近年來,居民電力需求占社會電力總需求的比例正在逐漸上升,與工業(yè)電力需求相比,居民電力消費需求具有增長快,彈性大的特點,容易通過相應的政策進行宏觀調控。因此減少不合理居民電力消費有助于降低整個社會的電力消費,從而降低能源消耗,有利于經濟持續(xù)健康發(fā)展。從需求側角度來看,研究居民電力消費特征以及相應的電力消費行為有助于電力服務公司制定更加有效合理的干預政策。近年來,大數(shù)據(jù)技術和人工智能技術在能源消費模式與能源消費預測領域發(fā)揮著越來越重要的作用,因此本文利用機器學習技術對居民電力消費特征進行了研究。本文分別研究了居民電力消費模式和居民電力消費概率密度預測,并且利用江蘇省南京市2014年電力消費數(shù)據(jù)進行了實證研究。首先通過k-means聚類算法研究了居民節(jié)日電力消費特征,結果表明:春節(jié)期間存在三種典型電力消費模式,符合春節(jié)期間居民行為規(guī)律;勞動節(jié)與國慶節(jié)期間存在兩種典型電力消費模式,符合居民勞動節(jié)與國慶節(jié)期間行為規(guī)律。其次,分析了居民的季節(jié)性電力消費特征,研究發(fā)現(xiàn):居民在冬季與夏季期間電力消費量高于春季與秋季期間電力消費量,并且夏季與冬季期間電力消費波動性較大;冬季居民電力消費量與夏季電力消費量... 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 居民電力消費行為研究現(xiàn)狀
        1.2.2 居民電力消費模式研究現(xiàn)狀
        1.2.3 居民電力消費預測研究現(xiàn)狀
        1.2.4 研究現(xiàn)狀總結
    1.3 本文主要創(chuàng)新點
    1.4 研究內容與論文結構
第二章 研究方法及理論基礎
    2.1 k-means算法
    2.2 神經網絡
        2.2.1 神經網絡模型表示
        2.2.2 神經網絡參數(shù)學習
    2.3 分位數(shù)回歸
        2.3.1 分位數(shù)回歸模型表示
        2.3.2 分位數(shù)回歸模型估計
    2.4 概率密度估計
    2.5 本章小結
第三章 居民電力消費研究框架
    3.1 基于聚類算法的居民電力消費模式研究
        3.1.1 數(shù)據(jù)采集
        3.1.2 數(shù)據(jù)預處理
        3.1.3 聚類分析
    3.2 基于深度學習的居民電力消費概率密度預測研究
    3.3 本章小結
第四章 居民電力消費實證研究
    4.1 研究區(qū)域概況
    4.2 數(shù)據(jù)收集
    4.3 特征工程
    4.4 居民電力消費的時序特征
        4.4.1 節(jié)日電力消費特征
        4.4.2 季節(jié)電力消費特征
    4.5 居民電力消費溫度敏感性分析
    4.6 居民電力消費的特征預測
        4.6.1 點預測
        4.6.2 特征重要性分析
        4.6.3 概率密度預測
    4.7 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
攻讀碩士學位期間的學術活動及成果情況


【參考文獻】：
期刊論文
[1]分位數(shù)局部調整模型及應用[J]. 許啟發(fā),蔣翠俠.  數(shù)量經濟技術經濟研究. 2011(08)



本文編號：3471771