近年來,隨著能源生產(chǎn)、消費(fèi)方式的改變,給電網(wǎng)帶來了更多不確定性問題,電力負(fù)荷預(yù)測作為電力行業(yè)發(fā)展中一項(xiàng)必不可少的基礎(chǔ)工作,合理而準(zhǔn)確的電力負(fù)荷預(yù)測為電網(wǎng)調(diào)度、規(guī)劃、建設(shè)以及運(yùn)行提供重要的參考依據(jù)。因此,采用更加靈活的預(yù)測方法提高短期電力負(fù)荷預(yù)測的精度仍是我們急需解決的一項(xiàng)工作。電力負(fù)荷預(yù)測會受到多種因素的影響,影響因素的分析是電力負(fù)荷預(yù)測的基礎(chǔ),可以為預(yù)測模型輸入量的確定提供參考。本文利用皮爾遜相關(guān)系數(shù)分析了不同影響因素與負(fù)荷的相關(guān)性,分析表明歷史負(fù)荷、天氣、日期等因素與電力負(fù)荷有強(qiáng)相關(guān)性。人工神經(jīng)網(wǎng)絡(luò)由于其強(qiáng)大的自學(xué)習(xí)功能、聯(lián)想存儲功能以及高速尋找優(yōu)化解的能力,已被應(yīng)用于電力負(fù)荷預(yù)測領(lǐng)域,并獲得了良好的效果。隨著廣大學(xué)者對人工神經(jīng)網(wǎng)絡(luò)的深入研究,又出現(xiàn)了深度學(xué)習(xí)這一新的研究方向。本文基于深度學(xué)習(xí)中的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型,提出了融入多影響因素的LSTM多元時間序列模型。通過在LSTM模型的基礎(chǔ)上加入多特征融合層,有效的彌補(bǔ)了LSTM模型無法抽取多特征的缺陷。經(jīng)驗(yàn)證,融入多影響因素的LSTM多元時間序列模型能夠有效地提高中短期電力負(fù)荷預(yù)測的預(yù)測精度。為了彌補(bǔ)融入多影響因素的LSTM多... 

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 電力負(fù)荷預(yù)測
        1.2.1 電力負(fù)荷預(yù)測原則及要求
        1.2.2 電力負(fù)荷預(yù)測分類
    1.3 電力負(fù)荷預(yù)測國內(nèi)外研究現(xiàn)狀
        1.3.1 傳統(tǒng)負(fù)荷預(yù)測方法
        1.3.2 基于人工智能的負(fù)荷預(yù)測方法
    1.4 本文的主要工作及內(nèi)容
第二章 電力負(fù)荷影響因素分析
    2.1 皮爾遜相關(guān)系數(shù)
    2.2 影響因素的選取
    2.3 皮爾遜相關(guān)分析
        2.3.1 影響因素的量化處理
        2.3.2 皮爾遜相關(guān)分析結(jié)果
    2.4 本章小節(jié)
第三章 電力負(fù)荷數(shù)據(jù)預(yù)處理
    3.1 異常數(shù)據(jù)的概念及分類
    3.2 缺失數(shù)據(jù)的處理
    3.3 畸變數(shù)據(jù)的處理
        3.3.1 小波閾值去噪法
        3.3.2 閾值的確定
        3.3.3 閾值函數(shù)的選取
        3.3.4 實(shí)例效果分析
    3.4 數(shù)據(jù)規(guī)范化處理
    3.5 本章小節(jié)
第四章 融入多影響因素的LSTM多元時間序列預(yù)測
    4.1 LSTM模型
        4.1.1 概述
        4.1.2 LSTM模型的原理結(jié)構(gòu)
    4.2 融入多影響因素的LSTM多元時間序列預(yù)測
        4.2.1 LSTM多元時間序列預(yù)測模型架構(gòu)
        4.2.2 LSTM多元時間序列預(yù)測模型訓(xùn)練
    4.3 實(shí)驗(yàn)仿真與分析
        4.3.1 實(shí)驗(yàn)環(huán)境
        4.3.2 模型數(shù)據(jù)規(guī)范
        4.3.3 LSTM預(yù)測模型的預(yù)測結(jié)果
        4.3.4 融入多影響因素的LSTM多元時間序列預(yù)測模型的預(yù)測結(jié)果
        4.3.5 輸出評價指標(biāo)
    4.4 本章小節(jié)
第五章 稀疏自編碼器優(yōu)化的LSTM多元時間序列網(wǎng)絡(luò)
    5.1 稀疏自編碼器
        5.1.1 稀疏自編碼器的基本原理
        5.1.2 稀疏自編碼器的特點(diǎn)
    5.2 稀疏自編碼器優(yōu)化的LSTM多元時間序列網(wǎng)絡(luò)
        5.2.1 SAE-LSTM算法基本思想
        5.2.2 模型的搭建
    5.3 實(shí)驗(yàn)分析與結(jié)果對比
        5.3.1 SAE-LSTM模型預(yù)測結(jié)果
        5.3.2 模型對比分析
    5.4 本章小結(jié)
第六章 結(jié)論和展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
致謝
個人簡況及聯(lián)系方式


