【摘要】：因短期電力系統(tǒng)負(fù)荷具有明顯的隨機(jī)性,使得其負(fù)荷預(yù)測(cè)工作不容易找到內(nèi)在發(fā)展規(guī)律,故很不容易提高短期負(fù)荷預(yù)測(cè)的準(zhǔn)確性。因依據(jù)簡(jiǎn)單基礎(chǔ)理論的傳統(tǒng)負(fù)荷預(yù)測(cè)沒(méi)有充分考慮影響電力系統(tǒng)負(fù)荷發(fā)展的關(guān)鍵性因素被研究學(xué)者們逐漸淘汰。近年來(lái),因?yàn)閲?guó)家政策的完善使得城市發(fā)展越來(lái)越規(guī)范合理,城市土地性質(zhì)也越來(lái)越明確,這就為電力負(fù)荷預(yù)測(cè)提供了一個(gè)優(yōu)越的有基礎(chǔ)的更廣闊的研究空間。使得很多研究學(xué)者也對(duì)空間負(fù)荷預(yù)測(cè)方法進(jìn)行了系統(tǒng)深入地研究以得到較高的短期負(fù)荷預(yù)測(cè)精度。其中短期負(fù)荷預(yù)測(cè)中發(fā)展?jié)摿^大的預(yù)測(cè)方法當(dāng)屬最小二乘支持向量機(jī)(LS-SVM)。隨著對(duì)其研究的擴(kuò)展,研究學(xué)者們對(duì)LS-SVM預(yù)測(cè)方法的探究越來(lái)越深刻�；谏羁塘私夂鸵庾R(shí)到短期負(fù)荷預(yù)測(cè)的本質(zhì)理論和深刻意義,本研究論文選擇了一種優(yōu)化的LS-SVM預(yù)測(cè)模型來(lái)對(duì)短期負(fù)荷預(yù)測(cè)進(jìn)行一個(gè)更深廣的研究。本文多方面綜合考慮了外部影響因素,如負(fù)荷功能區(qū)土地使用性質(zhì)和天氣等。該預(yù)測(cè)模型集多種因素所校正并得以自學(xué)習(xí)適應(yīng),使其更加智能化,也更加符合實(shí)際環(huán)境,但卻使模型更加復(fù)雜且不易模擬。復(fù)雜性的提高還有各種因素的考慮使得該預(yù)測(cè)模型的魯棒性下降,使得該預(yù)測(cè)模型的穩(wěn)定性被一些影響因素破壞,故本文特別應(yīng)用由各種因素下誤差得出的權(quán)系數(shù)因子修改其預(yù)測(cè)模型以提高魯棒性和穩(wěn)定性。另外,本文還為更快更準(zhǔn)確地搭建預(yù)測(cè)模型采用了貝葉斯證據(jù)框架優(yōu)化模式。通過(guò)此模式優(yōu)化,本文預(yù)測(cè)模型更具有實(shí)用性和高效性。本文第一章先著重有條理地介紹了電力負(fù)荷預(yù)測(cè)研究原理,第二章研究了進(jìn)行負(fù)荷數(shù)據(jù)采集的重要平臺(tái)-地理信息系統(tǒng)(GIS),而且也分析了數(shù)據(jù)前期處理對(duì)空間負(fù)荷分類分區(qū)的重要性。接下來(lái),第三章則為構(gòu)建預(yù)測(cè)模型奠定數(shù)據(jù)樣本基礎(chǔ)提供了理論依據(jù)。第四章則統(tǒng)籌考慮各種外界的影響因素,研究了一種加權(quán)處理的最小二乘支持向量機(jī),并應(yīng)用貝葉斯證據(jù)框架對(duì)其模型進(jìn)行優(yōu)化。本文最后,完善了整體預(yù)測(cè)流程,并在電力GIS圖層上選取一個(gè)行政功能負(fù)荷區(qū),采用本文構(gòu)建的預(yù)測(cè)模型進(jìn)行為期10日的負(fù)荷預(yù)測(cè),與優(yōu)化前模型輸出的負(fù)荷作對(duì)比,證明本文研究的優(yōu)化后預(yù)測(cè)模型的先進(jìn)可靠性,具有實(shí)用價(jià)值�？稍谏鐣�(huì)上推廣以適應(yīng)電力發(fā)展。
[Abstract]:It is difficult to improve the accuracy of short-term load forecasting because of the obvious randomness of short-term power system load, which makes it difficult to find the inherent development law in load forecasting work. Because the traditional load forecasting based on simple basic theory does not fully consider the key factors that affect the development of power system load, it is gradually eliminated by researchers. In recent years, because of the perfection of national policy, the urban development is more and more standardized and reasonable, and the nature of urban land is becoming more and more clear, which provides a superior and broader research space for power load forecasting. As a result, many researchers have also carried out systematic and in-depth research on spatial load forecasting methods in order to obtain higher short-term load forecasting accuracy. The least square support vector machine (LS-SVM) is the most promising method in short term load forecasting. With the expansion of the research, the research on LS-SVM prediction methods is more and more profound. Based on the deep understanding and realization of the essential theory and significance of short-term load forecasting, this paper chooses an optimized LS-SVM forecasting model to study short-term load forecasting more deeply. In this paper, external factors, such as the nature of land use and weather in the load function area, are considered comprehensively. The prediction model is calibrated by many factors and adapts to self-learning to make it more intelligent and more suitable to the actual environment, but it makes the model more complex and difficult to simulate. The increase of complexity and the consideration of various factors make the robustness of the prediction model decrease, and the stability of the prediction model is destroyed by some influential factors. Therefore, in this paper, the prediction model is modified by the weight factor derived from the error under various factors to improve the robustness and stability. In addition, this paper adopts Bayesian evidence framework optimization model to build prediction model more quickly and accurately. Through the optimization of this model, the prediction model in this paper is more practical and efficient. In the first chapter of this paper, the research principle of power load forecasting is introduced systematically. In the second chapter, the importance of data pre-processing to spatial load classification and partition is analyzed, which is an important platform for load data acquisition, which is called Geographic Information system (GIS),). Then, the third chapter provides the theoretical basis for building the prediction model. In chapter 4, considering all kinds of external factors, we study a weighted least-squares support vector machine (LS-SVM), and apply Bayesian evidence framework to optimize its model. Finally, the whole forecasting process is perfected, and a load area of administrative function is selected on the GIS layer of electric power. The forecasting model constructed in this paper is used to carry out the load forecasting for 10 days, which is compared with the load output from the model before optimization. It is proved that the advanced reliability of the optimized prediction model studied in this paper is of practical value. Can be promoted in the community to adapt to the development of electricity.
【學(xué)位授予單位】：天津理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TM715

