電力負(fù)荷是電力系統(tǒng)運(yùn)行、規(guī)劃的重要組成部分,對(duì)其進(jìn)行準(zhǔn)確的分析預(yù)測(cè)具有重要意義。本文針對(duì)目前短期電力負(fù)荷預(yù)測(cè)精度、自動(dòng)化程度較低等問題,設(shè)計(jì)實(shí)現(xiàn)了基于長(zhǎng)短期記憶算法的短期電力負(fù)荷預(yù)測(cè)模型,使用粒子群算法對(duì)模型參數(shù)進(jìn)行優(yōu)化,并設(shè)計(jì)實(shí)現(xiàn)了集數(shù)據(jù)管理、模型訓(xùn)練、結(jié)果展示于一體的智能化電力負(fù)荷預(yù)測(cè)平臺(tái),使整個(gè)預(yù)測(cè)過程變的更加精確、智能。本文的主要工作和研究成果如下:(1)探究電力負(fù)荷數(shù)據(jù)的內(nèi)在變化規(guī)律及可能的外在影響因素,分析電力負(fù)荷預(yù)測(cè)的理論依據(jù)。(2)統(tǒng)計(jì)西班牙2018年整年的真實(shí)電力負(fù)荷數(shù)據(jù)及影響因素?cái)?shù)據(jù),對(duì)電力負(fù)荷數(shù)據(jù)與影響因素?cái)?shù)據(jù)進(jìn)行相關(guān)性分析,得出相關(guān)系數(shù)較大的影響因素,與電力負(fù)荷數(shù)據(jù)一同作為模型輸入,提高模型準(zhǔn)確率。(3)分別基于循環(huán)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建電力負(fù)荷預(yù)測(cè)模型,并設(shè)計(jì)統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn),使用西班牙2018全年的電力負(fù)荷數(shù)據(jù)與影響因素?cái)?shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,用訓(xùn)練后的模型分別預(yù)測(cè)未來一周的電力負(fù)荷數(shù)據(jù)。預(yù)測(cè)結(jié)果證明長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)長(zhǎng)周期數(shù)據(jù)有長(zhǎng)期記憶的學(xué)習(xí)優(yōu)勢(shì),預(yù)測(cè)結(jié)果更為準(zhǔn)確。(4)引入?yún)?shù)最優(yōu)化方法,采用粒子群(PSO)優(yōu)化算法對(duì)基于長(zhǎng)短期記憶算法的電力負(fù)荷預(yù)...

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
    1.3 本文結(jié)構(gòu)安排
    1.4 本章小結(jié)
第2章 關(guān)鍵技術(shù)與算法
    2.1 深度學(xué)習(xí)
        2.1.1 深度學(xué)習(xí)概念
        2.1.2 神經(jīng)網(wǎng)絡(luò)工作原理
    2.2 長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)
    2.3 粒子群優(yōu)化算法
        2.3.1 群智能算法
        2.3.2 粒子群算法
    2.4 本章小結(jié)
第3章 長(zhǎng)短期記憶網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)模型
    3.1 電力負(fù)荷數(shù)據(jù)
        3.1.1 電力負(fù)荷數(shù)據(jù)的數(shù)據(jù)特性
        3.1.2 電力負(fù)荷預(yù)測(cè)的基本原則
    3.2 影響因素分析
        3.2.1 天氣因素
        3.2.2 日期因素
        3.2.3 電價(jià)因素
    3.3 數(shù)據(jù)預(yù)處理
        3.3.1 數(shù)據(jù)補(bǔ)全
        3.3.2 數(shù)據(jù)歸一化
    3.4 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)與訓(xùn)練
    3.5 結(jié)果分析
    3.6 本章小結(jié)
第4章 基于粒子群優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測(cè)模型
    4.1 參數(shù)最優(yōu)化
    4.2 粒子群優(yōu)化長(zhǎng)短期記憶模型
        4.2.1 模型設(shè)計(jì)
        4.2.2 模型實(shí)現(xiàn)
        4.2.3 結(jié)果分析
    4.3 本章小結(jié)
第5章 智能化短期電力負(fù)荷預(yù)測(cè)平臺(tái)
    5.1 電力負(fù)荷預(yù)測(cè)平臺(tái)系統(tǒng)設(shè)計(jì)
        5.1.1 總體架構(gòu)
        5.1.2 客戶端
        5.1.3 數(shù)據(jù)庫服務(wù)器
    5.2 電力負(fù)荷預(yù)測(cè)平臺(tái)功能實(shí)現(xiàn)
        5.2.1 數(shù)據(jù)管理
        5.2.2 模型訓(xùn)練
        5.2.3 結(jié)果展示
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 下一步工作
參考文獻(xiàn)
作者簡(jiǎn)介及在學(xué)期間所取得的科研成果
致謝



本文編號(hào)：3846071