隨著我國電力事業(yè)蓬勃發(fā)展,用戶用電情況愈發(fā)復(fù)雜,準確電力負荷預(yù)測精度更加難以保證,同時可再生能源發(fā)電的并網(wǎng)使得提升負荷預(yù)測精度成為一個亟待解決的問題。目前常規(guī)預(yù)測方法的應(yīng)用場景往往較為單一,數(shù)據(jù)規(guī)模對算法影響較大,且智能程度有待提升。為此,本文設(shè)計了一種組合短期電力負荷預(yù)測模型,算法模型組合了基于支持向量機（SVM）預(yù)測方法及基于長短記憶神經(jīng)網(wǎng)絡(luò)（LSTM）預(yù)測方法,利用BP神經(jīng)網(wǎng)絡(luò)組合吸收二種算法優(yōu)點,最終實現(xiàn)模型預(yù)測精度高于組合前算法。首先,本文列舉短期電力負荷預(yù)測常用算法,分析各個算法適應(yīng)場景及其優(yōu)缺點;闡述本文使用的支持向量機、神經(jīng)網(wǎng)絡(luò)等模型的原理,并針對電力負荷預(yù)測需求提出對算法模型的優(yōu)化方式。其次,設(shè)計了融合多個算法的組合模型,提出了組合算法思想并設(shè)計了組合框架,分別闡述組合模型各部分的搭建及優(yōu)化手段;設(shè)計了使用自組織神經(jīng)網(wǎng)絡(luò)及孤異森林的數(shù)據(jù)處理流程,并采用這一手段對數(shù)據(jù)進行了預(yù)處理;搭建了算法的訓(xùn)練網(wǎng)絡(luò),確定了組合神經(jīng)網(wǎng)絡(luò)參數(shù)。第三,采用大數(shù)據(jù)技術(shù),設(shè)計了基于HDFS、HBase的電力負荷數(shù)據(jù)庫,可實現(xiàn)非結(jié)構(gòu)化文件類型的電力負荷數(shù)據(jù)、鍵-值對形式的負荷數(shù)據(jù)的存儲管理,以及... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：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 國內(nèi)外預(yù)測算法研究現(xiàn)狀
        1.2.1 國內(nèi)研究現(xiàn)狀
        1.2.2 國外研究現(xiàn)狀
    1.3 本文主要工作與章節(jié)安排
    1.4 本章小結(jié)
第2章 短期電力負荷預(yù)測方法
    2.1 常見短期電力負荷預(yù)測方法對比
        2.1.1 經(jīng)典電力負荷預(yù)測方法
        2.1.2 現(xiàn)代電力負荷預(yù)測方法
    2.2 支持向量機電力負荷預(yù)測模型
        2.2.1 支持向量機理論概述
        2.2.2 最小二乘支持向量機模型
        2.2.3 粒子群優(yōu)化算法
    2.3 神經(jīng)網(wǎng)絡(luò)電力負荷預(yù)測模型
        2.3.1 BP神經(jīng)網(wǎng)絡(luò)模型
        2.3.2 LSTM神經(jīng)網(wǎng)絡(luò)模型
    2.4 本章小結(jié)
第3章 組合預(yù)測模型構(gòu)建
    3.1 基于權(quán)重分配的組合預(yù)測總體模型
    3.2 組合預(yù)測模型的數(shù)據(jù)處理
        3.2.1 負荷數(shù)據(jù)初步分類處理
        3.2.2 異常負荷數(shù)據(jù)篩選及處理
    3.3 組合預(yù)測模型中SVM預(yù)測模型搭建
    3.4 組合預(yù)測模型中LSTM預(yù)測模型搭建
    3.5 組合預(yù)測模型權(quán)重調(diào)節(jié)網(wǎng)絡(luò)
    3.6 本章小結(jié)
第4章 負荷數(shù)據(jù)預(yù)處理及數(shù)據(jù)庫管理系統(tǒng)構(gòu)建
    4.1 電力負荷特性分析
        4.1.1 短期負荷組成特性
        4.1.2 典型負荷特性
    4.2 負荷大數(shù)據(jù)管理系統(tǒng)設(shè)計
        4.2.1 基于HDFS的文件數(shù)據(jù)庫
        4.2.2 基于HBase的歷史負荷數(shù)據(jù)庫
    4.3 本章小結(jié)
第5章 負荷實例預(yù)測與分析
    5.1 模型誤差評價指標(biāo)
    5.2 支持向量機方法預(yù)測結(jié)果
    5.3 LSTM方法預(yù)測結(jié)果
    5.4 組合模型預(yù)測結(jié)果
    5.5 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 下一步工作計劃
參考文獻
作者簡介及在學(xué)期間所取得的科研成果
致謝


