化趨勢(shì),分別利用改進(jìn)溫濕度變量結(jié)合ES-LASSO模型方法,DMD-NARX模型方法對(duì)短期負(fù)荷進(jìn)行預(yù)測(cè),并使用實(shí)際負(fù)荷數(shù)據(jù)對(duì)兩種方法進(jìn)行驗(yàn)證。本文主要工作內(nèi)容如下:（1）研究短期負(fù)荷預(yù)測(cè)模型中輸入特征的構(gòu)建。該部分首先介紹了負(fù)荷數(shù)據(jù)常用的預(yù)處理及歸一化方法;然后通過(guò)分析短期負(fù)荷自身的規(guī)律特性,以及影響負(fù)荷變化的外部因素,確定預(yù)測(cè)模型的輸入特征范圍;最后使用特征提取、量化以及選擇方法在輸入特征范圍中選擇輸入特征子集。（2）提出基于改進(jìn)溫濕度變量和ES-LASSO模型的短期負(fù)荷預(yù)測(cè)方法。首先利用改進(jìn)的溫濕度多形式變量作為模型輸入變量;然后根據(jù)周特性變化對(duì)負(fù)荷進(jìn)行分層,對(duì)各層負(fù)荷建立基于LASSO的預(yù)測(cè)模型,并使用ES求解算法剔除冗余輸入變量;最后通過(guò)計(jì)算剩余變量對(duì)應(yīng)的系數(shù)... 

【文章來(lái)源】： 余國(guó)曉 安徽大學(xué)

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

負(fù)荷預(yù)測(cè)在時(shí)間廣度的分類Figure1.1Classificationofloadforecastingintimespan

安徽大學(xué)碩士學(xué)位論文11圖2.1冬季與春季典型日負(fù)荷曲線Figure2.1Typicaldailyloadcurvesinwinterandspring周負(fù)荷特性主要表現(xiàn)在工作日與雙休日用電負(fù)荷的差異。一般情況下工業(yè)負(fù)荷是總體用電負(fù)荷中占比最大的，因此工廠、企業(yè)的日常工作以及休息停工對(duì)電力負(fù)荷有著重大的影響。通常周一到周五非節(jié)假日的工作日用電負(fù)荷比較相似，此時(shí)工廠的運(yùn)轉(zhuǎn)狀態(tài)以及人們的生產(chǎn)生活比較規(guī)律，負(fù)荷波動(dòng)較校周末大部分工廠、企業(yè)停工，員工放假，用電負(fù)荷普遍低于非節(jié)假日的工作日負(fù)荷，又由于某些企業(yè)單位單休的原因，雙休日中周六負(fù)荷要偏高于周日負(fù)荷。圖2.2中可以清楚的看出負(fù)荷的周變化特性。圖2.2周負(fù)荷變化曲線Figure2.2Weeklyloadchangecurve

安徽大學(xué)碩士學(xué)位論文11圖2.1冬季與春季典型日負(fù)荷曲線Figure2.1Typicaldailyloadcurvesinwinterandspring周負(fù)荷特性主要表現(xiàn)在工作日與雙休日用電負(fù)荷的差異。一般情況下工業(yè)負(fù)荷是總體用電負(fù)荷中占比最大的，因此工廠、企業(yè)的日常工作以及休息停工對(duì)電力負(fù)荷有著重大的影響。通常周一到周五非節(jié)假日的工作日用電負(fù)荷比較相似，此時(shí)工廠的運(yùn)轉(zhuǎn)狀態(tài)以及人們的生產(chǎn)生活比較規(guī)律，負(fù)荷波動(dòng)較校周末大部分工廠、企業(yè)停工，員工放假，用電負(fù)荷普遍低于非節(jié)假日的工作日負(fù)荷，又由于某些企業(yè)單位單休的原因，雙休日中周六負(fù)荷要偏高于周日負(fù)荷。圖2.2中可以清楚的看出負(fù)荷的周變化特性。圖2.2周負(fù)荷變化曲線Figure2.2Weeklyloadchangecurve

