隨著社會的發(fā)展,電能的重要性越發(fā)顯著,對電網(wǎng)系統(tǒng)運行過程中產(chǎn)生的數(shù)據(jù)和與其相關(guān)的數(shù)據(jù)進行深入剖析,已經(jīng)成為了保障電網(wǎng)穩(wěn)定運轉(zhuǎn)的前提工作。隨著大量的智能監(jiān)測設(shè)備的裝配和使用,電網(wǎng)系統(tǒng)采集到了比以往更多的數(shù)據(jù)。為規(guī)避預(yù)測不準造成的惡劣影響,根據(jù)電力負荷預(yù)測模型的預(yù)測結(jié)果調(diào)整電氣規(guī)劃是刻不容緩的。本文擬基于深度學習的方法,針對現(xiàn)有電力負荷預(yù)測模型存在的影響因素考慮片面化、信息獲取不全面、預(yù)測步長短、精度差等問題,提出了基于深度學習的短期電力負荷預(yù)測模型。主要取得以下研究成果:（1）針對電力負荷時間序列受到多種外部因素的影響呈現(xiàn)出不同的特性,以及現(xiàn)有的負荷模型預(yù)測步長短等問題,提出基于卷積神經(jīng)網(wǎng)絡(luò)-雙向長短期記憶網(wǎng)絡(luò)（CNN＿Bi LSTM）的短期電力負荷預(yù)測模型。首先,利用卷積神經(jīng)網(wǎng)絡(luò)對不同輸入特征進行提取和重組,利用雙向長短期記憶網(wǎng)絡(luò)來處理電力負荷數(shù)據(jù)。然后,在上述網(wǎng)絡(luò)的基礎(chǔ)上建立了多因素多步長以及具有更新能力的預(yù)測模型,通過實例分析,驗證了該模型在預(yù)測步長較長的情況下仍能保持較好的預(yù)測精度。（2）針對當前電力負荷預(yù)測模型進行預(yù)測時信息獲取不夠全面,以及預(yù)測精度還有待提升等問題,提出基于變... 

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 電力負荷預(yù)測主要方法
        1.2.2 目前存在的問題
    1.3 本文研究內(nèi)容及章節(jié)安排
        1.3.1 本文研究內(nèi)容
        1.3.2 本文章節(jié)安排
    1.4 本章小結(jié)
第二章 電力系統(tǒng)負荷特性分析及預(yù)處理
    2.1 引言
    2.2 電力系統(tǒng)負荷特性分析
    2.3 數(shù)據(jù)預(yù)處理
        2.3.1 獨熱編碼
        2.3.2 異常值修正
        2.3.3 缺失值補充
        2.3.4 樣本歸一化處理
    2.4 負荷預(yù)測評價指標
    2.5 本章小結(jié)
第三章 基于CNN_BiLSTM的短期電力負荷預(yù)測
    3.1 引言
    3.2 基本原理
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
    3.3 基于CNN_BiLSTM的短期電力負荷預(yù)測模型
        3.3.1 CNN_BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 多步長預(yù)測模型
    3.4 實例分析
        3.4.1 單步長單因素對比
        3.4.2 多步長多因素對比
        3.4.3 模型更新與否對比
    3.5 本章小結(jié)
第四章 基于VMD-XGBoost的短期電力負荷預(yù)測
    4.1 引言
    4.2 基本原理
        4.2.1 變分模態(tài)分解
        4.2.2 極值梯度提升算法
    4.3 基于VMD-XGBoost的短期電力負荷預(yù)測模型
        4.3.1 基于變分模態(tài)的電力負荷序列分解
        4.3.2 基于極值梯度提升算法的電力負荷預(yù)測
        4.3.3 算法復(fù)雜度分析
    4.4 實例分析
        4.4.1 變分模態(tài)分解及尋優(yōu)
        4.4.2 模型預(yù)測能力對比
        4.4.3 模型執(zhí)行效率對比
    4.5 本章小結(jié)
第五章 基于VMD-SA-TCN的短期電力負荷預(yù)測
    5.1 引言
    5.2 基本原理
        5.2.1 樣本熵理論
        5.2.2 時間卷積網(wǎng)絡(luò)
    5.3 基于VMD-SA-TCN的短期電力負荷預(yù)測模型
        5.3.1 基于VMD-SA的電力負荷序列分解重組
        5.3.2 基于時間卷積網(wǎng)絡(luò)的電力負荷預(yù)測
    5.4 實例分析
        5.4.1 膨脹卷積網(wǎng)絡(luò)參數(shù)尋優(yōu)
        5.4.2 模型預(yù)測能力對比
        5.4.3 模型消耗時間對比
        5.4.4 與傳統(tǒng)算法對比
        5.4.5 原始TCN對比
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
攻讀碩士期間完成的科研成果
致謝


【參考文獻】：
期刊論文
[1]基于Prophet-LSTM組合模型的短期負荷預(yù)測方法[J]. 彭湃,劉敏.  電力系統(tǒng)及其自動化學報. 2021(11)
[2]基于BiLSTM的滾動軸承故障診斷研究[J]. 趙志宏,趙敬嬌,魏子洋.  振動與沖擊. 2021(01)
[3]基于Bagging的雙向GRU集成神經(jīng)網(wǎng)絡(luò)短期負荷預(yù)測[J]. 王康,張智晟,撖奧洋,于立濤.  電力系統(tǒng)及其自動化學報. 2021(10)
[4]基于深度長短期記憶神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測[J]. 王激華,仇鈞,方云輝,周蘇洋.  廣東電力. 2020(08)
[5]基于實時電價和加權(quán)灰色關(guān)聯(lián)投影的SVM電力負荷預(yù)測[J]. 趙佩,代業(yè)明.  電網(wǎng)技術(shù). 2020(04)
[6]基于負荷特性聚類及Elastic Net分析的短期負荷預(yù)測方法[J]. 靳冰潔,林勇,羅澍忻,韋斌,周姝燦.  中國電力. 2020(09)
[7]基于LSTM與XGBoost組合模型的超短期電力負荷預(yù)測[J]. 陳振宇,劉金波,李晨,季曉慧,李大鵬,黃運豪,狄方春,高興宇,徐立中.  電網(wǎng)技術(shù). 2020(02)
[8]基于行業(yè)聚類的負荷特性分析及預(yù)測[J]. 袁鳴峰,劉陶,山憲武,徐一晨.  電氣自動化. 2019(05)
[9]基于XGBoost算法的電網(wǎng)二次設(shè)備缺陷分類研究[J]. 陳凱,南東亮,孫永輝,夏響.  南京信息工程大學學報(自然科學版). 2019(04)
[10]深度學習在電力負荷預(yù)測中的應(yīng)用綜述[J]. 朱俊丞,楊之樂,郭媛君,于坤杰,張建康,穆曉敏.  鄭州大學學報(工學版). 2019(05)

碩士論文
[1]基于VMD和改進型極限學習機的短期電力負荷預(yù)測[D]. 吳佳慧.西安理工大學 2019



本文編號：3696128