電力行業(yè)是保證我國全方位協(xié)調(diào)發(fā)展的基礎性支柱產(chǎn)業(yè),電力系統(tǒng)的穩(wěn)定運行影響著國家的繁榮發(fā)展和人民的美好生活。隨著我國電力工業(yè)體制改革有條不紊地推進和電力供應結構的持續(xù)優(yōu)化,短期負荷預測作為電力市場分析預測工作中必不可少的一部分,其重要性日益凸顯。精確的短期負荷預測技術為電力部門制定調(diào)度計劃提供技術支持,為電網(wǎng)的安全穩(wěn)定運行提供保障。同時,在逐步完善的電力市場環(huán)境下,高精度的短期負荷預測技術為發(fā)電側(cè)、輸配側(cè)和售電側(cè)提供了經(jīng)濟調(diào)度的依據(jù),使其能在滿足用戶基本需求下追求更高的經(jīng)濟效益。因此,短期負荷預測長久以來都是國內(nèi)外學者專家研究的重點之一。本文從短期負荷預測精度的影響因素出發(fā),圍繞決策樹理論,結合集成學習、模糊理論等相關知識,對短期負荷預測進行研究,并取得一定的進展。受集成學習思想啟發(fā),本文將CART決策樹模型和Gradient Boosting算法相融合,通過理論分析證明Gradient Boosting算法可以提高負荷預測的精度,由此提出了基于梯度提升決策樹的短期負荷預測模型。為了增加單個CART樹的學習空間,提高預測模型的泛化性能,將Shrinkage思想引入到模型中。利用某地區(qū)電網(wǎng)... 

【文章來源】：青島大學山東省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

負荷預測的分類

青島大學碩士學位論文 基于梯度提升決策樹的短期負荷預思想識可知，僅僅通過觀察主視圖，無法得到物，得到主視圖、俯視圖、左視圖，簡單物體成學習思想的一個縮影。圖 3.1 是集成學習對樣本數(shù)據(jù)進行學習，之后通過某種組合邏這個強學習模型的學習能力會顯著強于任意將得到大幅度提高。弱學習模型1

211A bxx ca 4-(9)式中，參數(shù) a 和 b 通常為正數(shù)，其值影響鐘形的形狀，參數(shù) c 用于確定曲線的中心。例如，a=2，b=4，c=5，則廣義鐘形隸屬函數(shù)曲線如圖 4.1(d)所示。（5）S 形隸屬函數(shù) 11Aa x cxe 4-(10)式中，參數(shù) a 的符號決定了 S 形曲線的左右朝向，參數(shù) c 用于確定曲線的中心。例如，a=2，c=5，則 S 形隸屬函數(shù)曲線如圖 4.1(e)所示。

【參考文獻】：
期刊論文
[1]基于隨機森林的電力系統(tǒng)小時負荷預測研究[J]. 黃晗,孫堃,劉達.  智慧電力. 2018(05)
[2]基于模糊聚類與隨機森林的短期負荷預測[J]. 黃青平,李玉嬌,劉松,劉鵬.  電測與儀表. 2017(23)
[3]基于小波與GBDT的無人機傳感器故障診斷[J]. 舒暢,李輝.  測控技術. 2017(08)
[4]基于梯度提升決策樹的電力電子電路故障診斷[J]. 陳宏,鄧芳明,吳翔,付智輝.  測控技術. 2017(05)
[5]基于梯度提升決策樹的肽碎片離子強度建模[J]. 懷浩,劉學,張龍波,王曉丹.  山東理工大學學報(自然科學版). 2017(02)
[6]一種基于改進GPR和Bagging的短期風電功率組合預測方法[J]. 張穎超,郭曉杰,鄧華.  電力系統(tǒng)保護與控制. 2016(23)
[7]基于隨機森林算法的用電負荷預測研究[J]. 李婉華,陳宏,郭昆,郭松榮,韓嘉民,陳羽中.  計算機工程與應用. 2016(23)
[8]基于動量因子的神經(jīng)網(wǎng)絡群電流負荷預測模型[J]. 田野.  電力系統(tǒng)保護與控制. 2016(17)
[9]基于多變量氣象因子的LMBP電力日負荷預測[J]. 張淑清,任爽,師榮艷,劉子玥,姜萬錄.  儀器儀表學報. 2015(07)
[10]基于灰色投影改進隨機森林算法的電力系統(tǒng)短期負荷預測[J]. 吳瀟雨,和敬涵,張沛,胡駿.  電力系統(tǒng)自動化. 2015(12)

博士論文
[1]數(shù)據(jù)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]. 馮麗.浙江大學 2005

碩士論文
[1]基于隨機森林的電力系統(tǒng)短期負荷預測研究[D]. 黃青平.華北電力大學(北京) 2018
[2]基于HOG特征和梯度提升決策樹算法的人臉關鍵點檢測技術研究[D]. 于珂珂.河南大學 2017
[3]基于梯度提升決策樹的交通流量預測方法研究[D]. 陳俊剛.重慶郵電大學 2017
[4]基于數(shù)據(jù)挖掘的短期負荷預測[D]. 高琳琳.南昌大學 2012
[5]基于決策樹的電力負荷預測模型研究[D]. 皮志賢.華北電力大學（北京） 2011
[6]基于數(shù)據(jù)挖掘的電力系統(tǒng)短期負荷預測應用研究[D]. 黃達文.華南理工大學 2009
[7]地區(qū)電網(wǎng)短期負荷預測方法研究[D]. 史敬天.鄭州大學 2009
[8]電力系統(tǒng)中短期負荷預測的研究[D]. 王黎明.中國石油大學 2008
[9]基于決策樹的數(shù)據(jù)挖掘算法研究與應用[D]. 盧東標.武漢理工大學 2008
[10]基于人工神經(jīng)網(wǎng)絡的短期負荷預測[D]. 趙福成.華北電力（北京）大學 2002



本文編號：3584562