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馬麗萍,褚立國(guó);試論平均預(yù)測(cè)模型假設(shè)[J];內(nèi)蒙古科技與經(jīng)濟(jì);2004年14期

2 張成;王興春;;空中機(jī)動(dòng)目標(biāo)航路預(yù)測(cè)模型[J];火力與指揮控制;2007年09期

3 李楷;;論汽車整車庫(kù)存預(yù)測(cè)模型的構(gòu)建[J];現(xiàn)代商貿(mào)工業(yè);2008年05期

4 趙國(guó)清;張少勇;;關(guān)于成長(zhǎng)曲線預(yù)測(cè)模型參數(shù)識(shí)別的一點(diǎn)看法[J];哈爾濱科學(xué)技術(shù)大學(xué)科學(xué)報(bào)告會(huì)論文摘要匯編;1985年S1期

5 左常勇;;隨機(jī)疲勞壽命分布預(yù)測(cè)模型[J];機(jī)械強(qiáng)度;1988年02期

6 ;《節(jié)能管理和預(yù)測(cè)模型》[J];中國(guó)能源;1991年08期

7 劉沐宇,鄭澤岱;灰色預(yù)測(cè)模型及在巷道收斂位移中的應(yīng)用[J];非金屬礦;1992年05期

8 張步涵;鄭琢非;;灰色預(yù)測(cè)模型在農(nóng)電規(guī)劃中的應(yīng)用[J];水電能源科學(xué);1993年02期

9 陳淑敏;王秀英;;指數(shù)預(yù)測(cè)模型及參數(shù)識(shí)別[J];哈爾濱科學(xué)技術(shù)大學(xué)學(xué)報(bào);1993年03期

