一、短期电力负荷预测的小波支持向量机方法研究（论文文献综述）
刘彦辉[1]（2021）在《含光伏发电的电力系统功率预测和动态环境经济调度研究》文中研究指明目前人类面临着能源危机和环境污染等诸多问题,采用可再生能源代替传统化石能源是解决这些问题的必要途径和发展趋势。随着可再生能源利用技术的逐渐成熟,我国可再生能源经历了快速的发展,光伏发电在电网中占比逐年提高。与常规能源相比,光伏发电具有清洁、便利、安全可靠,建设周期短,易大规模产业化等优点,目前已经成为能源与生态环境可持续发展的重要组成部分。但是,气象等自然因素对光伏发电具有较大程度的影响,导致光伏发电具有随机性和波动性,光伏发电易产生不确定性因素,这些不确定性因素对电力系统运行和电网调度产生极大的挑战。负荷预测和光伏发电功率预测是电力系统优化调度的前提和基础,通过合理有效的预测技术提高电力负荷和光伏发电功率的预测精度和效果,在获得电力负荷和光伏发电功率预测数据的基础上,对煤炭和太阳能资源丰富的地区进行含光伏发电并网的“光—火”联合发电系统进行环境经济调度,对于充分利用太阳能,提高光伏发电利用率,降低光伏发电并网对电力系统的冲击和影响,构建生态环境友好型社会具有极其重要的意义和作用。在此背景下,本文针对含光伏发电并网的“光—火”联合发电系统进行短期负荷预测和光伏发电功率预测,以精准的电力负荷和光伏发电功率预测数据作为基础,深入研究电力系统环境经济调度问题,主要工作和创新成果如下:（1）提出了一种基于量子烟花算法优化支持向量机（QFAW-SVM）的短期负荷预测模型。首先,分析了支持向量机（SVM）在电力系统短期负荷预测过程中参数不易合理优化,导致负荷预测结果不够精确的问题。针对此问题,本文建立了量子烟花算法优化SVM的电力系统短期负荷预测模型,采用量子烟花算法对SVM模型参数进行优化,建立了QFAW-SVM预测模型对“光—火”联合发电系统优化调度时段的负荷进行预测。实际负荷算例验证了本文所提模型的合理性和有效性。本文所提方法较好地避免了SVM模型参数优化不合理导致预测结果不够理想的问题,有效地提高了SVM模型短期负荷的预测效果,为短期负荷的精准预测提供了新的方法,同时为后续“光—火”联合发电系统环境经济调度提供了负荷数据依据。（2）针对光伏发电波动性和随机性影响光伏发电功率精准预测的问题,以及基于传统机器学习算法的预测模型在光伏发电功率方面存在预测方法单一、预测精度不够理想的问题,本文提出一种改进自适应噪声完备集合经验模态分解算法（ICEEMDAN）结合支持向量机（SVM）的复合预测模型（ICEEMDAN-IF-MPSO-SVM）。首先,采用ICEEMDAN算法将原始光伏发电功率分解为一系列的本征模态函数IMF,IMF自适应地划分为相应的群组。其次,采用改进粒子群算法（MPSO）优化SVM模型参数,建立了MPSO-SVM预测模型对相应归类的IMF群组表示的光伏发电功率波动分量进行预测,最后叠加重构各波动分量的预测结果,得到最终的预测结果。通过实际算例验证了本文所提预测模型的通用性和优越性。本文所提出模型将波动的光伏发电功率信号合理分解,降低了光伏发电功率信号中波动分量对功率预测精度的影响,较好地平抑了光伏发电的不确定性,有效提高了光伏发电功率的预测效果和预测精度。（3）针对光伏发电功率预测过程中,基于传统机器学习算法的预测模型忽视学习过程,不能很好地挖掘光伏发电功率与其影响因素相关性的问题,提出了基于优化的变分模态分解算法（OVMD）结合长短期记忆网络（LSTM）的复合预测模型（OVMD-IPSO-LSTM）。首先,采用基于特征频率和互信息最大值的参数优化方法,对传统变分模态分解算法（VMD）的模态数量和惩罚因子进行优化,采用改进后的算法（OVMD）将光伏发电功率分解为一系列的本征模态函数IMF。其次,建立了改进惯性权重的粒子群算法（IPSO）优化LSTM模型参数,建立了IPSO-SVM预测模型对每个IMF表示的光伏发电波动分量进行预测,叠加重构每个波动分量的预测结果,得到最终的预测结果。通过实际算例验证了本文所提模型的有效性。本文所提方法较好地挖掘了光伏发电功率及气象等影响因素的关联信息,有效解决了光伏发电功率数据信号的噪声问题,对光伏发电信号进行了平稳化处理,减少了波动分量对光伏发电功率预测的干扰,较好地抑制了光伏发电不确定性对功率预测的影响,实现了光伏发电功率的精准预测。（4）提出了一种基于熵值法的光伏发电功率组合预测模型,分别采用遗传算法优化小波神经网络（GA-WNN）、ICEEMDAN-IF-MPSO-SVM和OVMD-IPSO-LSTM三种单项预测模型,对实际光伏电站发电功率分别进行预测,再通过熵值法合理确定各单项预测模型的加权系数,建立了包含上述三个单项预测模型的基于熵值法的组合预测模型。实际算例预测结果表明,本文所提组合预测模型在第3、4章ICEEMDAN-IF-MPSO-SVM和OVMD-IPSO-LSTM预测模型基础上,光伏发电功率预测精度和预测效果进一步得到提高,为光伏发电组合预测提供了新的思路,同时为后续“光—火”联合发电系统环境经济调度提供了光伏发电数据依据。（5）提出了一种含光伏发电的电力系统动态环境经济优化调度模型。结合前期负荷和光伏发电功率预测技术和预测数据,针对含光伏发电并网的“光—火”联合发电系统经济运行和环境保护问题,建立了“光—火”联合发电系统动态环境经济调度模型,以联合发电系统发电成本和费用最低,污染气体排放量最小为双重优化目标,采用带精英策略的快速非支配排序遗传算法混合改进粒子群算法（NSGA-II-PSO）对优化调度模型进行求解,得到联合发电系统优化调度的多目标帕累托最优解集,并通过最大满意度原则得到最优折中解,最终在“光—火”联合发电系统动态调度中,实现了环境指标和经济指标的综合最优。
朱国森[2]（2021）在《基于Stacking与Prophet组合模型的短期电力负荷预测》文中进行了进一步梳理短期电力负荷预测对电力系统的稳定运行具有重要的意义,准确的预测可以保证电力系统运行在经济、安全的水平。虽然电力负荷会随时间变化产生规律性的变化,但是它也会受到温度、电价等因素的影响,复杂的特性使单一模型无法满足预测需要。为了提高负荷预测的准确性,本文从数据类型的角度开展研究。负荷数据类型可以分为时间序列数据和与负荷相关的多因素数据,时间序列数据即负荷随时间变化的数据,它随季节、月份变化呈现一定的周期性。与负荷相关的数据则包括天气、湿度、温度、电价等,这些因素会在某种程度上对负荷造成影响。本文在不同类型负荷数据的基础上,利用多因素数据建立双层Stacking模型,时间序列数据建立Prophet模型,并用误差倒数法将两种模型结合,得到误差更低的模型,提高预测准确性。主要工作内容如下:（1）对负荷相关的温度、湿度、电价、日期等因素进行分析,在此基础上使用主成分分析对除日期外的因素进行特征提取,降低输入数据维度,可获得更快的预测速度和更低的预测误差。（2）基于多因素数据建立双层Stacking集成模型,分别从最小化误差和减小过拟合的角度出发,对第一、第二层模型进行筛选。在确定第一层模型的时候,创建了由已筛选的第一层基础模型建立的模型组合,扩大了第一层模型的可选范围,通过仿真确定了使得Stacking模型误差最低的第一层模型,之后同基础模型进行对比,结果表明Stacking模型效果更好。（3）对于时间序列数据,采用Prophet模型进行预测。Prophet将负荷数据划分为季节项、趋势项、假期因素、剩余项四种类型数据,分别得到四种数据的预测结果并组合为最终的预测结果。通过验证对比,Prophet模型预测误差小于ARIMA模型。（4）用误差倒数法将Stacking模型与Prophet模型进行结合,然后同其他结合方法以及传统方法对比验证,基于误差倒数法结合的模型有最好的表现,同时表明结合两种数据类型的预测方法可获得比单一数据类型的预测方法更高的准确性。[33]表[9]参[80]