【參考文獻】：
期刊論文
[1]趨勢外推法在連江縣電力負荷預(yù)測中的應(yīng)用[J]. 謝輝煌,鄭榮進,黃曉生.  電氣時代. 2017(06)
[2]深度學(xué)習(xí)框架下LSTM網(wǎng)絡(luò)在短期電力負荷預(yù)測中的應(yīng)用[J]. 陳亮,王震,王剛.  電力信息與通信技術(shù). 2017(05)
[3]電力負荷趨勢外推預(yù)測算例分析與模型檢驗[J]. 夏昌浩,曹瑾,張密,吳奇云.  中國科技信息. 2016(21)
[4]基于LSTM的發(fā)電機組污染物排放預(yù)測研究[J]. 楊訓(xùn)政,柯余洋,梁肖,熊焰.  電氣自動化. 2016(05)
[5]基于改進PSO-LSSVM的短期電力負荷預(yù)測[J]. 馬小津,朱博,戴琳,張偉,陳熙.  自動化技術(shù)與應(yīng)用. 2016(03)
[6]基于Hadoop的用電信息大數(shù)據(jù)計算服務(wù)及應(yīng)用[J]. 王相偉,史玉良,張建林,梁波,程翠萍.  電網(wǎng)技術(shù). 2015(11)
[7]基于改進最小二乘支持向量機和預(yù)測誤差校正的短期風(fēng)電負荷預(yù)測[J]. 李霄,王昕,鄭益慧,李立學(xué),生西奎,吳昊.  電力系統(tǒng)保護與控制. 2015(11)
[8]基于小波變換的風(fēng)電場短期風(fēng)速組合預(yù)測[J]. 田中大,李樹江,王艷紅,高憲文.  電工技術(shù)學(xué)報. 2015(09)
[9]基于人工神經(jīng)網(wǎng)絡(luò)的負荷模型預(yù)測[J]. 李龍,魏靖,黎燦兵,曹一家,宋軍英,方八零.  電工技術(shù)學(xué)報. 2015(08)
[10]考慮氣溫因素的負荷特性統(tǒng)計指標(biāo)關(guān)聯(lián)特征數(shù)據(jù)挖掘[J]. 馬瑞,周謝,彭舟,劉道新,徐慧明,王軍,王熙亮.  中國電機工程學(xué)報. 2015(01)

博士論文
[1]組合預(yù)測方法及其應(yīng)用研究[D]. 馬濤.蘭州大學(xué) 2017

碩士論文
[1]基于數(shù)據(jù)挖掘的用電數(shù)據(jù)異常的分析與研究[D]. 張榮昌.北京交通大學(xué) 2017
[2]基于Hadoop的地震數(shù)據(jù)處理方法[D]. 王鑫.吉林大學(xué) 2017
[3]Hadoop架構(gòu)下海量空間數(shù)據(jù)存儲與管理[D]. 李慶君.武漢大學(xué) 2017
[4]基于人工神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測研究[D]. 程宇也.浙江大學(xué) 2017
[5]基于SOM的滾動軸承故障狀態(tài)識別方法的研究[D]. 馮睿智.沈陽理工大學(xué) 2017
[6]電力負荷特性分析及短期負荷預(yù)測系統(tǒng)的研發(fā)[D]. 于浩祺.湖南大學(xué) 2016
[7]基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價格趨勢預(yù)測模型的研究[D]. 孫瑞奇.首都經(jīng)濟貿(mào)易大學(xué) 2016
[8]基于最小二乘支持向量機的短期負荷預(yù)測[D]. 龔文龍.湖南大學(xué) 2014
[9]電力負荷特性指標(biāo)及其內(nèi)在關(guān)聯(lián)性分析[D]. 周謝.長沙理工大學(xué) 2013
[10]基于量子粒子群的支持向量機算法的研究與應(yīng)用[D]. 張同心.浙江大學(xué) 2013



本文編號：3503477