10 陳傳波,劉廣宇;實(shí)時(shí)參量預(yù)測(cè)模型及其分析[J];湖北工學(xué)院學(xué)報(bào);2001年04期

相關(guān)會(huì)議論文 前10條

1 鄢小彬;肖新平;;基于灰色馬爾可夫模型的煤礦安全預(yù)測(cè)[A];第九屆中國(guó)青年信息與管理學(xué)者大會(huì)論文集[C];2007年

2 羅榮桂;黃敏鎂;;基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的服務(wù)業(yè)發(fā)展預(yù)測(cè)模型[A];Well-off Society Strategies and Systems Engineering--Proceedings of the 13th Annual Conference of System Engineering Society of China[C];2004年

3 王亮;劉豹;徐德民;;預(yù)測(cè)模型的選擇及其智能化實(shí)現(xiàn)[A];科學(xué)決策與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第六次年會(huì)論文集[C];1990年

4 肖健華;吳今培;;基于支持向量機(jī)的預(yù)測(cè)模型及應(yīng)用[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（下冊(cè)）[C];2003年

5 李陽(yáng)旭;鄧輝文;;一種新的企業(yè)市場(chǎng)預(yù)測(cè)模型及其比較研究[A];2004年中國(guó)管理科學(xué)學(xué)術(shù)會(huì)議論文集[C];2004年

6 馬志元;;城市區(qū)域經(jīng)濟(jì)、人口、能源、環(huán)境綜合系統(tǒng)預(yù)測(cè)模型及應(yīng)用[A];中國(guó)城市建設(shè)與環(huán)境保護(hù)實(shí)踐——城市建設(shè)與環(huán)境保護(hù)學(xué)術(shù)研討會(huì)論文集[C];1997年

7 李兆芹;姚克敏;;一種新的疾病發(fā)病率預(yù)測(cè)模型研究[A];首屆長(zhǎng)三角氣象科技論壇論文集[C];2004年

8 李兆芹;姚克敏;;一種新的疾病發(fā)病率預(yù)測(cè)模型研究[A];首屆長(zhǎng)三角科技論壇——?dú)庀罂萍及l(fā)展論壇論文集[C];2004年

9 張曉f^;;全球煤炭產(chǎn)量的灰色預(yù)測(cè)模型[A];中國(guó)現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第十三屆學(xué)術(shù)年會(huì)論文集[C];2007年

10 肖會(huì)敏;樊為剛;;基于神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測(cè)模型[A];04'中國(guó)企業(yè)自動(dòng)化和信息化建設(shè)論壇暨中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì)專輯[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 劉慶;“預(yù)測(cè)模型”要緩行[N];網(wǎng)絡(luò)世界;2006年

2 特約記者 劉京濤;華東化工銷售員工設(shè)計(jì)價(jià)格預(yù)測(cè)模型見(jiàn)成效[N];中國(guó)石油報(bào);2010年

3 南方日?qǐng)?bào)記者 彭琳　實(shí)習(xí)生 周鵬程;預(yù)測(cè)世界杯之外 大數(shù)據(jù)還能做什么[N];南方日?qǐng)?bào);2014年

4 本報(bào)記者 張超;預(yù)測(cè)模型：推算SARS起落潮[N];科技日?qǐng)?bào);2003年

5 本報(bào)記者 段佳;機(jī)器“品肉師”替您“嘗鮮”[N];大眾科技報(bào);2010年

6 BMC首席IT技術(shù)官 Mahendra Durai　IDC顧問(wèn) Eric Hatcher Randy Perry;預(yù)測(cè)智能：管理復(fù)雜基礎(chǔ)架構(gòu)的鎖鑰[N];中國(guó)計(jì)算機(jī)報(bào);2010年