王珂珂[3]（2021）在《计及新能源的电力现货市场交易优化研究》文中进行了进一步梳理能源是社会进步和人类生存的物质基础,随着能源资源约束日益加剧,绿色低碳发展成为我国经济社会发展的重大战略和生态文明建设的重要途径,我国亟需加快建设以可再生能源为主导的清洁低碳、安全高效的能源体系,实现“30·60”双碳目标。电力工业在现代能源体系中处于核心地位,在减少温室气体排放方面发挥着重要作用,应加大力度发展以风电、太阳能为代表的绿色电力。但由于中国风能、光能富集区与需求区逆向分布,市场在优化资源配置中的作用发挥不够充分,亟需完善新能源参与的电力现货市场交易机制,构建高比例新能渗透的电力现货市场交易决策支持方法,以实现资源有效配置,促进新能源消纳。鉴于以上考虑,本文从新能源参与对电力现货市场影响、新能源发电功率预测与电力现货市场电价预测、计及新能源的中长期合约与现货日前市场的衔接与出清机制、电力现货市场各阶段市场的衔接与出清机制、碳交易权市场与电力现货市场的耦合机制等多个方面展开研究。本文主要研究成果与创新如下:（1）对新能源参与对电力现货市场的影响进行研究,基于电力现货市场价格信号的复杂性,构建由三个模块构成的新能源对电力现货市场影响分析模型,包括基于数据统计的相关性分析、基于小波变换与分形理论的全部特征值分析与基于关键因素提取的相关性分析。以丹麦两地区现货市场的历史数据进行验证,证实新能源发电对于电价影响高于常规历史数据;基于小波变换分析与分形理论求得全部特征值方法,计算两地区分类准确率为分别为80.35%,82.30%,分类结果表明负荷、新能源发电量序列与新能源发电量占比分类错误率较高;通过关键特征提取的相关性分析结果,重要程度位于前三的因素均存在新能源发电相关因素。因此研究中仅考虑负荷等常规因素不足以支撑电力现货市场电价预测、交易匹配与出清问题的研究。（2）对电力现货市场中新能源发电功率与电价预测进行研究,构建基于完全集成经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）与样本熵（sample entropy,SE）的数据预处理策略,基于和声搜索（harmony searchm,HS）算法优化的核极限学习机（kernel extreme learning machine,KELM）的混合新能源发电功率预测模型,基于相似日筛选与长短期记忆模型（long short-term memory,LSTM）的电力现货市场电价预测模型。针对非线性、非稳态的短期新能源发电功率预测,首先通过皮尔森相关系数筛选模型输入数据,减少数据冗余;而后,采用CEEMD-SE的组合数据预处理策略,对发电功率时间序列进行分解和重构,消除数据噪声,减少模型计算量;其次,采用HS-KELM模型对重构后的多个子序列进行建模预测,集成处理后得到最终的新能源发电功率预测值。基于CEEMD-SE-HS-KELM新能源发电功率预测模型具有更高的预测精度。针对电力现货市场电价预测,将新能源出力指标纳入电力现货市场电价预测中,首先采用CEEMD-SE对电价序列进行分解与重构;而后,构建基于随机森林（random forest,RF）与改进灰色理想值逼近（improved approximation ofgrey ideal values,IAGIV）的新能源出力影响量化模型,筛选出与待预测天数关联性较强的历史天作为输入集;其次,采用LSTM模型对重构后的多个子序列分别进行预测,基于CEEMD-SE-RF-IAGIV-LSTM预测模型对于电价序列的拟合效果较好,可为电力现货市场参与主体制定交易策略、现货市场出清撮合提供支撑,降低电力现货市场中的风险。（3）对计及新能源与中长期市场影响的现货日前电力市场优化模型进行研究。本文提出计及中长期合约电量分解与新能源参与的日前电力市场交易优化模型,首先构建考虑火电厂合约电量完成进度偏差的中长期合约电力分解模型,将分解得到的每日中长期合约电量作为约束引入日前市场的优化模型中,保证中长期合约电量物理执行;针对系统不确定性进行建模,在电力现货市场价格模拟中加入新能源渗透率,更精准地刻画能源参与对于电力现货市场的影响;构建新能源参与的日前市场多目标出清优化模型,利用模糊优选方法对多目标进行转换,较好地平衡经济性与节能减排目标;最后采用基于GA-PSO组合优化模型对构建模型进行求解。模型求解结果表明,本文构建的多目标优化函数能够在保证系统运行经济效益的基础上,实现环境效益最大化,达到节能减排的效果;同时随着新能源渗透率的增加,系统不确定性增加,常规机组的成交电量有所下降。（4）对计及新能源的日前市场与日内市场的衔接机制进行分析,并构建相应的出清优化模型。在日前市场与实时市场之间增加日内市场,以减少系统辅助服务成本、降低用于平衡间歇性、波动性新能源的化石燃料容量、灵活性资源配置与储能成本,以提高现货市场效率,更好的发挥市场对资源优化配置的作用。采用基于模型预测结果与误差分布函数结合的不确定性刻画模型,而后构建了基于拉丁超立方采样进行场景集生成法与改进谱聚类分析的场景集削减策略,能够选择出最具代表性的场景集。基于电力现货市场出清流程,将含有新能源较多的系统将引入日内市场,以减小实时市场的功率偏差,提高系统运行的经济性和稳定性,采用预测模型对新能源出力、电力负荷进行预测,结合预测误差分布函数刻画系统不确定性;构建日前市场和模拟日内市场联合出清优化模型,在各个日内市场考虑对应实时市场新能源偏差功率的不确定性、电价不确定性,建立各日内市场和模拟实时市场联合优化模型。（5）考虑到中国“30·60”双碳目标与宏观发展规划,本文构建一个基于STIRPAT模型碳排放影响因素分析与改进烟花算法（improved fireworks algorithm,IFWA）优化的广义回归神经网络（general regression neural network,GRNN）预测模型。基于不同的社会环境与政策环境,对碳排放影响因素进行模拟并设定,预测结果表示中国的碳排放总量将于2031年达到峰值。以此为基础分析现行政策下中国的碳减排压力,并进行相应的建设全国统一的碳交易权市场必要性分析。而后,基于电力市场和碳市场的建设现状,利用系统动力学模型进行碳交易对电力现货市场的影响分析,系统动力学模型分析结果证实电力市场价格与碳交易价格呈现正相关关系;最后,基于对于碳交易对电力市场作用机理的分析,提出碳交易机制与电力现货市场机制协同建设建议。
