發(fā)布時間：2020-08-01 12:09

【摘要】：隨著第二次電力改革的逐步推進,售電公司越來越迫切地尋求高精度、普適性強的電量預測算法。具有高精度、普適性強的電量預測算法能為售電公司提供最基本的策略保證,對企業(yè)增強市場核心競爭力具有十分重要的意義。然而,中國的售電市場才剛剛起步,面向中小型用戶的電量預測算法未受到廣泛關注,傳統(tǒng)的電量預測算法已不能適應售電公司的市場需求。目前,很多中小型用戶的用電量容易受到企業(yè)經濟效益與當地氣候因素的影響,使得用戶所提供的電量數據具有明顯的非線性、隨機性等特征,從而導致傳統(tǒng)預測算法難以精準預測,造成售電公司的巨大損失。傳統(tǒng)意義上的神經網絡算法或極限學習機算法在電量預測時需要考慮該模型的數據量,即需要提供大量歷史數據集進行訓練,限制了這兩類算法在此領域的運用。基于上述問題,本文著重解決了樣本小、非線性強的的電量數據預測問題,提出使用基于最大相關熵準則的支持向量回歸算法(MCC-SVR)與基于最大相關熵準則的最小二乘支持向量機算法(MCC-LSSVM)。本文首先明確了電量預測的概念并對常用于電量預測的模型進行簡單介紹。其次,使用鄧氏關聯(lián)度以及改進的關聯(lián)度分析模型對數據的可預測性進行分析,找出對用電量預測影響最大的兩種因素:經濟因素與氣候因素。隨后,針對現有數據量樣本小、分布不均勻的統(tǒng)計特性,在基本支持向量機的模型上使用最大相關熵準則代替原有模型中的風險函數形成了MCC-SVR與MCC-LSSVM模型。最終,為了使所改進的模型能更好的適應各種條件下的電量預測,保持最佳學習能力,本文使用了網格尋優(yōu)法與交叉驗證法對模型參數進行尋優(yōu),確保參數普適性。最終選擇合適的評價指標對預測結果進行分析。文章最后以教育行業(yè)、機械制造業(yè)以及其他行業(yè)數據為樣本,結合經濟發(fā)展數據、氣候數據對用電量情況進行預測。結果顯示,所建立的基于MCC的改進方案是有效的,并且預測誤差基本在3%以內。
【學位授予單位】：西安理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TM73
【圖文】：

圖 1-1 電量預測方法Figure 1-1 Electricity Forecasting Method的主要研究工作在第二次電力改革的背景下，主要為售電企業(yè)研制一種能有效預件。在數據上，本文選擇歷史電量數據、地區(qū)或企業(yè)經濟狀況數節(jié)假日等因素等用戶電量進行預測。目前，在電量預測領域回歸GM(1,1)模型以及以神經網絡為代表的智能算法都在都在電量預，本文選擇支持向量機模型作為本課題研究的基礎，旨在改進支適用市場需求�；谏鲜鲫U述，本文主要工作有：電公司角度闡述電量預測現如今的研究背景以及意義。并通過參電量預測模型的種類并選擇數種模型對其做了簡單介紹，比較與及不足之處。對電量預測的概念作出簡要論述，其次將第一章中所提到的模型深一步的研究，進一步明確各種預測方法在電量預測中都存在哪

個點為一個月的電量數據)的關聯(lián)系數 ()0i k，具體求法如下：0(1) (1)0 i1( ( ), ( ))1 ( ( 1)) ( ( 1))iX k X ky k y k 步驟中求取得到的是時間序列各個點之間的關聯(lián)系數，因此。形式存在的，這個矩陣會導致整體序列的關聯(lián)度信息過于發(fā)散將分散的關聯(lián)度信息整合在一起，求取所有信息的平均值。關1011R ( ( ), ( ))1ni ikX k X kn 驟計算出來的關聯(lián)度越大則代表相關性越強，若計算出來的數弱。聯(lián)度具有對稱性、唯一性、可比性，可用于研究多因素的關聯(lián)是利用速度差(一階斜率差)反映了兩序列發(fā)展趨勢或曲線形狀

圖 3-1 電量預測模型結構Figure 3-1 Electricity forecast model structure首先收集整理所需要的各種有用信息：歷史電量信息、地區(qū)(企業(yè))經濟狀況數數據、人口增長數據等。將代表上述影響因素的數據生成矩陣數據，構建數據，將數據集中的數據按“輸入”與“輸出”關系進行合理劃分，劃分成訓練樣本與本，此過程又稱特征量提取。再次，將所提取出來的樣本輸入到學習模型中進使其生成一個優(yōu)良的預測模型。最后，將提取到的測試樣本作為訓練模型的輸過機器學習得出預測結果。由第二章對電量預測的國內外研究現狀可以看出，傳統(tǒng)的預測方法如時間序列平滑法、趨勢外推法、灰色預測模型等方法大多適用于較為平滑的時間序列，波動較大的時間序列來說，傳統(tǒng)預測方法不能精準的把握電量、氣候、經濟等間變動的特性。因此，對于一些具有波動特性的數據來說，傳統(tǒng)預測方法會產可避免的誤差。正是因為傳統(tǒng)的方法不適合于現代的數據特征，因此又有許多了人工智能方法如 BP 神經網絡、RBF 神經網絡、ELMAN 神經網絡、支持向器學習方法。其中，神經網絡(BP、RBF、ELMAN)作為目前被應用最為廣泛的

