發(fā)布時(shí)間：2021-11-18 19:27

　　隨著我國(guó)電力事業(yè)蓬勃發(fā)展,用戶用電情況愈發(fā)復(fù)雜,準(zhǔn)確電力負(fù)荷預(yù)測(cè)精度更加難以保證,同時(shí)可再生能源發(fā)電的并網(wǎng)使得提升負(fù)荷預(yù)測(cè)精度成為一個(gè)亟待解決的問題。目前常規(guī)預(yù)測(cè)方法的應(yīng)用場(chǎng)景往往較為單一,數(shù)據(jù)規(guī)模對(duì)算法影響較大,且智能程度有待提升。為此,本文設(shè)計(jì)了一種組合短期電力負(fù)荷預(yù)測(cè)模型,算法模型組合了基于支持向量機(jī)（SVM）預(yù)測(cè)方法及基于長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)（LSTM）預(yù)測(cè)方法,利用BP神經(jīng)網(wǎng)絡(luò)組合吸收二種算法優(yōu)點(diǎn),最終實(shí)現(xiàn)模型預(yù)測(cè)精度高于組合前算法。首先,本文列舉短期電力負(fù)荷預(yù)測(cè)常用算法,分析各個(gè)算法適應(yīng)場(chǎng)景及其優(yōu)缺點(diǎn);闡述本文使用的支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等模型的原理,并針對(duì)電力負(fù)荷預(yù)測(cè)需求提出對(duì)算法模型的優(yōu)化方式。其次,設(shè)計(jì)了融合多個(gè)算法的組合模型,提出了組合算法思想并設(shè)計(jì)了組合框架,分別闡述組合模型各部分的搭建及優(yōu)化手段;設(shè)計(jì)了使用自組織神經(jīng)網(wǎng)絡(luò)及孤異森林的數(shù)據(jù)處理流程,并采用這一手段對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理;搭建了算法的訓(xùn)練網(wǎng)絡(luò),確定了組合神經(jīng)網(wǎng)絡(luò)參數(shù)。第三,采用大數(shù)據(jù)技術(shù),設(shè)計(jì)了基于HDFS、HBase的電力負(fù)荷數(shù)據(jù)庫(kù),可實(shí)現(xiàn)非結(jié)構(gòu)化文件類型的電力負(fù)荷數(shù)據(jù)、鍵-值對(duì)形式的負(fù)荷數(shù)據(jù)的存儲(chǔ)管理,以及... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 選題背景及意義
    1.2 國(guó)內(nèi)外預(yù)測(cè)算法研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
    1.3 本文主要工作與章節(jié)安排
    1.4 本章小結(jié)
第2章 短期電力負(fù)荷預(yù)測(cè)方法
    2.1 常見短期電力負(fù)荷預(yù)測(cè)方法對(duì)比
        2.1.1 經(jīng)典電力負(fù)荷預(yù)測(cè)方法
        2.1.2 現(xiàn)代電力負(fù)荷預(yù)測(cè)方法
    2.2 支持向量機(jī)電力負(fù)荷預(yù)測(cè)模型
        2.2.1 支持向量機(jī)理論概述
        2.2.2 最小二乘支持向量機(jī)模型
        2.2.3 粒子群優(yōu)化算法
    2.3 神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)模型
        2.3.1 BP神經(jīng)網(wǎng)絡(luò)模型
        2.3.2 LSTM神經(jīng)網(wǎng)絡(luò)模型
    2.4 本章小結(jié)
第3章 組合預(yù)測(cè)模型構(gòu)建
    3.1 基于權(quán)重分配的組合預(yù)測(cè)總體模型
    3.2 組合預(yù)測(cè)模型的數(shù)據(jù)處理
        3.2.1 負(fù)荷數(shù)據(jù)初步分類處理
        3.2.2 異常負(fù)荷數(shù)據(jù)篩選及處理
    3.3 組合預(yù)測(cè)模型中SVM預(yù)測(cè)模型搭建
    3.4 組合預(yù)測(cè)模型中LSTM預(yù)測(cè)模型搭建
    3.5 組合預(yù)測(cè)模型權(quán)重調(diào)節(jié)網(wǎng)絡(luò)
    3.6 本章小結(jié)
第4章 負(fù)荷數(shù)據(jù)預(yù)處理及數(shù)據(jù)庫(kù)管理系統(tǒng)構(gòu)建
    4.1 電力負(fù)荷特性分析
        4.1.1 短期負(fù)荷組成特性
        4.1.2 典型負(fù)荷特性
    4.2 負(fù)荷大數(shù)據(jù)管理系統(tǒng)設(shè)計(jì)
        4.2.1 基于HDFS的文件數(shù)據(jù)庫(kù)
        4.2.2 基于HBase的歷史負(fù)荷數(shù)據(jù)庫(kù)
    4.3 本章小結(jié)
第5章 負(fù)荷實(shí)例預(yù)測(cè)與分析
    5.1 模型誤差評(píng)價(jià)指標(biāo)
    5.2 支持向量機(jī)方法預(yù)測(cè)結(jié)果
    5.3 LSTM方法預(yù)測(cè)結(jié)果
    5.4 組合模型預(yù)測(cè)結(jié)果
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 下一步工作計(jì)劃
參考文獻(xiàn)
作者簡(jiǎn)介及在學(xué)期間所取得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]趨勢(shì)外推法在連江縣電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 謝輝煌,鄭榮進(jìn),黃曉生.  電氣時(shí)代. 2017(06)
[2]深度學(xué)習(xí)框架下LSTM網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 陳亮,王震,王剛.  電力信息與通信技術(shù). 2017(05)
[3]電力負(fù)荷趨勢(shì)外推預(yù)測(cè)算例分析與模型檢驗(yàn)[J]. 夏昌浩,曹瑾,張密,吳奇云.  中國(guó)科技信息. 2016(21)
[4]基于LSTM的發(fā)電機(jī)組污染物排放預(yù)測(cè)研究[J]. 楊訓(xùn)政,柯余洋,梁肖,熊焰.  電氣自動(dòng)化. 2016(05)
[5]基于改進(jìn)PSO-LSSVM的短期電力負(fù)荷預(yù)測(cè)[J]. 馬小津,朱博,戴琳,張偉,陳熙.  自動(dòng)化技術(shù)與應(yīng)用. 2016(03)
[6]基于Hadoop的用電信息大數(shù)據(jù)計(jì)算服務(wù)及應(yīng)用[J]. 王相偉,史玉良,張建林,梁波,程翠萍.  電網(wǎng)技術(shù). 2015(11)
[7]基于改進(jìn)最小二乘支持向量機(jī)和預(yù)測(cè)誤差校正的短期風(fēng)電負(fù)荷預(yù)測(cè)[J]. 李霄,王昕,鄭益慧,李立學(xué),生西奎,吳昊.  電力系統(tǒng)保護(hù)與控制. 2015(11)
[8]基于小波變換的風(fēng)電場(chǎng)短期風(fēng)速組合預(yù)測(cè)[J]. 田中大,李樹江,王艷紅,高憲文.  電工技術(shù)學(xué)報(bào). 2015(09)
[9]基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷模型預(yù)測(cè)[J]. 李龍,魏靖,黎燦兵,曹一家,宋軍英,方八零.  電工技術(shù)學(xué)報(bào). 2015(08)
[10]考慮氣溫因素的負(fù)荷特性統(tǒng)計(jì)指標(biāo)關(guān)聯(lián)特征數(shù)據(jù)挖掘[J]. 馬瑞,周謝,彭舟,劉道新,徐慧明,王軍,王熙亮.  中國(guó)電機(jī)工程學(xué)報(bào). 2015(01)

