隨著社會不斷發(fā)展,電力需求隨之更加迫切,同時也促使電力市場必須向前發(fā)展。為了切實保障供電需求以及削減電能資源浪費成本,這就需要制定相對合理的供電方案、電網合理規(guī)劃建設等等一系列措施。這些措施的制定是需要比較可靠的參考數據作支撐,而對未來數據情況的預知可以通過電力預測獲得,因此針對在多源影響因素條件下電力預測模型的研究具有一定的研究價值。在文中首先對課題研究的背景和意義進行了比較詳細的闡述,而后梳理清楚課題研究所處的范疇和可能涉及到的一些相關理論技術以及幾個算法模型。而后在數據處理問題上,針對數據問題選擇合適的且具有針對性的處理方法。通過采用啞變量處理將外部數據轉換成研究中可用的數據規(guī)格;為了消除不同屬性數據之間的量綱差距,通過歸一化操作使輸入模型的數據統(tǒng)一化量綱;針對研究中的用電量數據缺失情況,提出K值最近鄰均值填補方法,通過和同類方法做縱向對比發(fā)現其填補效果較好。為了削減數據序列間的差異化因素影響預測效果,且間接提高預測模型的魯棒性,通過使用聚類方法分割原數據集,可聚成多個簇類子集。因此提出在Kmeans算法基礎上針對時間序列進行優(yōu)化,主要是計算距離的方法的調整,即使用動態(tài)時間規(guī)整和...

【文章頁數】：83 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外相關領域的研究現狀
    1.3 研究內容
    1.4 論文的組織結構
第2章 相關理論技術
    2.1 數據挖掘簡述
    2.2 數據處理技術
    2.3 機器學習中的回歸預測模型
    2.4 模型評估
    2.5 本章小結
第3章 電力預測業(yè)務框架與數據采集和處理
    3.1 電力預測業(yè)務框架分析研究
    3.2 源數據采集
        3.2.1 直接獲取
        3.2.2 間接獲取
    3.3 源數據預處理
        3.3.1 啞變量處理
        3.3.2 歸一化處理
        3.3.3 缺失值處理
        3.3.4 其他處理
    3.4 本章小結
第4章 基于動態(tài)時間規(guī)整的時間序列聚類研究
    4.1 關于聚類和時間序列的分析
    4.2 優(yōu)化Kmeans時間序列聚類方法
        4.2.1 聚類方法思路研究
        4.2.2 加權整合動態(tài)時間規(guī)整和歐氏距離優(yōu)化聚類
    4.3 Kmeans時間序列聚類的實驗分析
        4.3.1 優(yōu)化方法的實驗仿真
        4.3.2 優(yōu)化方法的評估指標
        4.3.3 對比驗證不同方法的優(yōu)良
    4.4 本章小結
第5章 電力預測模型整合優(yōu)化
    5.1 關于電力預測模型優(yōu)化的思路分析
    5.2 整合多方法優(yōu)化電力預測模型
        5.2.1 針對數據構造特征方案
        5.2.2 整合方法優(yōu)化模型研究
    5.3 實驗應用和結果分析
        5.3.1 離散小波變換提取特征對預測效果的提升實驗分析
        5.3.2 改進的Kmeans聚類方法優(yōu)化預測模型的效果實驗分析
        5.3.3 遞歸迭代過程優(yōu)化預測模型的效果實驗分析
    5.4 本章小結
結論
參考文獻
攻讀碩士學位期間所獲得的研究成果
致謝



本文編號：3907396