電力行業(yè)是保證我國全方位協(xié)調(diào)發(fā)展的基礎(chǔ)性支柱產(chǎn)業(yè),電力系統(tǒng)的穩(wěn)定運(yùn)行影響著國家的繁榮發(fā)展和人民的美好生活。隨著我國電力工業(yè)體制改革有條不紊地推進(jìn)和電力供應(yīng)結(jié)構(gòu)的持續(xù)優(yōu)化,短期負(fù)荷預(yù)測作為電力市場分析預(yù)測工作中必不可少的一部分,其重要性日益凸顯。精確的短期負(fù)荷預(yù)測技術(shù)為電力部門制定調(diào)度計(jì)劃提供技術(shù)支持,為電網(wǎng)的安全穩(wěn)定運(yùn)行提供保障。同時(shí),在逐步完善的電力市場環(huán)境下,高精度的短期負(fù)荷預(yù)測技術(shù)為發(fā)電側(cè)、輸配側(cè)和售電側(cè)提供了經(jīng)濟(jì)調(diào)度的依據(jù),使其能在滿足用戶基本需求下追求更高的經(jīng)濟(jì)效益。因此,短期負(fù)荷預(yù)測長久以來都是國內(nèi)外學(xué)者專家研究的重點(diǎn)之一。本文從短期負(fù)荷預(yù)測精度的影響因素出發(fā),圍繞決策樹理論,結(jié)合集成學(xué)習(xí)、模糊理論等相關(guān)知識,對短期負(fù)荷預(yù)測進(jìn)行研究,并取得一定的進(jìn)展。受集成學(xué)習(xí)思想啟發(fā),本文將CART決策樹模型和Gradient Boosting算法相融合,通過理論分析證明Gradient Boosting算法可以提高負(fù)荷預(yù)測的精度,由此提出了基于梯度提升決策樹的短期負(fù)荷預(yù)測模型。為了增加單個(gè)CART樹的學(xué)習(xí)空間,提高預(yù)測模型的泛化性能,將Shrinkage思想引入到模型中。利用某地區(qū)電網(wǎng)... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

負(fù)荷預(yù)測的分類

青島大學(xué)碩士學(xué)位論文 基于梯度提升決策樹的短期負(fù)荷預(yù)思想識可知，僅僅通過觀察主視圖，無法得到物，得到主視圖、俯視圖、左視圖，簡單物體成學(xué)習(xí)思想的一個(gè)縮影。圖 3.1 是集成學(xué)習(xí)對樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，之后通過某種組合邏這個(gè)強(qiáng)學(xué)習(xí)模型的學(xué)習(xí)能力會顯著強(qiáng)于任意將得到大幅度提高。弱學(xué)習(xí)模型1

211A bxx ca 4-(9)式中，參數(shù) a 和 b 通常為正數(shù)，其值影響鐘形的形狀，參數(shù) c 用于確定曲線的中心。例如，a=2，b=4，c=5，則廣義鐘形隸屬函數(shù)曲線如圖 4.1(d)所示。（5）S 形隸屬函數(shù) 11Aa x cxe 4-(10)式中，參數(shù) a 的符號決定了 S 形曲線的左右朝向，參數(shù) c 用于確定曲線的中心。例如，a=2，c=5，則 S 形隸屬函數(shù)曲線如圖 4.1(e)所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林的電力系統(tǒng)小時(shí)負(fù)荷預(yù)測研究[J]. 黃晗,孫堃,劉達(dá).  智慧電力. 2018(05)
[2]基于模糊聚類與隨機(jī)森林的短期負(fù)荷預(yù)測[J]. 黃青平,李玉嬌,劉松,劉鵬.  電測與儀表. 2017(23)
[3]基于小波與GBDT的無人機(jī)傳感器故障診斷[J]. 舒暢,李輝.  測控技術(shù). 2017(08)
[4]基于梯度提升決策樹的電力電子電路故障診斷[J]. 陳宏,鄧芳明,吳翔,付智輝.  測控技術(shù). 2017(05)
[5]基于梯度提升決策樹的肽碎片離子強(qiáng)度建模[J]. 懷浩,劉學(xué),張龍波,王曉丹.  山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[6]一種基于改進(jìn)GPR和Bagging的短期風(fēng)電功率組合預(yù)測方法[J]. 張穎超,郭曉杰,鄧華.  電力系統(tǒng)保護(hù)與控制. 2016(23)
[7]基于隨機(jī)森林算法的用電負(fù)荷預(yù)測研究[J]. 李婉華,陳宏,郭昆,郭松榮,韓嘉民,陳羽中.  計(jì)算機(jī)工程與應(yīng)用. 2016(23)
[8]基于動量因子的神經(jīng)網(wǎng)絡(luò)群電流負(fù)荷預(yù)測模型[J]. 田野.  電力系統(tǒng)保護(hù)與控制. 2016(17)
[9]基于多變量氣象因子的LMBP電力日負(fù)荷預(yù)測[J]. 張淑清,任爽,師榮艷,劉子玥,姜萬錄.  儀器儀表學(xué)報(bào). 2015(07)
[10]基于灰色投影改進(jìn)隨機(jī)森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測[J]. 吳瀟雨,和敬涵,張沛,胡駿.  電力系統(tǒng)自動化. 2015(12)

博士論文
[1]數(shù)據(jù)挖掘和人工智能理論在短期電力負(fù)荷預(yù)測中的應(yīng)用研究[D]. 馮麗.浙江大學(xué) 2005

碩士論文
[1]基于隨機(jī)森林的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D]. 黃青平.華北電力大學(xué)(北京) 2018
[2]基于HOG特征和梯度提升決策樹算法的人臉關(guān)鍵點(diǎn)檢測技術(shù)研究[D]. 于珂珂.河南大學(xué) 2017
[3]基于梯度提升決策樹的交通流量預(yù)測方法研究[D]. 陳俊剛.重慶郵電大學(xué) 2017
[4]基于數(shù)據(jù)挖掘的短期負(fù)荷預(yù)測[D]. 高琳琳.南昌大學(xué) 2012
[5]基于決策樹的電力負(fù)荷預(yù)測模型研究[D]. 皮志賢.華北電力大學(xué)（北京） 2011
[6]基于數(shù)據(jù)挖掘的電力系統(tǒng)短期負(fù)荷預(yù)測應(yīng)用研究[D]. 黃達(dá)文.華南理工大學(xué) 2009
[7]地區(qū)電網(wǎng)短期負(fù)荷預(yù)測方法研究[D]. 史敬天.鄭州大學(xué) 2009
[8]電力系統(tǒng)中短期負(fù)荷預(yù)測的研究[D]. 王黎明.中國石油大學(xué) 2008
[9]基于決策樹的數(shù)據(jù)挖掘算法研究與應(yīng)用[D]. 盧東標(biāo).武漢理工大學(xué) 2008
[10]基于人工神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測[D]. 趙福成.華北電力（北京）大學(xué) 2002



本文編號：3584562