曾豪[4]（2021）在《面向区域电力物联网的用户侧电力资源管理策略研究》文中研究指明区域能源互联网中产能、储能和用能设备数量众多,用户业务差异较大,拥有庞大的能量流和信息流。通过对信息进行分析处理,可以提高能量的流动效率。短期电力负荷预测信息作为区域能源互联网中的关键信息流之一,对负载规划和电力交易管理具有重要意义,当前短期电力负荷预测研究主要包括特征分析法和电力负荷曲线聚类法,其中特征分析法的预测精度取决于特征选择,而电力负荷曲线聚类法又无法处理用户的突发性用电行为。因此,本文综合考虑电力负荷曲线的趋势和用户用电特征选择问题,提出面向高维电力负荷数据的高精度短期电力负荷预测策略。该策略综合考虑气象因子和节假日以及年度经济总量因素等特征数据,并创新地以时隙作为预测单位,提出基于每日相邻时隙进行预测的算法。仿真结果表明,提出算法的平均绝对百分比误差指标提升至2.27%,R平方（R-square,R2）指标提升至0.968,相较于传统支持向量机和经验模态分解等方法,本文所提策略的负荷预测精度提高了 20.6%。进一步,基于短期电力负荷预测结果,本文针对区域能源互联网场景中用户无法充分利用信息流导致用电成本高的难题,分别对用户侧家电类负载和新能源汽车进行讨论,研究区域能源互联网场景下用户侧能源管理策略。本文以最小化用户的用电成本的目标,将区域能源互联网中用户侧电动汽车充电时的电力交易过程构建为混合整数线性规划模型,并使用Gurobi线性规划求解器,通过分支定界法对优化模型的解空间树进行分支和剪支,得到新能源汽车充电时间内用户的最优电力交易策略和电动汽车充电策略。仿真结果表明,相较于传统市场即用即买的交易策略,提出的新型能源管理策略可将用户的用电成本降低46%,提高了用户对时变电价的敏感性。综上,本文分析了区域能源互联网场景下电力交易市场的特征,通过规划可时移负载使用时间、制定电力交易计划,降低了用户用电成本,提高了能量和信息的交互效率。
孙昀昀[5]（2021）在《基于深度学习的冲击性电力负荷短期预测关键技术研究》文中认为电力负荷预测是指研究和使用一套数学方法,可以根据历史负荷数据和当前情况合理管理历史和未来的负荷,用于预测未来一段时间某个特定时间点的负荷。为提高准确性,电力负荷预测应当将当前电力系统的运行特点、电力负荷特点、自然条件环境变化因素和社会事件影响因素的情况纳入考虑。电力负荷可分为多种不同类型,包括居民用电负荷、工业企业用电负荷、商业途径用电负荷等。每一种用电负荷都具有其特点,受各种原因影响的程度和方式有所不一。本论文研究的是以钢铁企业用电负荷为主的冲击性工业负荷短期预测技术,而且冲击性电力负荷占所在地区总体负荷的比重较大。对于本文所研究的地区而言,其电网总量的负荷偏低且70%以上为波动大的钢厂冲击性负荷,负荷曲线显示出一个不规则的锯齿波,振幅波动巨大。仅考虑调度自动化系统（EMS）的历史负荷数据所获得的预测精度是不够准确的。负荷变动的幅度大小与系统容量相比数值较高时,负荷变动会导致系统频率的振荡幅度很大和电压的急剧变化,很容易导致电力系统受到损害。总的来说,以钢铁企业用电负荷为主要成分的冲击性电力负荷短期预测的难点可以归纳为:（1）传统负荷预测方法无法满足精度要求（2）大型钢铁企业负荷波动大,呈现随机性（3）负荷变化受多种因素影响（4）负荷预测实时性要求越来越高为了提升负荷预测的准确率,考虑从原始负荷数据、影响因子、数学模型和预测算法这几个方面着手。本文研究的主要思路是通过寻找适当的方法对原始负荷数据进行预处理,在负荷影响因素选取方面和通过改进预测算法流程来提高负荷预测的准确性。主要工作如下:1.分析所研究的钢铁冲击电力负荷区域的负荷变化特性。不同区域的电力负荷变化特性也是不同的。为了更好地建立一个适合当地电力负荷变化的模型,第一步是分析该地区的负荷变动特性。2.预处理原始负荷数据,一方面,原始数据通常的收集来源是实时系统。因为动态数据采集有时可能会造成信道故障、堵塞不通等,另一方面是由于冲击性负荷曲线波动性较高、毛刺多,负荷规律性被严重破坏。因此,负荷数据预处理在负荷预测中就显得十分重要。钢铁冲击负荷地区的电力负荷与一般区域的电力负荷特点不同,本文提出了负荷预处理的一个新方法。该方法首先把波动大毛刺多的负荷信号当作是一个噪音信号,根据噪声信号和正常信号在小波变换下不同的传播特性来识别异常情况并且修正错误数据。一方面,它可以准确地把异常的数据识别出来;从另外的方面来说,这个方法可以在平整日负荷曲线的基础上很好的还原负荷曲线的变化情况。3.建立模型,先进行负荷特性的综合分析,根据深度学习的基本原理与模型结构,对比RNN与LSTM对处理时间序列问题的适应性。建立行之有效的负荷预测模型以进一步提高负荷预测的准确率。4.实例分析,并且评估模型的可行性,本文通过仿真对建立的负荷预测模型进行验证,并将其与现有负荷预测方法包括神经网络算法、支持向量机算法的结论进行对比。以平均相对误差为标准,验证了模型对钢铁冲击负荷接入母线预测的有效性,同时也验证了原始负荷经小波去噪后预测模型准确率可以得到进一步的提升。
尚佳玉[6]（2020）在《基于小波分解与LSTM网络的短期电力负荷预测研究》文中提出电力是企业生产、人类生活的必需品,是保障我国人民生活质量不断提高,经济迅速发展的重要基础。电力负荷的及时供应可以保障社会快速的发展,但是当负荷出现供给大于需求时,会造成能源的浪费,增加环境污染。因此短期电力负荷预测成为了各个电力公司乃至国家的核心工作,通过准确的预测结果,实现电力系统的供需平衡,在保证电力充足的同时,达到节能降耗、保护环境的目的。本文考虑了气候因素、时间和日期性质对预测的作用,又考虑了噪声对负荷预测产生的负面影响,构建了小波-LSTM神经网络预测模型,将小波分解与LSTM结合在一起,既可以克服噪声对预测的影响,又可以解决电力负荷数据的长期依赖信息丢失的问题。为了验证模型的适用性及其优势,本文采用某电力公司真实负荷数据进行实证分析,将小波-LSTM、ARIMA、LSTM、SVR和多元线性回归这五种方法分别对样本中最后一周的负荷数据进行预测,研究结果发现,小波-LSTM组合预测模型预测效果最佳,MAPE值为2.77%,ARIMA、LSTM、SVR和多元线性回归的预测结果的MAPE值分别为3.51%、3.21%、3.02%和13.95%,可以说明增加了小波分解之后,模型预测精度确有提升。综上所述,本文提出的新模型可以作为电力系统智能化分析和预测的有效工具。希望各电力公司能够科学合理的运用模型对负荷数据进行预测,实现负荷的最优配置,在帮助企业产生经济效益的同时,还能够保障经济的发展、社会的进步,推进全社会节约能源、绿色发展。