【相似文獻】

相關期刊論文 前10條

1 雷方元;蔡君;;基于社團特性的鏈路預測算法的研究[J];廣東技術師范學院學報;2015年02期

2 陽敏輝;;淺析幾種基本路段行程時間預測算法[J];青春歲月;2017年01期

3 陶陶;;點擊科學[J];中國科技教育;2017年03期

4 黃子軒;馬超;徐瑾輝;黃江楠;;復雜網絡中集聚系數對鏈路預測算法的影響[J];科技視界;2014年12期

5 郭景峰;代軍麗;馬鑫;王娟;;針對通信社會網絡的時間序列鏈接預測算法[J];計算機科學與探索;2010年06期

6 張宇;潘國騰;謝倫國;;一種基于人工神經元網絡的條件分支預測算法[J];華中科技大學學報(自然科學版);2005年S1期

7 楊旭華;凌非;;一種基于局部社團和全局信息的鏈路預測算法[J];浙江工業(yè)大學學報;2017年01期

8 陸誠;楊威;;改進的廣義預測算法在過熱氣溫控制中的應用[J];工業(yè)控制計算機;2013年11期

9 楊斷利;張立梅;籍穎;呂晶;;河北省風能特征及其對風速預測算法的改進[J];科技傳播;2013年06期

10 李菊娥,孫群;基于雙線性模型的新協(xié)狀態(tài)預測算法[J];西安電子科技大學學報;1999年02期

相關會議論文 前10條

1 朱斌;樊祥;馬東輝;程正東;;窗口大小和權值模板對固定權值背景預測算法的影響[A];2006年全國光電技術學術交流會會議文集（D 光電信息處理技術專題）[C];2006年

2 郭景峰;代軍麗;馬鑫;王娟;;針對通信社會網絡的時間序列鏈接預測算法[A];第26屆中國數據庫學術會議論文集（A輯）[C];2009年

3 王云鵬;趙海;司帥宗;王翠榮;;基于鄰居修正的隨機游走鏈路預測算法[A];第十二屆沈陽科學學術年會論文集（理工農醫(yī)）[C];2015年

4 王峰;姬冰輝;李斗;;一種基于混沌理論的自相似業(yè)務流預測算法研究[A];2006北京地區(qū)高校研究生學術交流會——通信與信息技術會議論文集（上）[C];2006年

5 陳娜;戴樹嶺;;基于模型的遙操作預測算法研究[A];'2006系統(tǒng)仿真技術及其應用學術交流會論文集[C];2006年

6 張利萍;李宏光;;改進的灰色預測算法在工業(yè)應用中的評價[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

7 錢正祥;徐華;張申浩;;數字信號序列的向量預測算法[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年

8 崔冬;;一種改進的LRP信道預測算法[A];2006通信理論與技術新進展——第十一屆全國青年通信學術會議論文集[C];2006年

9 梁適春;張曉冬;林培峰;牛萌;;一種混合儲能光伏發(fā)電系統(tǒng)的功率預測算法[A];中國電工技術學會學術年會——新能源發(fā)電技術論壇論文集[C];2013年

10 路迎晨;李兵;;一類自適應預測算法的全局收斂性[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

相關重要報紙文章 前1條

1 麥蕓編譯;體內“天書”待解讀[N];醫(yī)藥經濟報;2002年

相關博士學位論文 前10條

1 丁靜怡;復雜網絡的鏈路預測算法及其應用研究[D];西安電子科技大學;2017年

2 尚可可;基于局部鏈路預測和零模型的復雜網絡結構及穩(wěn)定性分析[D];西北工業(yè)大學;2017年

3 陳其松;智能優(yōu)化支持向量機預測算法及應用研究[D];貴州大學;2009年

4 卜云;混沌時間序列自適應預測算法研究[D];電子科技大學;2010年

5 馬玉韜;基于濾波理論和特征統(tǒng)計的蛋白質編碼區(qū)預測算法研究[D];天津大學;2013年

6 鮑漪瀾;基于支持向量機的金融時間序列分析預測算法研究[D];大連海事大學;2013年

7 李楠;基于火焰自由基成像的NO_x排放預測算法研究[D];華北電力大學(北京);2017年

8 劉輝;鐵路沿線風信號智能預測算法研究[D];中南大學;2011年

9 張千明;復雜網絡結構分析與鏈路預測[D];電子科技大學;2016年

10 劉輝;miRNA靶標預測的系統(tǒng)生物學方法研究[D];中國礦業(yè)大學;2009年

相關碩士學位論文 前10條

1 張軍凱;風電功率預測算法研究[D];浙江大學;2019年

2 夏正;基于預測算法的天氣雷達回波數據壓縮編碼研究[D];南昌航空大學;2019年

3 孫澤昊;基于最大相關熵準則的電網月度電量預測[D];西安理工大學;2019年

4 楊強;面向局部群落結構的鏈路預測算法研究[D];安徽大學;2019年

5 趙自娟;基于序列的蛋白質與多肽結合位點的預測[D];天津大學;2018年

6 劉楊;基于樣本逼近的PM2.5預測算法研究[D];吉林大學;2018年

7 鄭森鵬;基于排名聚合的復雜網絡鏈路預測算法選擇研究[D];國防科學技術大學;2016年

8 李鑫;RDPA：一種基于表型文本數據的疾病—表型關聯(lián)預測算法[D];華東師范大學;2018年

9 張雅;基于洱海的水質預測算法研究[D];昆明理工大學;2018年

10 朱準;建筑空調負荷預測算法研究[D];北京建筑大學;2018年

本文編號：2777443