【參考文獻(xiàn)】：
期刊論文
[1]連云港地區(qū)溫度對最大電力負(fù)荷的影響分析[J]. 王華雷,關(guān)皓天,高翔.  機(jī)電信息. 2019(36)
[2]基于GRU-NN模型的短期負(fù)荷預(yù)測方法[J]. 王增平,趙兵,紀(jì)維佳,高欣,李曉兵.  電力系統(tǒng)自動化. 2019(05)
[3]基于時間序列線性數(shù)學(xué)模型的電力系統(tǒng)短期負(fù)荷預(yù)測[J]. 費(fèi)熹.  中國高新區(qū). 2018(14)
[4]Prediction and Analysis of O3 Based on the ARIMA Model[J]. FENG Dengchao,LIANG Lishui,LI Chunjiao.  Instrumentation. 2017(02)
[5]基于新型人體舒適度的氣象敏感負(fù)荷短期預(yù)測研究[J]. 高亞靜,孫永健,楊文海,啜斌,梁海峰,李鵬.  中國電機(jī)工程學(xué)報. 2017(07)
[6]基于改進(jìn)小波閥值的振動信號去噪方法研究[J]. 高傳亮,崔高健.  機(jī)械工程師. 2015(01)
[7]氣象因素對江蘇夏季高峰負(fù)荷的影響研究[J]. 管益斌,陳哲,李強(qiáng),周建華,陳文浩.  江蘇電機(jī)工程. 2012(06)
[8]用時間序列法進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)測[J]. 彭生剛,李吉德.  山東電力高等�？茖W(xué)校學(xué)報. 2012(04)
[9]改進(jìn)粒子群—BP神經(jīng)網(wǎng)絡(luò)模型的短期電力負(fù)荷預(yù)測[J]. 師彪,李郁俠,于新花,閆旺.  計(jì)算機(jī)應(yīng)用. 2009(04)
[10]基于MRA與回歸分析法的短期電力負(fù)荷預(yù)測[J]. 袁誠斌,張濤,朱建良.  信息技術(shù). 2007(10)

碩士論文
[1]基于支持向量機(jī)的短期電力負(fù)荷預(yù)測方法研究及應(yīng)用[D]. 馬鴻芳.蘭州理工大學(xué) 2018
[2]基于智能優(yōu)化算法的電力負(fù)荷預(yù)測模型[D]. 唐承娥.廣西大學(xué) 2017
[3]基于LSTM和灰色模型集成的短期交通流預(yù)測[D]. 談苗苗.南京郵電大學(xué) 2017
[4]基于小波分析的電力系統(tǒng)短期負(fù)荷預(yù)測的應(yīng)用研究[D]. 賈辛淼.沈陽工業(yè)大學(xué) 2016
[5]股票定價函數(shù)形式及其數(shù)據(jù)去噪方法的研究[D]. 孫子璇.中國計(jì)量學(xué)院 2013



本文編號：3685604