宋慧颖[7]（2020）在《基于EEMD和CCLSTM组合模型的电力负荷预测的研究》文中研究指明随着我国的经济实力逐渐增强,电能已经成为人类生活中不可替代无法或缺的重要部分,电力供应中出现的故障或者中断轻则影响人们的生活,重则导致不可挽回的重大生命财产或国家级别的损失,所以电力系统的可靠性极为重要。电力预测在电能管理系统中起着举足轻重的作用,它对电力系统的运行、控制和规划有重要的指导意义。如果缺少预测或者预测不到位,在固定的发电周期内会增加大量的运行和维护的成本。所以为电力系统建立准确的短期负荷预测模型,将成为了国家能源管理战略的关键因素。在电力负荷预测过程当中,由于各种影响因素的存在,会导致负荷数据序列的波动和不稳定。针对这个问题,本文提出了一种将集合经验模态分解（EEMD）和最小冗余-最大相关（mRMR）相结合的数据预处理方法。将原始负荷数据序列分解为若干个固有模态函数和一个不同频率的残差,以减弱复杂因素对数据序列的影响。然后再利用mRMR进行相关性分析,计算出各个IMF与特征信息（日类型、温度、气象条件等）之间的关联性,最终得到最佳特征集。近年来,基于循环神经网络（RNN）的模型和长短期记忆网络（LSTM）在电力负荷预测中取得了良好的效果,现有的预测模型没有使用全部的隐藏层向量,而只是利用了上一时刻与之关联的隐藏层向量,等同于没有充分利用过去信息作为训练的一部分。因此,假如某个预测时间段内生成了一个错误的隐藏层向量,我们无法对其进行修正,从而严重影响到后续的预测结果。为了解决这些问题,本文提出了一种将长短期记忆网络（LSTM）和一维卷积神经网络（1DCNN）相结合的组合模型CCLSTM。我们使用一维卷积模块来校准预测时间,并且根据固定时间周期计算出隐藏层向量值。并且利用甘肃省电力负荷数据对提出的CCLSTM模型进行了验证。实验结果表明,在与其他基于深度学习的负荷预测方法（基于多层感知机的预测模型、基于一维卷积神经网络的预测模型等）的比较中可以看出,CCLSTM模型在短期电力负荷预测方面效果优异。
于萌[8]（2020）在《基于虚拟预测的电力系统短期负荷预测研究》文中指出当前我国经济发展处于新常态,电力改革向纵向推进,电力负荷增长存在较大的波动性与不确定性,负荷预测能为电网规划提供可靠决策依据,对电网高效运营十分重要。短期负荷预测是负荷预测工作的重要组成部分,对于提高发电设备的利用率和经济调度有着重要意义。本文在对传统负荷预测方法进行评价与比较的基础上,引入虚拟预测的思想,并将其应用于电力系统短期负荷预测的研究。首先以电力负荷大数据趋势加剧为背景,充分考虑历史负荷及多种气象因素,为解决高维数据信息混杂的现象,对相关数据展开筛选与挖掘:采用小波阈值去噪技术处理历史负荷数据,修复异常数据;引入广义灰色绝对关联度作为气象因素的筛选指标,从12个气象因素中筛选得到6个因素,再运用PCA算法对6个气象因素进行降维处理和特征提取,获得有效气象数据样本集。其次,运用BP神经网络、支持向量机、灰色预测等多种不同的预测方法对同一历史时段进行虚拟预测,以离差最大化综合属性值作为评判指标,从6种单项模型中择优遴选出四种模型。最后,以虚拟预测残差平方和最小为目标,建立最优虚拟预测方式下的短期负荷预测综合模型,并应用该模型对真正的“待预测日”进行预测,验证模型和算法的合理性及有效性。
陈锦皓[9]（2020）在《基于机器学习的多时间尺度电力系统短期负荷预测研究》文中认为电力系统运行的基本要求有可靠性、良好的电能质量、经济型和电力网运行调度的灵活性。为满足电力系统运行经济性和电力网调度灵活性的要求,对电力系统负荷的短期预测显得尤为重要。国内外学者进行了大量关于电力系统负荷预测相关的研究,文献研究可知,目前关于电力系统负荷短期预测领域没有一种公认的研究方法,可以适用于所有现实背景。文中提出基于机器学习的多时间尺度电力系统短期负荷预测研究。具体研究内容如下:（1）对电力系统负荷历史数据进行预处理。采用复Morlet小波进行多时间尺度分析处理和归一化处理等预处理过程。时序数据在不同尺度频率下出现不同的周期特性,文中根据数据大小等因素选取合适的周期,文中将原有电力系统负荷时序数据划分成几段,选取一段数据作为模型输入。小波处理能够提取最准确描述数据的周期性特征,从而为电力系统负荷预测的模型训练打下良好的基础。（2）运用基于网格优化的支持向量机模型对电力负荷进行预测。通过采用网格寻优算法对模型的核宽度参数以及惩罚参数进行寻优,网格寻优算法是一种穷举搜索方法,通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法。实验结果证明此模型适合于小样本电力系统数据训练和预测。（3）运用Rasical Basis Function（RBF）神经网络对电力负荷进行预测。在RBF网络之前训练,需要给出输入向量P和目标向量T,训练的目的是要求得第一层和第二层之间的权值W1、阀值B1,和第二层与第三层之间的权值W2、阀值B2,创建RBF网络的时候,自动选择隐含层数目。实验结果证明,与普通神经网络模型相比,该模型有效的提高了预测结果和训练速度。适合于小样本电力系统数据,对速度要求不是特别高的电力系统负荷预测场所。（4）为了克服支持向量机更适用于小样本的特点,本文用Back Propagation（BP）神经网络用于电力系统负荷预测,因此构建BP神经网络模型作为对比,实验中采用446x24数据集时,BP模型运行速度较慢,预测精度较好,适用于的电力系统负荷数据量较大,对预测速度无要求的电力系统负荷预测场所。（5）宽度学习框架在预测速度上有显着优势,文中构建宽度学习算法,与SVM试验进行综合比较。结果表明,实验速度最快,准确率较高,适应于数据量较小的实时电力系统短期预测领域。通过欧洲智能技术网络（EUNITE）竞赛负荷预测样本数据集上的验证实验,证明本文采用的四种基于机器学习的电力系统负荷预测方法,在电力系统负荷预测应用领域具有准确性和快速性的特点。得出模型在负荷预测应用上各自的优势,本文的研究内容可以为实际电网的调度与运行提供良好的理论基础支撑,具备一定的实际应用意义。
赵晓磊[10]（2020）在《基于蚁狮算法优化极限学习机的短期电力负荷预测》文中提出随着电力市场的发展,电力系统短期负荷预测将直接影响到电力市场的决策和电网的调度。对于电网而言,精准电力短期负荷预测可以制定有效的发电计划,避免不必要的电能浪费。对于电力市场而言,可以根据负荷预测结果来制定售电计划,从而使各方电力企业的利益最大化,所以对于提高电力短期负荷预测的精度就显得尤为重要。因此本文在分析电力短期负荷预测影响因素和对比现有预测模型的基础上,提出一种蚁狮算法优化极限学习机的短期电力负荷预测模型。首先,本文详细介绍了电力负荷预测的研究现状、概述及分类,分析了影响电力负荷变化的主要因素,概括了日负荷特性和节假日负荷特性变化特点。其次,介绍了人工神经网络的几个经典模型算法的基本原理,通过对实例的分析找到人工神经网络模型中预测最为精确稳定的单一模型,之后针对其单一模型所存在的不足进行研究。从而提出采用群智能优化算法的解决方案。然后,介绍了蚁狮算法的基本原理,构建了蚁狮算法优化极限学习机模型,并与群智能优化算法中的改进粒子群优化极限学习机模型通过应用实例的对比测试,验证其方法的优越性和有效性。最后,将所提出蚁狮算法优化极限学习机应用于短期电力负荷预测,通过案例分析验证了其具有更高的预测精度。
二、短期电力负荷预测的小波支持向量机方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、短期电力负荷预测的小波支持向量机方法研究（论文提纲范文）
（1）含光伏发电的电力系统功率预测和动态环境经济调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要公式符号字母对照表 |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 光伏发电预测研究现状 |
| 1.2.1 光伏发电预测系统研究现状 |
| 1.2.2 光伏发电预测技术研究现状 |