7 張琳 趙偉;巧用Excel構(gòu)建利潤(rùn)預(yù)測(cè)模型[N];財(cái)會(huì)信報(bào);2007年

8 楊宜勇（作者為國(guó)家發(fā)改委經(jīng)濟(jì)研究所副所長(zhǎng)）;發(fā)揮信息化對(duì)就業(yè)的“增補(bǔ)效應(yīng)”[N];第一財(cái)經(jīng)日?qǐng)?bào);2005年

9 本報(bào)記者 湯潯芳　實(shí)習(xí)記者 董文萍;“孵化器”模式：大數(shù)據(jù)的垂直運(yùn)營(yíng)樣本[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2014年

10 本報(bào)記者 安豐;深部找礦的探鏡[N];中國(guó)國(guó)土資源報(bào);2006年

相關(guān)博士學(xué)位論文 前10條

1 師懿;城市交通規(guī)劃環(huán)評(píng)中空氣污染預(yù)測(cè)模型研究[D];中國(guó)地質(zhì)大學(xué);2015年

2 張麗;牦牛肉用品質(zhì)特性及近紅外預(yù)測(cè)模型和產(chǎn)量等級(jí)系統(tǒng)的研究[D];中國(guó)農(nóng)業(yè)科學(xué)院;2015年

3 王菲;肉牛飼料有效能值預(yù)測(cè)模型的建立與評(píng)價(jià)[D];中國(guó)農(nóng)業(yè)大學(xué);2016年

4 文江平;農(nóng)村地區(qū)成人2型糖尿病發(fā)生風(fēng)險(xiǎn)相關(guān)生物標(biāo)志物的篩選及預(yù)測(cè)模型的建立[D];中國(guó)人民解放軍醫(yī)學(xué)院;2016年

5 白云鵬;華法林穩(wěn)態(tài)劑量預(yù)測(cè)模型在瓣膜置換術(shù)后抗凝治療中的應(yīng)用[D];天津醫(yī)科大學(xué);2016年

6 孫鵬;風(fēng)電機(jī)組狀態(tài)異常辨識(shí)廣義模型與運(yùn)行風(fēng)險(xiǎn)評(píng)估方法研究[D];重慶大學(xué);2016年

7 馬新;基于灰色系統(tǒng)與核方法的油藏動(dòng)態(tài)預(yù)測(cè)方法研究[D];西南石油大學(xué);2016年

8 付中濤;基于切削力預(yù)測(cè)模型的復(fù)雜曲面銑削進(jìn)給速度優(yōu)化研究[D];華中科技大學(xué);2015年

9 周闖;原發(fā)性肝癌術(shù)后轉(zhuǎn)移復(fù)發(fā)分子預(yù)測(cè)模型的優(yōu)化整合與臨床轉(zhuǎn)化[D];復(fù)旦大學(xué);2012年

10 孫忠林;煤礦安全生產(chǎn)預(yù)測(cè)模型的研究[D];山東科技大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 劉冰;基于神經(jīng)網(wǎng)絡(luò)的纖維熱磨過(guò)程能耗預(yù)測(cè)模型的研究[D];東北林業(yè)大學(xué);2015年

2 張念;鐵路軌道幾何不平順趨勢(shì)預(yù)測(cè)的關(guān)鍵算法研究[D];西南交通大學(xué);2015年

3 田振偉;城市能源預(yù)測(cè)模型的研究與應(yīng)用[D];昆明理工大學(xué);2015年

4 吳迪;基于模糊決策樹(shù)算法的安全庫(kù)存量預(yù)測(cè)模型[D];中國(guó)地質(zhì)大學(xué)(北京);2015年

5 齊雯;采用灰色預(yù)測(cè)模型改進(jìn)的HHT算法在故障診斷中的應(yīng)用[D];華南理工大學(xué);2015年

6 王萍;膀胱癌遺傳分?jǐn)?shù)的計(jì)算及發(fā)病風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建[D];復(fù)旦大學(xué);2013年

7 石大宏;基于序列的蛋白質(zhì)—核苷酸綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

8 熊盛華;基于BP神經(jīng)網(wǎng)絡(luò)的混合預(yù)測(cè)模型的實(shí)例研究[D];蘭州大學(xué);2015年

9 趙Z，

本文編號(hào)：2142131