【摘要】：為實(shí)現(xiàn)電網(wǎng)運(yùn)行中的自動發(fā)電控制以及經(jīng)濟(jì)調(diào)度控制,首先應(yīng)該進(jìn)行的工作即為電力系統(tǒng)負(fù)荷預(yù)測,并且精確的短期負(fù)荷預(yù)測有利于電力系統(tǒng)的穩(wěn)定性運(yùn)行,因此,學(xué)者們針對短期電力負(fù)荷預(yù)測投入了大量的研究,旨在尋找合適的方法提高負(fù)荷預(yù)測精度。但隨著智能電網(wǎng)技術(shù)的發(fā)展,電網(wǎng)監(jiān)測數(shù)據(jù)的規(guī)模明顯增大,使得傳統(tǒng)負(fù)荷預(yù)測模型局限性顯著。針對此現(xiàn)狀,本文將機(jī)器學(xué)習(xí)的方法應(yīng)用到短期負(fù)荷預(yù)測中,并且通過某一地區(qū)的負(fù)荷及相關(guān)數(shù)據(jù)進(jìn)行實(shí)驗仿真,具體研究內(nèi)容如下:1.對該地區(qū)電力負(fù)荷的日周期性、負(fù)荷與部分氣象因素之間的關(guān)系以及負(fù)荷在不同日期類型下的特點(diǎn)進(jìn)行了分析,在此基礎(chǔ)上利用鄰域粗糙集理論對負(fù)荷的影響因素進(jìn)行特征提取,避免冗余變量對負(fù)荷預(yù)測精度以及訓(xùn)練時間的影響。2.建立了最小二乘支持向量機(jī)(LSSVM)模型,針對該模型無法對輸入變量進(jìn)行科學(xué)選擇的缺點(diǎn),引入鄰域粗糙集特征提取結(jié)果。對比常規(guī)LSSVM模型與經(jīng)過鄰域粗糙集特征提取的LSSVM模型,證明了選擇合適的影響因素能大幅提高預(yù)測精度。并且,采用粒子群算法對模型中的核寬度參數(shù)以及懲罰參數(shù)進(jìn)行尋優(yōu),對比尋優(yōu)前后的模型,預(yù)測結(jié)果表明通過參數(shù)尋優(yōu)又能使負(fù)荷預(yù)測精度進(jìn)一步提高。3.由于LSSVM模型對大樣本數(shù)據(jù)的訓(xùn)練難以實(shí)施,因此建立了 BP神經(jīng)網(wǎng)絡(luò)模型。利用一整年的樣本數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),但由于該模型的固有缺點(diǎn)使得最終預(yù)測效果欠佳。在此基礎(chǔ)上建立了基于深度置信(DBN)網(wǎng)絡(luò)的負(fù)荷預(yù)測模型,該模型通過多層的受限波爾茲曼機(jī)對輸入變量進(jìn)行特征提取,然后通過頂層BP神經(jīng)網(wǎng)絡(luò)單元對負(fù)荷進(jìn)行預(yù)測。通過對實(shí)例進(jìn)行仿真,結(jié)果表明,相較于常規(guī)神經(jīng)網(wǎng)絡(luò)模型,該模型能夠有效提高負(fù)荷預(yù)測精度。4.利用上述三種模型對連續(xù)一周的負(fù)荷進(jìn)行預(yù)測,實(shí)驗結(jié)果表明,LSSVM模型適用于樣本數(shù)據(jù)較少時的情況,而BP神經(jīng)網(wǎng)絡(luò)模型與DBN模型適用于對大量樣本的訓(xùn)練,其中DBN模型預(yù)測精度較高并且泛化性能最好。
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TM715;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李軼南;張雄偉;李治中;吳海佳;孫久皓;;第1講 深度學(xué)習(xí):開啟人工智能的新紀(jì)元[J];軍事通信技術(shù);2015年04期

2 范永洪;;智能電網(wǎng)發(fā)展技術(shù)的探究[J];電子測試;2014年24期

3 尹寶才;王文通;王立春;;深度學(xué)習(xí)研究綜述[J];北京工業(yè)大學(xué)學(xué)報;2015年01期

4 楊再鶴;向鐵元;鄭丹;;基于小波變換和SVM算法的微電網(wǎng)短期負(fù)荷預(yù)測研究[J];現(xiàn)代電力;2014年03期

5 焦斌;葉明星;;BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)確定方法[J];上海電機(jī)學(xué)院學(xué)報;2013年03期

6 石曉艷;劉淮霞;于水娟;;鯰魚粒子群算法優(yōu)化支持向量機(jī)的短期負(fù)荷預(yù)測[J];計算機(jī)工程與應(yīng)用;2013年11期

7 李嘉龍;李小燕;劉思捷;文福拴;郭文濤;;考慮氣溫累積效應(yīng)的短期負(fù)荷預(yù)測[J];華北電力大學(xué)學(xué)報(自然科學(xué)版);2013年01期

8 劉榮;方鴿飛;;改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的綜合氣象短期負(fù)荷預(yù)測[J];電力系統(tǒng)保護(hù)與控制;2012年22期

9 廖旎煥;胡智宏;馬瑩瑩;盧王允;;電力系統(tǒng)短期負(fù)荷預(yù)測方法綜述[J];電力系統(tǒng)保護(hù)與控制;2011年01期

10 湯義強(qiáng);毛軍軍;李俠;程白彬;;基于粗集屬性約簡的電力供應(yīng)量SVM回歸預(yù)測[J];計算機(jī)技術(shù)與發(fā)展;2010年09期

相關(guān)博士學(xué)位論文 前1條

1 姜靜清;最小二乘支持向量機(jī)算法及應(yīng)用研究[D];吉林大學(xué);2007年

相關(guān)碩士學(xué)位論文 前6條

1 李剛強(qiáng);基于小波變換和深度信念網(wǎng)絡(luò)的風(fēng)電場短期風(fēng)速預(yù)測方法[D];深圳大學(xué);2017年

2 張國輝;基于深度置信網(wǎng)絡(luò)的時間序列預(yù)測方法及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2017年

3 陳宇杰;基于BP神經(jīng)網(wǎng)絡(luò)的區(qū)域配電網(wǎng)中期電力負(fù)荷預(yù)測[D];吉林大學(xué);2017年

4 萬志宏;基于時間序列的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D];華南理工大學(xué);2012年

5 霍明;短期負(fù)荷預(yù)測的支持向量機(jī)模型參數(shù)優(yōu)化方法研究[D];湖南大學(xué);2009年

6 朱振偉;氣象因素對電網(wǎng)負(fù)荷特性影響的研究[D];浙江大學(xué);2008年

，

本文編號：2627234