發(fā)布時間：2021-01-13 20:12

　　隨著電力系統(tǒng)的發(fā)展,電力系統(tǒng)的負荷預測發(fā)揮著越來越重要的作用。電力系統(tǒng)負荷預測對電力系統(tǒng)的運行維護意義重大,準確的負荷預測有助于提高電力系統(tǒng)的安全穩(wěn)定。負荷數(shù)據(jù)具備空間和時間上的特點。在空間上,負荷數(shù)據(jù)受各類外界因素影響,例如氣象條件和節(jié)假日等因素。在時間上,負荷數(shù)據(jù)是一種時間序列數(shù)據(jù),每個時刻的負荷數(shù)據(jù)和歷史負荷數(shù)據(jù)相關聯(lián),歷史信息對于負荷預測有很高的參考價值。準確的負荷預測需要同時考慮負荷數(shù)據(jù)在時間和空間上的特點,而傳統(tǒng)負荷預測模型無法做到既能對外界因素全面考慮又能從歷史數(shù)據(jù)中學習有用信息。深度學習的時序預測模型能夠很好地解決負荷預測在時間和空間上的問題。為了提升預測的精度,對預測結(jié)果的殘差進行修正是一種可行的方法。殘差具備無序性的特點,傳統(tǒng)的殘差修正模型并不能很好地擬合殘差。深度學習的時間序列模型能夠從無序的殘差序列數(shù)據(jù)中學習有用信息,從而可以對殘差進行良好的擬合和預測。結(jié)合以上分析,本文對相關問題進行了研究,主要包括以下內(nèi)容:分析了負荷數(shù)據(jù)的特點,提出了新的缺失數(shù)據(jù)補充法和異常數(shù)據(jù)檢測法。結(jié)合負荷數(shù)據(jù)的特點分析了傳統(tǒng)負荷預測方法的缺陷。利用深度學習時序模型對歷史負荷信息的記憶和... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

圖２．１負荷數(shù)據(jù)的時間序列分解??Ｆｉｇ．２．１?ｌｉｍｅ?ｓｅｒｉｅｓ?ｄｅｃｏｍｐｏｓｉｔｉｏｎ?ｏｆ?ｌｏａｄ?ｄａｔａ??

圖２．２負荷數(shù)據(jù)的自相關系數(shù)??Ｆｉｇ．２．２?Ａｕｔｏｃｏｒｒｅｌａｔｉｏｎ?ｃｏｅｆｆｉｃｉｅｎｔ?ｏｆ?ｌｏａｄ?ｄａｔａ??圖２．２中陰影區(qū)域是以相關系數(shù)２倍正負標準差為邊界的置信區(qū)間，相關系數(shù)處于置??信區(qū)間之外則表示相關性顯著。橫軸表示滯后階數(shù)，縱軸為相關系數(shù)，范圍在［－Ｕ］內(nèi)。滯??后階數(shù)用ｌａｇｓ表示，ｌａｇｓ＝ｌ表示和當前時刻距離１個時間單位的歷史時刻，也就是ｔ－１時??刻。ｌａｇｓ＝ｌ對應的相關系數(shù)的含義是，滯后１個時間單位的序列和原序列之間的相關性大??小。由圖２．２可以看出，自相關系數(shù)在連續(xù)多個階數(shù)上大于零，說明時間序列在時間上和??自身有很緊密的相關性。超出區(qū)間外的滯后階數(shù)有ｌａｇｓ＝ｌ，２．．．，３７，表明對于時刻ｔ的負荷??數(shù)據(jù)，ｔ－１，ｔ－２，．．．，ｔ－３７歷史時刻的數(shù)據(jù)和當前時刻負荷數(shù)據(jù)的相關度最高。對于非時序預??測模型來說，相關度較高的歷史時刻是重要的時間特征，預測將來的數(shù)據(jù)需要使用這些歷??史時刻的信息。??２．１．３負荷數(shù)據(jù)受現(xiàn)實因素影響下的特性??由負荷值的分布圖可以看出

圖２．３節(jié)假日分布??Ｆｉｇ．２．３?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｈｏｌｉｄａｙ??由圖２．３可以看出，大部分法定節(jié)假日對應著負荷最低的點。這是因為法定節(jié)假日全??民放假，作為電力消耗大戶的大部分工廠減少生產(chǎn)，使得法定節(jié)假日的負荷大大降低。負??荷值從正常工作日到法定節(jié)假日會經(jīng)歷一個較大的數(shù)值上的突變。??２３００??２２５０??１２。。。?￥?Ｖ?Ｖ??倉?１９５０?？??１?辱?１９００??＿?１８５０??＾?１８００??ｔ￣ＩＣＮＪＣ〇?對?ＬＯＣＤ?卜?ＣＯＯＯｒＨＣＮｉＣＯ?寸?ＬＯＣＤ?卜?Ｃ０Ｏ５Ｏ?—?Ｃ－ＪＣＯ?寸?１＊０＜￡）卜??、、、、、、、、、?ＣＭ?ＣＭＣＭＣＮＪＯＪ??ＣＯＣＯＣＯＣＯＣＯ?ＣＯ?ＯＱ?ＣＯ?ＣＯ?＼??Ｄ?３?＆?Ｓ?２?Ｃ?Ｑ?Ｃ?Ｃ?Ｑ?Ｃ?Ｑ?Ｃ?Ｃｌ?ｄ??ｔＨ＾Ｈ—ＣＪ?Ｃ＼Ｊ?Ｃ＼ｉ

【參考文獻】：
期刊論文
[1]基于季節(jié)調(diào)整和BP神經(jīng)網(wǎng)絡的月度負荷預測[J]. 龍勇,蘇振宇,汪於.  系統(tǒng)工程理論與實踐. 2018(04)
[2]基于R語言的負荷預測ARIMA模型并行化研究[J]. 麥鴻坤,肖堅紅,吳熙辰,陳馳.  電網(wǎng)技術(shù). 2015(11)
[3]基于灰色投影改進隨機森林算法的電力系統(tǒng)短期負荷預測[J]. 吳瀟雨,和敬涵,張沛,胡駿.  電力系統(tǒng)自動化. 2015(12)
[4]母線負荷預測中樣本數(shù)據(jù)預處理的新方法[J]. 李光珍,劉文穎,云會周,高玉華.  電網(wǎng)技術(shù). 2010(02)
[5]基于PCA-SVM的電力系統(tǒng)短期負荷預測[J]. 李云飛,黃彥全,蔣功連.  電力系統(tǒng)及其自動化學報. 2007(05)
[6]提高時間序列氣象適應性的短期電力負荷預測算法[J]. 朱陶業(yè),李應求,張穎,張學莊,何朝陽.  中國電機工程學報. 2006(23)
[7]EMS中負荷預測不良數(shù)據(jù)的辨識與修正[J]. 葉鋒,何樺,顧全,張高峰.  電力系統(tǒng)自動化. 2006(15)
[8]改進殘差灰色預測模型在負荷預測中的應用[J]. 王翠茹,孫辰軍,楊靜,馮海迅.  電力系統(tǒng)及其自動化學報. 2006(01)
[9]電力短期負荷的多變量時間序列線性回歸預測方法研究[J]. 雷紹蘭,孫才新,周湶,張曉星.  中國電機工程學報. 2006(02)
[10]自適應卡爾曼濾波在電力系統(tǒng)短期負荷預測中的應用[J]. 馬靜波,楊洪耕.  電網(wǎng)技術(shù). 2005(01)



本文編號：2975496