【參考文獻(xiàn)】：
期刊論文
[1]基于趨勢(shì)外推法的城市綜合體負(fù)荷發(fā)展特性分析[J]. 黃家兵.  農(nóng)村電氣化. 2019(07)
[2]基于深度置信網(wǎng)絡(luò)的電力負(fù)荷識(shí)別[J]. 徐春華,陳克緒,馬建,劉佳翰,吳建華.  電工技術(shù)學(xué)報(bào). 2019(19)
[3]高空臺(tái)特種調(diào)節(jié)閥建模方法對(duì)比研究[J]. 王運(yùn)來(lái),王曦,朱美印,裴希同,張松,但志宏.  推進(jìn)技術(shù). 2019(08)
[4]電力市場(chǎng)中基于Attention-LSTM的短期負(fù)荷預(yù)測(cè)模型[J]. 彭文,王金睿,尹山青.  電網(wǎng)技術(shù). 2019(05)
[5]基于協(xié)整-格蘭杰因果檢驗(yàn)和季節(jié)分解的中期負(fù)荷預(yù)測(cè)[J]. 劉俊,趙宏炎,劉嘉誠(chéng),潘良軍,王楷.  電力系統(tǒng)自動(dòng)化. 2019(01)
[6]基于粒子群優(yōu)化支持向量機(jī)的短期負(fù)荷預(yù)測(cè)[J]. 楊小明,崔雪,周斌,彭政.  武漢大學(xué)學(xué)報(bào)(工學(xué)版). 2018(08)
[7]動(dòng)態(tài)相似與靜態(tài)相似相結(jié)合的短期負(fù)荷預(yù)測(cè)方法[J]. 方八零,李龍,趙家鑄,王堅(jiān),趙習(xí)猛,黎燦兵,李奇遠(yuǎn).  電力系統(tǒng)保護(hù)與控制. 2018(15)
[8]基于Adaboost的改進(jìn)多元線性回歸算法中長(zhǎng)期負(fù)荷預(yù)測(cè)[J]. 楊胡萍,李輝.  太原理工大學(xué)學(xué)報(bào). 2017(05)
[9]多元線性回歸方法預(yù)測(cè)燃?xì)廨啓C(jī)發(fā)電機(jī)組性能[J]. 劉闖,金仁瀚,鞏二磊,劉勇,岳孟赫.  中國(guó)電機(jī)工程學(xué)報(bào). 2017(16)
[10]電力負(fù)荷趨勢(shì)外推預(yù)測(cè)算例分析與模型檢驗(yàn)[J]. 夏昌浩,曹瑾,張密,吳奇云.  中國(guó)科技信息. 2016(21)

博士論文
[1]一種基于AICc的新信息準(zhǔn)則-bAICc[D]. 宋國(guó)鋒.吉林大學(xué) 2017

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]基于優(yōu)化人工蜂群算法的短期電力負(fù)荷預(yù)測(cè)研究[D]. 王新會(huì).華北電力大學(xué) 2019
[3]基于增量關(guān)聯(lián)規(guī)則算法的短期電力負(fù)荷預(yù)測(cè)方法研究[D]. 趙申屹.南京郵電大學(xué) 2018
[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]基于混沌鯨魚(yú)群優(yōu)化人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[D]. 袁超.華北電力大學(xué) 2018
[6]殘差自修正深度學(xué)習(xí)集成神經(jīng)網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[D]. 陳卓.浙江大學(xué) 2018
[7]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
[8]基于動(dòng)態(tài)模式分解的典型湍流動(dòng)態(tài)流場(chǎng)研究[D]. 邵昱昌.上海交通大學(xué) 2017
[9]電力總負(fù)荷的時(shí)間序列方法超短期預(yù)測(cè)[D]. 余沁.重慶大學(xué) 2017
[10]基于排序模型的混合整數(shù)演化策略[D]. 莊黎黎.中國(guó)科學(xué)技術(shù)大學(xué) 2014



本文編號(hào)：2969758