隨著我國的經(jīng)濟(jì)實(shí)力逐漸增強(qiáng),電能已經(jīng)成為人類生活中不可替代無法或缺的重要部分,電力供應(yīng)中出現(xiàn)的故障或者中斷輕則影響人們的生活,重則導(dǎo)致不可挽回的重大生命財(cái)產(chǎn)或國家級(jí)別的損失,所以電力系統(tǒng)的可靠性極為重要。電力預(yù)測(cè)在電能管理系統(tǒng)中起著舉足輕重的作用,它對(duì)電力系統(tǒng)的運(yùn)行、控制和規(guī)劃有重要的指導(dǎo)意義。如果缺少預(yù)測(cè)或者預(yù)測(cè)不到位,在固定的發(fā)電周期內(nèi)會(huì)增加大量的運(yùn)行和維護(hù)的成本。所以為電力系統(tǒng)建立準(zhǔn)確的短期負(fù)荷預(yù)測(cè)模型,將成為了國家能源管理戰(zhàn)略的關(guān)鍵因素。在電力負(fù)荷預(yù)測(cè)過程當(dāng)中,由于各種影響因素的存在,會(huì)導(dǎo)致負(fù)荷數(shù)據(jù)序列的波動(dòng)和不穩(wěn)定。針對(duì)這個(gè)問題,本文提出了一種將集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）和最小冗余-最大相關(guān)（mRMR）相結(jié)合的數(shù)據(jù)預(yù)處理方法。將原始負(fù)荷數(shù)據(jù)序列分解為若干個(gè)固有模態(tài)函數(shù)和一個(gè)不同頻率的殘差,以減弱復(fù)雜因素對(duì)數(shù)據(jù)序列的影響。然后再利用mRMR進(jìn)行相關(guān)性分析,計(jì)算出各個(gè)IMF與特征信息（日類型、溫度、氣象條件等）之間的關(guān)聯(lián)性,最終得到最佳特征集。近年來,基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的模型和長短期記憶網(wǎng)絡(luò)（LSTM）在電力負(fù)荷預(yù)測(cè)中取得了良好的效果,現(xiàn)有的預(yù)測(cè)模型沒有使用全部的隱藏層... 

【文章來源】：蘭州理工大學(xué)甘肅省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

015年8月1日至8月7日的甘肅省電力總負(fù)荷曲線

全日制工程碩士學(xué)位論文9圖2.22015年8月甘肅省連續(xù)四周負(fù)荷曲線（2）隨機(jī)性一些人為或者自然的原因?qū)е碌碾娏ω?fù)荷的變化是不可避免的，數(shù)據(jù)越多這種情況發(fā)生的幾率越大，并且這樣的情況我們根本無法預(yù)測(cè)。對(duì)于電力負(fù)荷隨機(jī)性產(chǎn)生的數(shù)據(jù)我們要對(duì)其進(jìn)行處理，處理的方法一般從兩個(gè)方面入手，一種是要對(duì)缺失數(shù)據(jù)進(jìn)行修補(bǔ)，常用的方法是通過擬合函數(shù)進(jìn)行回歸分析或者采用自回歸模型；另一方面是要對(duì)異常數(shù)據(jù)進(jìn)行辨識(shí)與修改，一般是由于突發(fā)情況儀表故障等產(chǎn)生的，這種情況我們需要提前假定一個(gè)閾值，檢測(cè)出異常數(shù)據(jù)后金進(jìn)行剔除，在運(yùn)用缺失數(shù)據(jù)的修補(bǔ)進(jìn)行填充。對(duì)于一些隨機(jī)的噪聲我們將在下一章進(jìn)行詳細(xì)的介紹與處理。（3）波動(dòng)性用戶的用電量、用電時(shí)間和用電頻率是隨著用戶生產(chǎn)生活的變化而變化，溫度、濕度、風(fēng)速、節(jié)假日、作息規(guī)律等都會(huì)影響一個(gè)周期內(nèi)的負(fù)荷變化情況，所以負(fù)荷值不會(huì)保持在一個(gè)固定的值，是實(shí)時(shí)變化的量，如上圖所示，負(fù)荷的波動(dòng)性顯而易見，本文所研究的就是在負(fù)荷的不斷波動(dòng)中找到相關(guān)的規(guī)律指導(dǎo)有關(guān)部門的生產(chǎn)生活。2.3影響電力負(fù)荷的因素上一節(jié)我們介紹了電力負(fù)荷的分類和特性，研究分類和特性的目的是了解電力負(fù)荷的大概走勢(shì)，讓我們對(duì)電力負(fù)荷有一個(gè)初步的了解。對(duì)于電力負(fù)荷的變化并不是一成不變的，影響電力負(fù)荷變化的因素各種各樣，這里我們將其分為以下幾類，如表2.2所示。包括天氣的變化、季節(jié)的變化、用戶生產(chǎn)生活的作息。天氣的變化包括溫度、濕度、風(fēng)速、雨雪天氣等；季節(jié)的變化會(huì)影響人們用電設(shè)備的使用情況；用戶的生產(chǎn)生活作息只要包括節(jié)假日，工作的時(shí)間，工作的地點(diǎn)，用戶的情況等等。我們分析這些影響因素的目的是為了使我們后期的負(fù)荷預(yù)測(cè)正價(jià)接近實(shí)際，更加準(zhǔn)確。

