發(fā)布時(shí)間：2022-10-21 18:08

　　隨著社會(huì)的發(fā)展,電能的重要性越發(fā)顯著,對(duì)電網(wǎng)系統(tǒng)運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)和與其相關(guān)的數(shù)據(jù)進(jìn)行深入剖析,已經(jīng)成為了保障電網(wǎng)穩(wěn)定運(yùn)轉(zhuǎn)的前提工作。隨著大量的智能監(jiān)測(cè)設(shè)備的裝配和使用,電網(wǎng)系統(tǒng)采集到了比以往更多的數(shù)據(jù)。為規(guī)避預(yù)測(cè)不準(zhǔn)造成的惡劣影響,根據(jù)電力負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)結(jié)果調(diào)整電氣規(guī)劃是刻不容緩的。本文擬基于深度學(xué)習(xí)的方法,針對(duì)現(xiàn)有電力負(fù)荷預(yù)測(cè)模型存在的影響因素考慮片面化、信息獲取不全面、預(yù)測(cè)步長(zhǎng)短、精度差等問(wèn)題,提出了基于深度學(xué)習(xí)的短期電力負(fù)荷預(yù)測(cè)模型。主要取得以下研究成果:（1）針對(duì)電力負(fù)荷時(shí)間序列受到多種外部因素的影響呈現(xiàn)出不同的特性,以及現(xiàn)有的負(fù)荷模型預(yù)測(cè)步長(zhǎng)短等問(wèn)題,提出基于卷積神經(jīng)網(wǎng)絡(luò)-雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（CNN＿Bi LSTM）的短期電力負(fù)荷預(yù)測(cè)模型。首先,利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)不同輸入特征進(jìn)行提取和重組,利用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)來(lái)處理電力負(fù)荷數(shù)據(jù)。然后,在上述網(wǎng)絡(luò)的基礎(chǔ)上建立了多因素多步長(zhǎng)以及具有更新能力的預(yù)測(cè)模型,通過(guò)實(shí)例分析,驗(yàn)證了該模型在預(yù)測(cè)步長(zhǎng)較長(zhǎng)的情況下仍能保持較好的預(yù)測(cè)精度。（2）針對(duì)當(dāng)前電力負(fù)荷預(yù)測(cè)模型進(jìn)行預(yù)測(cè)時(shí)信息獲取不夠全面,以及預(yù)測(cè)精度還有待提升等問(wèn)題,提出基于變... 