| 1.3 电力系统环境经济调度研究现状 |
| 1.4 论文研究内容 |
| 2 基于QFWA-SVM模型的短期电力负荷预测 |
| 2.1 短期电力负荷预测方法概述 |
| 2.2 支持向量机 |
| 2.3 烟花算法 |
| 2.4 量子烟花算法优化支持向量机模型 |
| 2.4.1 量子烟花算法 |
| 2.4.2 QFWA-SVM模型 |
| 2.5 算例分析 |
| 2.6 本章小结 |
| 3 基于ICEEMDAN-IF-MPSO-SVM模型的短期光伏发电功率预测 |
| 3.1 SVM模型在光伏发电功率预测中存在的问题 |
| 3.2 CEEMDAN算法 |
| 3.3 PSO算法 |
| 3.4 ICEEMDAN-IF-MPSO-SVM模型 |
| 3.4.1 光伏发电功率分解 |
| 3.4.2 IMF的识别与分组 |
| 3.4.3 MPSO-SVM预测模型 |
| 3.4.4 光伏发电功率最终预测模型 |
| 3.4.5 预测结果评价 |
| 3.5 算例分析 |
| 3.6 本章小结 |
| 4 基于OVMD-IPSO-LSTM模型的短期光伏发电功率预测 |
| 4.1 LSTM模型在光伏发电功率预测中存在的问题 |
| 4.2 VMD算法 |
| 4.3 互信息 |
| 4.4 长短期记忆网络 |
| 4.5 OVMD-IPSO-LSTM模型 |
| 4.5.1 模态数量优化 |
| 4.5.2 惩罚因子优化 |
| 4.5.3 IPSO-LSTM预测模型 |
| 4.5.4 光伏发电功率最终预测模型 |
| 4.5.5 预测结果评价 |
| 4.6 算例分析 |
| 4.7 本章小结 |
| 5 基于组合模型的短期光伏发电功率预测 |
| 5.1 遗传算法优化小波神经网络模型 |
| 5.1.1 小波分析 |
| 5.1.2 小波神经网络 |
| 5.1.3 遗传算法 |
| 5.1.4 GA-WNN预测模型 |
| 5.2 基于熵值法的组合模型 |
| 5.3 算例分析 |
| 5.4 本章小结 |
| 6 基于多目标优化的含光伏发电的电力系统动态环境经济调度 |
| 6.1 多目标优化问题 |
| 6.2 NSGA-Ⅱ算法 |
| 6.3 改进PSO算法 |
| 6.4 NSGA-Ⅱ-PSO算法 |
| 6.5 含光伏发电的电力系统动态环境经济调度模型 |
| 6.5.1 动态多目标优化问题 |
| 6.5.2 优化目标函数 |
| 6.5.3 约束条件 |
| 6.5.4 动态多目标优化调度建模及求解 |
| 6.6 算例分析 |
| 6.7 本章小结 |
| 7 结论 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
（2）基于Stacking与Prophet组合模型的短期电力负荷预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的结构安排 |
| 2 电力负荷数据预处理及分析 |
| 2.1 电力负荷预处理 |
| 2.1.1 异常数据处理 |
| 2.1.2 缺失值处理 |
| 2.2 电力负荷影响因素分析 |
| 2.2.1 温度对电力负荷的影响 |
| 2.2.2 湿度对电力负荷的影响 |
| 2.2.3 电价对电力负荷的影响 |
| 2.2.4 电力负荷的周期性特性 |
| 2.3 电力负荷预测步骤 |
| 2.4 本章小结 |
| 3 Stacking算法原理及仿真验证 |
| 3.1 Stacking第一层模型原理 |
| 3.1.1 K近邻算法 |
| 3.1.2 支持向量机 |
| 3.1.3 决策树算法 |
| 3.1.4 随机森林 |
| 3.1.5 XGBoost |
| 3.2 Stacking第二层模型原理 |
| 3.2.1 线性回归 |
| 3.2.2 Ridge回归、Lasso回归 |
| 3.3 网格搜索及交叉验证 |
| 3.4 Stacking两层模型的选取 |
| 3.5 Stacking第一层基础模型优化 |
| 3.6 Stacking模型确定 |
| 3.7 Stacking预测结果及分析 |
| 3.8 本章小结 |
| 4 时间序列预测模型 |
| 4.1 ARIMA模型 |
| 4.1.1 ARIMA模型的原理 |
| 4.1.2 ARIMA模型的建立步骤 |
| 4.2 Prophet模型 |
| 4.2.1 Prophet模型的原理 |
| 4.2.2 Prophet模型的建立 |
| 4.3 ARIMA模型仿真 |
| 4.3.1 平稳性检验 |
| 4.3.2 模型定阶 |
| 4.3.3 模型预测 |
| 4.3.4 结果对比 |
| 4.4 Prophet模型仿真 |
| 4.5 预测结果对比及评价 |
| 4.6 本章小结 |
| 5 基于Stacking与Prophet的组合模型 |
| 5.1 基于平均权重的组合模型 |
| 5.2 基于误差倒数的组合模型 |
| 5.3 基于方差-协方差的组合模型 |
| 5.4 结果对比 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（3）计及新能源的电力现货市场交易优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 新能源对电力现货市场的影响研究 |
| 1.2.2 新能源发电功率预测研究 |
| 1.2.3 电力现货市场电价预测研究 |
| 1.2.4 新能源参与电力现货市场交易研究 |
| 1.2.5 计及碳交易的电力现货市场研究 |
| 1.3 论文主要研究内容和技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 1.3.3 主要创新点 |
| 1.4 本章小结 |
| 第2章 电力现货市场交易优化相关理论基础 |
| 2.1 典型国家电力现货市场发展概述 |
| 2.1.1 美国电力现货市场 |
| 2.1.2 英国电力现货市场 |
| 2.1.3 北欧电力现货市场 |
| 2.2 中国电力现货市场发展概述 |
| 2.2.1 能源电力现状分析 |
| 2.2.2 电力现货市场现状分析 |
| 2.2.3 建设基本原则 |
| 2.2.4 建设关键问题 |
| 2.2.5 未来发展方向 |
| 2.3 电力预测理论基础 |
| 2.3.1 经典预测方法 |
| 2.3.2 机器学习预测方法 |
| 2.3.3 深度学习预测方法 |
| 2.4 系统优化理论基础 |
| 2.4.1 模糊规划 |
| 2.4.2 鲁棒优化 |
| 2.4.3 随机规划模型 |
| 2.5 SD模型及其应用 |
| 2.6 本章小结 |
| 第3章 新能源对电力现货市场的影响分析 |
| 3.1 新能源对电力现货市场的影响分析模型 |
| 3.1.1 基于统计数据的影响分析 |
| 3.1.2 基于小波变换与分形理论的特征表示 |
| 3.1.3 基于SVM的特征因素分类 |
| 3.1.4 基于因子分析的特征提取 |
| 3.1.5 影响分析模型框架与流程 |
| 3.2 新能源对现货市场电价影响的实证分析 |
| 3.2.1 数据收集 |