基于EEMD和CCLSTM組合模型的電力負(fù)荷預(yù)測(cè)的研究12第3章負(fù)荷原始數(shù)據(jù)處理方法的研究3.1引言電力負(fù)荷是一種特殊的時(shí)間序列，我們?cè)跀?shù)據(jù)處理方面面對(duì)的挑戰(zhàn)是其具有的非線性、波動(dòng)性和相似性等特點(diǎn)。因此，為了得到理想的預(yù)測(cè)結(jié)果，在數(shù)據(jù)進(jìn)入模型的訓(xùn)練過程之前，我們需要對(duì)電力負(fù)荷的原始數(shù)據(jù)進(jìn)行處理與分析。目前，對(duì)分析非線性序列表現(xiàn)較好的四種數(shù)據(jù)處理方式分別是小波分解、經(jīng)驗(yàn)?zāi)B(tài)分解(EmpiricalModeDecomposition，EMD)、集合經(jīng)驗(yàn)?zāi)B(tài)分解（EnsembleEmpiricalModeDecomposition，EEMD）[29]。本章我們將對(duì)這三種方法進(jìn)行對(duì)比分析，挑選出對(duì)電力負(fù)荷數(shù)據(jù)最為敏感與可靠的方法來對(duì)電力負(fù)荷原始數(shù)據(jù)進(jìn)行分解。最后我們提出了最大相關(guān)-最小冗余（Max-RelevanceandMin-Redundancy，mRMR）用來隨分解后的結(jié)果進(jìn)行最佳特征的提取，來方便后期的預(yù)測(cè)工作。3.2負(fù)荷原始數(shù)據(jù)處理方法的對(duì)比與分析3.2.1小波分解的原理及與頻譜分析自然界中大量的信號(hào)基本都是非平穩(wěn)性信號(hào)，完全的平穩(wěn)信號(hào)幾乎不存在，電力負(fù)荷數(shù)據(jù)就是很典型的非平穩(wěn)信號(hào)。說到信號(hào)的分析與分解，我們首先想到的是傅里葉變換（FourierTranformation）。傅里葉變換是將信號(hào)波形分解成不同頻率的正弦波[30]，但是傅里葉變換處理非平穩(wěn)信號(hào)具有天生的缺陷，它只能獲取一段信號(hào)總體上包含哪些頻率的成分，但是對(duì)各成分出現(xiàn)的時(shí)刻并無所知，即失去了時(shí)間特性[31]。因此時(shí)域相差很大的兩個(gè)信號(hào)，可能頻譜圖一樣，所以我們提出了小波分解來彌補(bǔ)傅里葉變換的局限性。小波分解顧名思義就是取一個(gè)時(shí)間序列中的一段小波，其原理如圖3.1所示，表達(dá)式如公式（3.1）（3.2）所示。圖3.1小波分解的示意圖

