短期電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)運(yùn)行和規(guī)劃的基礎(chǔ),準(zhǔn)確的負(fù)荷預(yù)測(cè)可以保證電力系統(tǒng)安全穩(wěn)定運(yùn)行,降低發(fā)電成本,提高經(jīng)濟(jì)效益。隨著電力行業(yè)的發(fā)展、分布式能源的增多,短期負(fù)荷預(yù)測(cè)工作顯得愈發(fā)重要�？紤]到電力負(fù)荷數(shù)據(jù)的非線性、異方差、非平穩(wěn)等特點(diǎn),短期負(fù)荷預(yù)測(cè)難度也顯著增加,因此,具有強(qiáng)大非線性學(xué)習(xí)能力的機(jī)器學(xué)習(xí)算法可以為本研究提供良好的技術(shù)手段。在眾多的機(jī)器學(xué)習(xí)算法中,人工神經(jīng)網(wǎng)絡(luò)具備自學(xué)習(xí)能力和泛化能力等優(yōu)點(diǎn),已被廣泛應(yīng)用在短期電力負(fù)荷預(yù)測(cè)中,并取得了較為理想的效果。在負(fù)荷預(yù)測(cè)研究中,BP神經(jīng)網(wǎng)絡(luò)方法又是目前比較成熟的負(fù)荷預(yù)測(cè)方法,因此本文主要采用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)短期負(fù)荷進(jìn)行預(yù)測(cè)研究。電力負(fù)荷數(shù)據(jù)一般具有一定的周期性如周周期性、月周期性和年周期性,同時(shí)電力負(fù)荷也會(huì)受到多方面外界因素如溫度、天氣、節(jié)假日以及用戶行為等的影響,而表現(xiàn)出一定的隨機(jī)性。這樣的隨機(jī)性導(dǎo)致的不確定性顯著增加了短期負(fù)荷預(yù)測(cè)的難度。因此,本文充分考慮負(fù)荷的自身變化規(guī)律以及外界因素的影響,從預(yù)測(cè)的準(zhǔn)確性和可靠性兩個(gè)方面出發(fā),分別建立負(fù)荷的點(diǎn)預(yù)測(cè)模型和區(qū)間預(yù)測(cè)模型,并對(duì)建立的點(diǎn)預(yù)測(cè)模型進(jìn)行優(yōu)化,有效提高負(fù)荷預(yù)測(cè)的精度。本文主要以電... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的負(fù)荷預(yù)測(cè)方法
        1.2.2 基于機(jī)器學(xué)習(xí)的負(fù)荷預(yù)測(cè)方法
    1.3 本文的主要內(nèi)容
    1.4 本文的結(jié)構(gòu)安排
第二章 電力負(fù)荷預(yù)測(cè)分析
    2.1 負(fù)荷數(shù)據(jù)的選取和預(yù)處理
        2.1.1 異常點(diǎn)的修正
        2.1.2 缺失數(shù)據(jù)的補(bǔ)充
    2.2 負(fù)荷特征的分析
        2.2.1 負(fù)荷預(yù)測(cè)的特征
        2.2.2 負(fù)荷變化的周期性
        2.2.3 電力負(fù)荷的影響因素
    2.3 負(fù)荷預(yù)測(cè)的分類和基本步驟
        2.3.1 負(fù)荷預(yù)測(cè)的分類
        2.3.2 負(fù)荷預(yù)測(cè)的基本步驟
    2.4 本章小結(jié)
第三章 基于BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷點(diǎn)預(yù)測(cè)方法研究
    3.1 人工神經(jīng)網(wǎng)絡(luò)
        3.1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)原理
        3.1.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
        3.1.3 點(diǎn)預(yù)測(cè)精度的評(píng)價(jià)指標(biāo)
        3.1.4 樣本歸一化方法
    3.2 多輸入多輸出負(fù)荷點(diǎn)預(yù)測(cè)模型
        3.2.1 模型參數(shù)的選擇
        3.2.2 預(yù)測(cè)結(jié)果及分析
    3.3 多輸入單輸出負(fù)荷點(diǎn)預(yù)測(cè)模型
        3.3.1 模型參數(shù)的選擇
        3.3.2 預(yù)測(cè)結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷點(diǎn)預(yù)測(cè)方法研究
    4.1 引言
    4.2 小波-BP神經(jīng)網(wǎng)絡(luò)點(diǎn)預(yù)測(cè)模型
        4.2.1 小波變換
        4.2.2 小波函數(shù)
        4.2.3 多分辨率分析
        4.2.4 預(yù)測(cè)模型及步驟
        4.2.5 實(shí)例分析
    4.3 IPSO-BP神經(jīng)網(wǎng)絡(luò)點(diǎn)預(yù)測(cè)模型
        4.3.1 粒子群優(yōu)化算法
        4.3.2 改進(jìn)粒子群算法
        4.3.3 預(yù)測(cè)模型及步驟
        4.3.4 實(shí)例分析
    4.4 本章小結(jié)
第五章 電力負(fù)荷區(qū)間預(yù)測(cè)方法的研究
    5.1 引言
    5.2 區(qū)間預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)
    5.3 IPSO-SM-BP神經(jīng)網(wǎng)絡(luò)區(qū)間預(yù)測(cè)模型
        5.3.1 基于IPSO尋優(yōu)的比例系數(shù)法
        5.3.2 預(yù)測(cè)方法及步驟
        5.3.3 實(shí)例分析
    5.4 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]電力負(fù)荷區(qū)間預(yù)測(cè)的集成極限學(xué)習(xí)機(jī)方法[J]. 李知藝,丁劍鷹,吳迪,文福拴.  華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(02)
[2]常用小波及其時(shí)-頻特性[J]. 張建鋒,崔樹軍,李國(guó)敏.  地學(xué)前緣. 2012(06)
[3]基于灰關(guān)聯(lián)分段優(yōu)選組合模型的短期電力負(fù)荷預(yù)測(cè)研究[J]. 張志明,金敏.  電工技術(shù)學(xué)報(bào). 2009(06)
[4]基于蟻群支持向量機(jī)的短期負(fù)荷預(yù)測(cè)[J]. 魏俊,周步祥,林楠,邢義.  電力系統(tǒng)保護(hù)與控制. 2009(04)
[5]提高時(shí)間序列氣象適應(yīng)性的短期電力負(fù)荷預(yù)測(cè)算法[J]. 朱陶業(yè),李應(yīng)求,張穎,張學(xué)莊,何朝陽(yáng).  中國(guó)電機(jī)工程學(xué)報(bào). 2006(23)
[6]基于支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J]. 潘峰,程浩忠,楊鏡非,張澄,潘震東.  電網(wǎng)技術(shù). 2004(21)

碩士論文
[1]計(jì)及多因素和ELM方法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究[D]. 鄧帶雨.電子科技大學(xué) 2019
[2]基于回歸分析的短期負(fù)荷概率密度預(yù)測(cè)方法研究[D]. 蒙園.華北電力大學(xué)(北京) 2018
[3]灰色離散GM（1,1）優(yōu)化模型及其應(yīng)用[D]. 張之弘.重慶大學(xué) 2017
[4]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
[5]基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)研究與實(shí)現(xiàn)[D]. 石德琳.山東大學(xué) 2016
[6]基于BP神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)的研究[D]. 隋惠惠.哈爾濱工業(yè)大學(xué) 2015
[7]考慮實(shí)時(shí)氣象因素的短期負(fù)荷預(yù)測(cè)[D]. 胡長(zhǎng)洪.浙江大學(xué) 2010



本文編號(hào)：3203950