【摘要】：為實現(xiàn)電網(wǎng)運行中的自動發(fā)電控制以及經(jīng)濟調(diào)度控制,首先應(yīng)該進行的工作即為電力系統(tǒng)負荷預測,并且精確的短期負荷預測有利于電力系統(tǒng)的穩(wěn)定性運行,因此,學者們針對短期電力負荷預測投入了大量的研究,旨在尋找合適的方法提高負荷預測精度。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)負荷預測模型局限性顯著。針對此現(xiàn)狀,本文將機器學習的方法應(yīng)用到短期負荷預測中,并且通過某一地區(qū)的負荷及相關(guān)數(shù)據(jù)進行實驗仿真,具體研究內(nèi)容如下:1.對該地區(qū)電力負荷的日周期性、負荷與部分氣象因素之間的關(guān)系以及負荷在不同日期類型下的特點進行了分析,在此基礎(chǔ)上利用鄰域粗糙集理論對負荷的影響因素進行特征提取,避免冗余變量對負荷預測精度以及訓練時間的影響。2.建立了最小二乘支持向量機(LSSVM)模型,針對該模型無法對輸入變量進行科學選擇的缺點,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)進行尋優(yōu),對比尋優(yōu)前后的模型,預測結(jié)果表明通過參數(shù)尋優(yōu)又能使負荷預測精度進一步提高。3.由于LSSVM模型對大樣本數(shù)據(jù)的訓練難以實施,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)訓練網(wǎng)絡(luò),但由于該模型的固有缺點使得最終預測效果欠佳。在此基礎(chǔ)上建立了基于深度置信(DBN)網(wǎng)絡(luò)的負荷預測模型,該模型通過多層的受限波爾茲曼機對輸入變量進行特征提取,然后通過頂層BP神經(jīng)網(wǎng)絡(luò)單元對負荷進行預測。通過對實例進行仿真,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荷預測精度。4.利用上述三種模型對連續(xù)一周的負荷進行預測,實驗結(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練,其中DBN模型預測精度較高并且泛化性能最好。
【學位授予單位】：西安科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TM715;TP181

【參考文獻】

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 深度學習:開啟人工智能的新紀元[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;;深度學習研究綜述[J];北京工業(yè)大學學報;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)短期負荷預測研究[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];上海電機學院學報;2013年03期

6 石曉艷;劉淮霞;于水娟;;鯰魚粒子群算法優(yōu)化支持向量機的短期負荷預測[J];計算機工程與應(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)的短期負荷預測[J];華北電力大學學報(自然科學版);2013年01期

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

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

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

相關(guān)博士學位論文 前1條

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

相關(guān)碩士學位論文 前6條

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

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

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

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

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

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

，

本文編號：2627234