【參考文獻(xiàn)】：
期刊論文
[1]基于注意力機(jī)制的CNN-GRU短期電力負(fù)荷預(yù)測(cè)方法[J]. 趙兵,王增平,紀(jì)維佳,高欣,李曉兵.  電網(wǎng)技術(shù). 2019(12)
[2]計(jì)及風(fēng)電功率不確定性的電力系統(tǒng)輸電可靠性裕度快速評(píng)估[J]. 李鍇,黨杰,孫鑫,楊丹,艾東平,馬世俊.  電網(wǎng)技術(shù). 2019(09)
[3]基于相關(guān)性分析和長短期記憶網(wǎng)絡(luò)分位數(shù)回歸的短期公共樓宇負(fù)荷概率密度預(yù)測(cè)[J]. 楊秀,陳斌超,朱蘭,方陳.  電網(wǎng)技術(shù). 2019(09)
[4]基于智能相似日識(shí)別及偏差校正的短期負(fù)荷預(yù)測(cè)方法[J]. 劉翊楓,周國鵬,劉昕,汪洋,鄭宇鵬,邵立政.  電力系統(tǒng)保護(hù)與控制. 2019(12)
[5]考慮多影響因素的關(guān)鍵輸電線路辨識(shí)[J]. 朱大銳,王睿,段建東,陳魯鵬,薛冰,程文姬.  中國電機(jī)工程學(xué)報(bào). 2019(20)
[6]基于Spark和梯度提升樹模型的短期負(fù)荷預(yù)測(cè)[J]. 許賢澤,劉靜,施元,譚盛煌.  華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[7]基于LSTM網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J]. 陳洪波,王璨,徐斌,丁津津,張倩,馬愿.  電工技術(shù). 2019(09)
[8]考慮天然氣和電負(fù)荷之間相關(guān)性的短期電負(fù)荷預(yù)測(cè)[J]. 朱瑞金,郭威麟,龔雪嬌.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2019(08)
[9]基于深度長短時(shí)記憶網(wǎng)絡(luò)的區(qū)域級(jí)超短期負(fù)荷預(yù)測(cè)方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術(shù). 2019(06)
[10]自編碼器與PSOA-CNN結(jié)合的短期負(fù)荷預(yù)測(cè)模型[J]. 王文卿,撖奧洋,于立濤,張智晟.  山東大學(xué)學(xué)報(bào)(理學(xué)版). 2019(07)

碩士論文
[1]SVM與神經(jīng)網(wǎng)絡(luò)的組合模型在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究[D]. 金樑.吉林大學(xué) 2018
[2]基于改進(jìn)蛙跳算法的小波神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)研究[D]. 牛凡超.西南交通大學(xué) 2017
[3]計(jì)及需求響應(yīng)的用戶側(cè)光伏微電網(wǎng)儲(chǔ)能配置方法[D]. 周楠.華北電力大學(xué)(北京) 2017
[4]新型輸配電電網(wǎng)建設(shè)及新能源微電網(wǎng)并網(wǎng)研究[D]. 胡春磊.華北電力大學(xué)(北京) 2017
[5]基于BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷中長期預(yù)測(cè)[D]. 朱曉露.華北電力大學(xué)(北京) 2017
[6]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
[7]基于神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法研究[D]. 劉文博.浙江大學(xué) 2017
[8]深圳市電力需求分析與預(yù)測(cè)研究[D]. 王茂月.華北電力大學(xué)(北京) 2017
[9]基于RNN的發(fā)電機(jī)組排放預(yù)測(cè)及發(fā)電調(diào)度研究[D]. 楊訓(xùn)政.中國科學(xué)技術(shù)大學(xué) 2016
[10]用電負(fù)荷諧波特性及仿真技術(shù)研究[D]. 徐卓.東南大學(xué) 2016



本文編號(hào)：3471957