| 3.2.2 基于统计数据的影响实证分析 |
| 3.2.3 基于全部特征的影响实证分析 |
| 3.2.4 基于关键特征的影响实证分析 |
| 3.3 本章小结 |
| 第4章 电力现货市场中新能源发电功率预测与电价预测 |
| 4.1 基于CEEMD-SE-HS-KELM的新能源发电功率预测模型 |
| 4.1.1 CEEMD-SE模型 |
| 4.1.2 HS-KELM模型 |
| 4.1.3 CEEMD-SE-HS-KELM |
| 4.1.4 实例分析 |
| 4.2 基于相似日筛选与LSTM的现货市场电价预测模型 |
| 4.2.1 电价影响因素初选 |
| 4.2.2 基于RF的新能源影响量化 |
| 4.2.3 基于改进灰色关联的相似日筛选 |
| 4.2.4 RF-IAGIV-CEEMD-SE-LSTM模型 |
| 4.2.5 实例分析 |
| 4.3 本章小结 |
| 第5章 计及新能源与中长期市场影响的现货日前市场交易优化 |
| 5.1 计及新能源与中长期市场的日前市场交易模式 |
| 5.2 中长期合约电量分解模型 |
| 5.2.1 目标函数 |
| 5.2.2 约束条件 |
| 5.3 系统不确定性分析及建模 |
| 5.3.1 新能源出力不确定性 |
| 5.3.2 电力现货价格不确定性 |
| 5.4 计及新能源与中长期合约电量分解的现货日前市场出清模型 |
| 5.4.1 目标函数与约束条件的建立 |
| 5.4.2 多目标函数的模糊优选处理 |
| 5.4.3 基于GA-PSO的优化模型求解算法 |
| 5.5 实例分析 |
| 5.5.1 算例设置 |
| 5.5.2 中长期合约电量分解结果 |
| 5.5.3 系统不确定性求解 |
| 5.5.4 现货日前电力市场出清结果 |
| 5.5.5 惩罚系数对多目标优化结果的影响 |
| 5.5.6 新能源渗透率对多目标优化结果的影响 |
| 5.6 本章小结 |
| 第6章 计及新能源的现货日前与日内、日内与实时市场交易优化 |
| 6.1 现货日前、日内与实时市场的组合及及关联分析 |
| 6.2 系统不确定性建模 |
| 6.2.1 系统不确定性模拟 |
| 6.2.2 拉丁超立方生成场景集 |
| 6.2.3 基于改进谱聚类算法的场景削减策略 |
| 6.3 计及新能源的电力现货市场两阶段交易优化模型 |
| 6.3.1 计及新能源的日前与日内市场联合优化模型 |
| 6.3.2 计及新能源的日内与实时市场联合优化模型 |
| 6.4 实例分析 |
| 6.4.1 算例设置 |
| 6.4.2 场景集生成与削减 |
| 6.4.3 日前与日内市场联合优化出清结果 |
| 6.4.4 日内与实时市场联合优化出清结果 |
| 6.5 本章小结 |
| 第7章 计及碳市场影响的电力现货市场建设路径分析 |
| 7.1 碳排放相关政策梳理 |
| 7.2 现行政策下碳排放压力分析 |
| 7.2.1 碳排放预测模型 |
| 7.2.2 碳排放预测效果检验 |
| 7.2.3 碳排放总量及碳排放强度预测 |
| 7.2.4 基于碳排放预测结果的政策建议 |
| 7.2.5 碳排放市场建设必要性分析 |
| 7.3 碳交易实施对电力现货市场的影响分析 |
| 7.3.1 碳交易市场现状 |
| 7.3.2 碳交易对电力现货市场的影响分析 |
| 7.4 碳交易与电力现货市场的协同建设建议 |
| 7.5 本章小结 |
| 第8章 研究成果与结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）面向区域电力物联网的用户侧电力资源管理策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 主要研究内容 |
| 1.2.1 面向高维度电力负荷数据的高精度负荷预测技术 |
| 1.2.2 面向多元电力交易市场下用户侧的能源管理策略 |
| 1.3 论文结构安排 |
| 第二章 区域能源互联网关键技术分析 |
| 2.1 区域能源互联网技术架构分析 |
| 2.2 负荷预测关键技术分析 |
| 2.3 能源管理策略关键技术分析 |
| 2.4 本章小结 |
| 第三章 面向高维度电力负荷数据的高精度短期负荷预测 |
| 3.1 研究场景分析 |
| 3.2 电力负荷预测基本方法 |
| 3.2.1 线性回归预测法 |
| 3.2.2 灰色预测法 |
| 3.2.3 人工神经网络 |
| 3.2.4 支持向量机 |
| 3.2.5 信号分解技术 |
| 3.2.6 随机森林预测方法 |
| 3.3 数据预处理与特征分析 |
| 3.3.1 数据预处理 |
| 3.3.2 数据特征分析 |
| 3.4 随机森林集成负荷预测方法 |
| 3.4.1 随机森林回归模型原理 |
| 3.4.2 随机森林模型短期电力负荷预测方法 |
| 3.4.3 负荷预测算法评价指标 |
| 3.4.4 随机森林模型参数选择 |
| 3.5 仿真验证 |
| 3.6 本章小结 |
| 第四章 面向多源电力交易市场下用户侧的能源管理策略设计 |
| 4.1 区域能源互联网用户侧场景分析 |
| 4.1.1 区域能源互联网电力交易场景分析 |
| 4.1.2 用户侧电力交易方式分析 |
| 4.1.3 用户侧电力交易市场分析 |
| 4.2 问题建模 |
| 4.2.1 电力交易模型分析 |
| 4.2.2 买方成本函数的分析与构建 |
| 4.3 模型求解 |
| 4.3.1 分支定界算法原理分析 |
| 4.3.2 线性规划求解器 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 第五章 总结 |
| 参考文献 |
| 致谢 |
| 硕士期间发表论文情况 |
（5）基于深度学习的冲击性电力负荷短期预测关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 电力负荷预测的特点 |
| 1.1.2 负荷预测分类 |
| 1.1.3 当前负荷预测情况 |
| 1.2 国内外文献综述 |
| 1.2.1 短期负荷预测研究 |
| 1.2.2 深度学习研究现状 |
| 1.2.3 小结 |
| 1.3 本文主要工作 |
| 第2章 负荷特性分析 |
| 2.1 日负荷曲线 |
| 特殊设备特性分析 |
| 2.2 钢铁冲击地区负荷特性分析 |
| 地区钢铁企业 |
| 2.3 皮尔逊相关系数 |
| 2.4 影响因素的选取 |
| 2.5 皮尔逊相关分析 |
| 影响因素的量化处理 |
| 2.6 皮尔逊相关分析结果 |
| 2.7 本章小结 |
| 第3章 电力负荷不良数据的分类以及预处理 |
| 3.1 不良数据的概念及其分类 |
| 3.2 不良数据的处理 |
| 3.3 小波去噪法 |
| 3.3.1 小波阈值去噪 |
| 3.3.2 小波阈值去噪基本原理 |
| 3.3.3 阈值的确定 |
| 3.3.4 阈值函数的选取 |
| 3.4 实例效果分析 |
| 3.5 数据规范化处理 |
| 3.6 本章小结 |
| 第4章 LSTM深度学习的短期电力负荷预测 |