【文章頁(yè)數(shù)】：85 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
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 電力負(fù)荷預(yù)測(cè)主要方法
        1.2.2 目前存在的問(wèn)題
    1.3 本文研究?jī)?nèi)容及章節(jié)安排
        1.3.1 本文研究?jī)?nèi)容
        1.3.2 本文章節(jié)安排
    1.4 本章小結(jié)
第二章 電力系統(tǒng)負(fù)荷特性分析及預(yù)處理
    2.1 引言
    2.2 電力系統(tǒng)負(fù)荷特性分析
    2.3 數(shù)據(jù)預(yù)處理
        2.3.1 獨(dú)熱編碼
        2.3.2 異常值修正
        2.3.3 缺失值補(bǔ)充
        2.3.4 樣本歸一化處理
    2.4 負(fù)荷預(yù)測(cè)評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
第三章 基于CNN_BiLSTM的短期電力負(fù)荷預(yù)測(cè)
    3.1 引言
    3.2 基本原理
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    3.3 基于CNN_BiLSTM的短期電力負(fù)荷預(yù)測(cè)模型
        3.3.1 CNN_BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 多步長(zhǎng)預(yù)測(cè)模型
    3.4 實(shí)例分析
        3.4.1 單步長(zhǎng)單因素對(duì)比
        3.4.2 多步長(zhǎng)多因素對(duì)比
        3.4.3 模型更新與否對(duì)比
    3.5 本章小結(jié)
第四章 基于VMD-XGBoost的短期電力負(fù)荷預(yù)測(cè)
    4.1 引言
    4.2 基本原理
        4.2.1 變分模態(tài)分解
        4.2.2 極值梯度提升算法
    4.3 基于VMD-XGBoost的短期電力負(fù)荷預(yù)測(cè)模型
        4.3.1 基于變分模態(tài)的電力負(fù)荷序列分解
        4.3.2 基于極值梯度提升算法的電力負(fù)荷預(yù)測(cè)
        4.3.3 算法復(fù)雜度分析
    4.4 實(shí)例分析
        4.4.1 變分模態(tài)分解及尋優(yōu)
        4.4.2 模型預(yù)測(cè)能力對(duì)比
        4.4.3 模型執(zhí)行效率對(duì)比
    4.5 本章小結(jié)
第五章 基于VMD-SA-TCN的短期電力負(fù)荷預(yù)測(cè)
    5.1 引言
    5.2 基本原理
        5.2.1 樣本熵理論
        5.2.2 時(shí)間卷積網(wǎng)絡(luò)
    5.3 基于VMD-SA-TCN的短期電力負(fù)荷預(yù)測(cè)模型
        5.3.1 基于VMD-SA的電力負(fù)荷序列分解重組
        5.3.2 基于時(shí)間卷積網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)
    5.4 實(shí)例分析
        5.4.1 膨脹卷積網(wǎng)絡(luò)參數(shù)尋優(yōu)
        5.4.2 模型預(yù)測(cè)能力對(duì)比
        5.4.3 模型消耗時(shí)間對(duì)比
        5.4.4 與傳統(tǒng)算法對(duì)比
        5.4.5 原始TCN對(duì)比
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
攻讀碩士期間完成的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于Prophet-LSTM組合模型的短期負(fù)荷預(yù)測(cè)方法[J]. 彭湃,劉敏.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2021(11)
[2]基于BiLSTM的滾動(dòng)軸承故障診斷研究[J]. 趙志宏,趙敬嬌,魏子洋.  振動(dòng)與沖擊. 2021(01)
[3]基于Bagging的雙向GRU集成神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測(cè)[J]. 王康,張智晟,撖奧洋,于立濤.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2021(10)
[4]基于深度長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J]. 王激華,仇鈞,方云輝,周蘇洋.  廣東電力. 2020(08)
[5]基于實(shí)時(shí)電價(jià)和加權(quán)灰色關(guān)聯(lián)投影的SVM電力負(fù)荷預(yù)測(cè)[J]. 趙佩,代業(yè)明.  電網(wǎng)技術(shù). 2020(04)
[6]基于負(fù)荷特性聚類及Elastic Net分析的短期負(fù)荷預(yù)測(cè)方法[J]. 靳冰潔,林勇,羅澍忻,韋斌,周姝燦.  中國(guó)電力. 2020(09)
[7]基于LSTM與XGBoost組合模型的超短期電力負(fù)荷預(yù)測(cè)[J]. 陳振宇,劉金波,李晨,季曉慧,李大鵬,黃運(yùn)豪,狄方春,高興宇,徐立中.  電網(wǎng)技術(shù). 2020(02)
[8]基于行業(yè)聚類的負(fù)荷特性分析及預(yù)測(cè)[J]. 袁鳴峰,劉陶,山憲武,徐一晨.  電氣自動(dòng)化. 2019(05)
[9]基于XGBoost算法的電網(wǎng)二次設(shè)備缺陷分類研究[J]. 陳凱,南東亮,孫永輝,夏響.  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[10]深度學(xué)習(xí)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用綜述[J]. 朱俊丞,楊之樂(lè),郭媛君,于坤杰,張建康,穆曉敏.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2019(05)

碩士論文
[1]基于VMD和改進(jìn)型極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)[D]. 吳佳慧.西安理工大學(xué) 2019



本文編號(hào)：3696128