博士論文
[1]組合預(yù)測(cè)方法及其應(yīng)用研究[D]. 馬濤.蘭州大學(xué) 2017

碩士論文
[1]基于數(shù)據(jù)挖掘的用電數(shù)據(jù)異常的分析與研究[D]. 張榮昌.北京交通大學(xué) 2017
[2]基于Hadoop的地震數(shù)據(jù)處理方法[D]. 王鑫.吉林大學(xué) 2017
[3]Hadoop架構(gòu)下海量空間數(shù)據(jù)存儲(chǔ)與管理[D]. 李慶君.武漢大學(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SOM的滾動(dòng)軸承故障狀態(tài)識(shí)別方法的研究[D]. 馮睿智.沈陽理工大學(xué) 2017
[6]電力負(fù)荷特性分析及短期負(fù)荷預(yù)測(cè)系統(tǒng)的研發(fā)[D]. 于浩祺.湖南大學(xué) 2016
[7]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價(jià)格趨勢(shì)預(yù)測(cè)模型的研究[D]. 孫瑞奇.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2016
[8]基于最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè)[D]. 龔文龍.湖南大學(xué) 2014
[9]電力負(fù)荷特性指標(biāo)及其內(nèi)在關(guān)聯(lián)性分析[D]. 周謝.長(zhǎng)沙理工大學(xué) 2013
[10]基于量子粒子群的支持向量機(jī)算法的研究與應(yīng)用[D]. 張同心.浙江大學(xué) 2013



本文編號(hào)：3503477