| 4.1 深度学习原理 |
| 4.2 深度神经网络 |
| 4.3 激活函数 |
| 4.4 多层感知器模型 |
| 4.5 深度学习的结构 |
| 4.6 深度学习几类模型 |
| 4.6.1 卷积神经网络(CNN) |
| 4.6.2 循环神经网络(RNN) |
| 4.6.3 LSTM(长短期记忆循环神经网络)模型 |
| 4.7 深度学习对母线负荷预测问题的适应性 |
| 4.7.1 母线负荷预测的特点 |
| 4.7.2 母线负荷预测过程 |
| 第5章 算例分析 |
| 5.1 实验数据样本简述 |
| 5.2 预测方法评价指标 |
| 5.3 深度学习模型设计 |
| 5.3.1 模型构建 |
| 5.3.2 模型输入和输出 |
| 5.3.3 模型的网络结构设计 |
| 5.4 仿真验证 |
| 5.4.1 深度学习仿真设置 |
| 5.4.2 仿真结果 |
| 5.4.3 传统预测方法仿真 |
| 5.5 模型对比分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 学位论文评阅及答辩情况表 |
（6）基于小波分解与LSTM网络的短期电力负荷预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究综述 |
| 1.4 研究内容及论文框架 |
| 1.5 研究方法及创新之处 |
| 2 电力负荷预测的基本理论 |
| 2.1 电力负荷概述 |
| 2.1.1 电力负荷相关含义 |
| 2.1.2 电力负荷特点 |
| 2.1.3 电力负荷预测过程 |
| 2.2 电力负荷影响因素 |
| 2.3 电力负荷预测误差分析 |
| 2.3.1 误差产生的原因 |
| 2.3.2 误差计算方法 |
| 2.4 经典预测方法 |
| 2.4.1 回归分析法 |
| 2.4.2 时间序列预测法 |
| 2.4.3 支持向量机预测法 |
| 2.5 本章小结 |
| 3 小波-LSTM组合预测模型 |
| 3.1 长短期记忆神经网络的基本原理 |
| 3.1.1 RNN基本原理 |
| 3.1.2 LSTM基本原理 |
| 3.1.3 模型参数选择 |
| 3.2 小波分解与重构 |
| 3.2.1 连续小波变换 |
| 3.2.2 离散小波变换 |
| 3.2.3 小波变换重构 |
| 3.2.4 小波分解参数选择 |
| 3.3 小波-LSTM联合模型 |
| 3.4 本章小结 |
| 4 小波-LSTM在短期电力负荷预测中的应用 |
| 4.1 数据来源 |
| 4.2 数据预处理 |
| 4.2.1 缺失值处理 |
| 4.2.2 异常数据处理 |
| 4.2.3 增加数据维度 |
| 4.2.4 特征归一化 |
| 4.2.5 One-Hot编码 |
| 4.3 实证分析 |
| 4.3.1 小波分解结果 |
| 4.3.2 模型参数选择 |
| 4.3.3 预测结果误差分析 |
| 4.3.4 节假日期间模型的预测效果 |
| 4.4 模型对比分析 |
| 4.5 本章小结 |
| 5 结论、建议与展望 |
| 5.1 结论 |
| 5.2 建议 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
（7）基于EEMD和CCLSTM组合模型的电力负荷预测的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 电力负荷数据处理的研究现状 |
| 1.2.2 电力负荷预测的研究现状 |
| 1.3 本文的研究内容 |
| 第2章 电力负荷预测的基本理论 |
| 2.1 引言 |
| 2.2 电力负荷的分类及特性 |
| 2.2.1 电力负荷的分类 |
| 2.2.2 电力负荷的特点 |
| 2.3 影响电力负荷的因素 |
| 2.4 电力负荷预测的性能指标 |
| 2.5 本章小结 |
| 第3章 负荷原始数据处理方法的研究 |
| 3.1 引言 |
| 3.2 负荷原始数据处理方法的对比与分析 |
| 3.2.1 小波分解的原理及与频谱分析 |
| 3.2.2 经验模态分解的原理及频谱分析 |
| 3.2.3 集合经验模态分解 |
| 3.3 最大相关-最小冗余特征选择 |
| 3.3.1 最大相关性 |
| 3.3.2 最小冗余性 |
| 3.4 本章小结 |
| 第4章 电力负荷预测方法的研究 |
| 4.1 引言 |
| 4.2 支持向量机(SVM) |
| 4.3 一维卷积神经网络(1DCNN) |
| 4.4 循环神经网络(RNN) |
| 4.5 长短期记忆网络(LSTM) |
| 4.6 本章小结 |
| 第5章 基于一维卷积神经网络和长短期记忆网络的电力负荷预测组合模型 |
| 5.1 引言 |
| 5.2 CCLSTM组合模型 |
| 5.2.1 编码-解码(Encoder-Decoder) |
| 5.2.2 注意力机制(Attention) |
| 5.2.3 基于一维卷积网络和长短期记忆网络的组合模型CCLSTM |
| 5.3 本章小结 |
| 第6章 算例分析 |
| 6.1 引言 |
| 6.2 实验平台 |
| 6.3 原始数据的展示与处理 |
| 6.3.1 数据集的选取 |
| 6.3.2 时序信息归一化处理 |
| 6.3.3 天气信息归一化处理 |
| 6.3.4 数据的拆分 |
| 6.3.5 数据的EEMD分解 |
| 6.3.6 最佳特征的提取 |
| 6.4 负荷预测 |
| 6.4.1 多层感知机(MLP) |
| 6.4.2 一维卷积神经网络(1DCNN) |
| 6.4.3 循环神经网络(RNN) |
| 6.4.4 一维卷积神经网络和长短期记忆网络的组合模型(CCLSTM) |
| 6.5 实验结果 |
| 6.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
（8）基于虚拟预测的电力系统短期负荷预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统负荷预测方法的分析评价与比较 |
| 1.2.2 预测效果的分析与考核指标 |
| 1.2.3 虚拟预测思想的研究与应用 |
| 1.3 本文主要研究内容 |
| 第2章 影响短期负荷预测因素的相关数据预处理 |
| 2.1 基于小波去噪技术处理历史负荷数据 |
| 2.1.1 小波阈值去噪技术的原理及步骤 |
| 2.1.2 阈值估计方法 |
| 2.1.3 阈值函数的选取及优化 |
| 2.1.4 去噪技术的性能指标评价 |
| 2.2 多气象因素数据挖掘 |
| 2.2.1 灰色关联分析的理念与原理 |
| 2.2.2 基于广义灰色绝对关联度多种气象因素评估与筛选 |
| 2.2.3 基于PCA的气象因素数据降维 |
| 2.3 本章小结 |
| 第3章 构建短期负荷预测单项模型 |
| 3.1 BP神经网络预测模型 |
| 3.2 支持向量机预测模型 |
| 3.3 灰色GM(1,1)预测模型 |
| 3.4 二次滑动平均预测模型 |
| 3.5 三次指数平滑预测模型 |
| 3.6 点对点倍比预测模型 |
| 3.7 本章小结 |
| 第4章 预测决策与综合模型构建 |
| 4.1 多属性预测决策 |
| 4.1.1 多属性决策的理论基础 |
| 4.1.2 基于离差最大化综合属性值的多属性预测决策 |
| 4.2 最优虚拟预测方式下的短期负荷预测综合模型 |
| 4.2.1 综合预测模型的基本假定 |
| 4.2.2 最优虚拟预测方式的综合模型 |
| 4.3 本章小结 |
| 第5章 算例分析 |
| 5.1 算例数据与说明 |
| 5.2 历史负荷数据处理 |
| 5.3 气象数据处理 |
| 5.3.1 广义灰色关联度计算 |
| 5.3.2 PCA数据降维及仿真 |
| 5.4 单项模型预测效果与仿真 |
| 5.5 预测决策 |
| 5.6 最优虚拟预测方式下综合模型预测与仿真 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于机器学习的多时间尺度电力系统短期负荷预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 电力系统负荷预测的背景和意义 |
| 1.2 电力系统负荷预测的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要研究内容和技术方案 |
| 1.4 本章小结 |
| 第2章 电力系统负荷预测理论基础 |
| 2.1 电力系统负荷预测基本原理及特点 |
| 2.1.1 电力系统负荷预测的可行性 |
| 2.1.2 电力系统负荷预测的特点 |
| 2.1.3 电力系统负荷预测步骤 |
| 2.2 电力系统负荷预测影响因素分析 |
| 2.2.1 周期性的影响 |
| 2.2.2 周末和温度的影响 |
| 2.2.3 异常或特殊事件的影响 |
| 2.3 多时间尺度分析理论 |
| 2.3.1 基本概念 |
| 2.3.2 小波理论 |
| 2.3.3 复Morlet小波理论 |
| 2.4 基于机器学习的预测模型理论 |
| 2.4.1 机器学习 |
| 2.4.2 常用的机器学习方法 |
| 2.5 本章小结 |
| 第3章 电力系统负荷数据预处理 |
| 3.1 复Morlet小波预处理 |
| 3.2 电力系统负荷数据周期划分 |
| 3.3 影响因素分析 |
| 3.4 日负荷特性 |
| 3.5 归一化处理 |
| 3.6 本章小结 |
| 第4章 基于机器学习的多时间尺度电力系统负荷预测 |
| 4.1 客观评价指标 |
| 4.2 基于支持向量机的电力系统负荷预测 |
| 4.2.1 数据预处理 |
| 4.2.2 算法步骤 |
| 4.2.3 实验结果及分析 |
| 4.3 基于RBF神经网络的电力系统负荷预测 |
| 4.3.1 数据预处理 |
| 4.3.2 RBF算法过程 |
| 4.3.3 实验结果及分析 |
| 4.4 基于BP神经网络的电力系统负荷预测 |
| 4.4.1 数据预处理 |
| 4.4.2 BP算法过程 |
| 4.4.3 实验结果及分析 |
| 4.5 基于宽度学习系统的电力系统负荷预测 |
| 4.5.1 数据预处理 |
| 4.5.2 宽度学习过程 |
| 4.5.3 实验结果及分析 |
| 4.6 多种机器学习算法性能的对比分析 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果、参加学术会议及获奖 |
| 致谢 |
（10）基于蚁狮算法优化极限学习机的短期电力负荷预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 短期电力负荷预测国内外研究现状 |
| 1.2.1 传统电力负荷预测方法 |
| 1.2.2 现代电力负荷预测方法 |
| 1.3 本文研究内容 |
| 第二章 电力系统负荷特性分析和数据处理 |
| 2.1 电力负荷的分类 |
| 2.2 电力负荷预测特点 |
| 2.3 电力负荷特征分析 |
| 2.3.1 日负荷特性 |
| 2.3.2 节假日负荷特性 |
| 2.4 短期电力负荷预测影响因素 |
| 2.4.1 时间因素对电力负荷的影响 |
| 2.4.2 节假日因素对电力负荷的影响 |
| 2.4.3 季节因素对电力负荷的影响 |
| 2.4.4 温度因素对电力负荷的影响 |
| 2.4.5 其他因素对负荷的影响 |
| 2.5 电力负荷预测的步骤 |
| 2.6 数据预处理 |
| 2.6.1 异常数据处理 |
| 2.6.2 样本数据归一化和量化 |
| 2.7 预测误差分析 |
| 2.8 本章小结 |
| 第三章 人工神经网络算法 |
| 3.1 BP神经网络预测模型 |
| 3.1.1 BP神经网络算法 |
| 3.2 Elman神经网络预测算法 |
| 3.2.1 Elman神经网络算法结构 |
| 3.2.2 Elman神经网络算法 |
| 3.3 极限学习机预测算法 |
| 3.3.1 极限学习机算法原理 |
| 3.4 实例分析 |
| 3.5 本章小结 |
| 第四章 基于蚁狮算法改进极限学习机的短期电力负荷预测方法 |
| 4.1 基于蚁狮算法的改进极限学习机短期电力负荷预测 |
| 4.1.1 蚁狮算法的基本原理 |
| 4.1.2 基于蚁狮算法改进极限学习机的短期电力负荷预测 |
| 4.2 模型参数设置 |
| 4.2.1 ALO-ELM模型中参数的选择。 |
| 4.2.2 对比模型的参数设置 |
| 4.3 实例分析 |
| 4.3.1 实验算例 |
| 4.3.2 不同类型日的实验验证 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
四、短期电力负荷预测的小波支持向量机方法研究（论文参考文献）
- [1]含光伏发电的电力系统功率预测和动态环境经济调度研究[D]. 刘彦辉. 东北农业大学, 2021
- [2]基于Stacking与Prophet组合模型的短期电力负荷预测[D]. 朱国森. 安徽理工大学, 2021(02)
- [3]计及新能源的电力现货市场交易优化研究[D]. 王珂珂. 华北电力大学(北京), 2021(01)
- [4]面向区域电力物联网的用户侧电力资源管理策略研究[D]. 曾豪. 北京邮电大学, 2021(01)
- [5]基于深度学习的冲击性电力负荷短期预测关键技术研究[D]. 孙昀昀. 山东大学, 2021(12)
- [6]基于小波分解与LSTM网络的短期电力负荷预测研究[D]. 尚佳玉. 暨南大学, 2020(04)
- [7]基于EEMD和CCLSTM组合模型的电力负荷预测的研究[D]. 宋慧颖. 兰州理工大学, 2020(12)
- [8]基于虚拟预测的电力系统短期负荷预测研究[D]. 于萌. 南昌大学, 2020(01)
- [9]基于机器学习的多时间尺度电力系统短期负荷预测研究[D]. 陈锦皓. 湖北民族大学, 2020(02)
- [10]基于蚁狮算法优化极限学习机的短期电力负荷预测[D]. 赵晓磊. 广西大学, 2020(02)
标签：电力负荷论文; 现货市场论文; lstm论文; 日负荷曲线论文; 太阳能光伏发电系统论文;