导读:本文包含了电力负荷短期预测论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:负荷,电力,神经网络,门控,变量,算法,卷积。
电力负荷短期预测论文文献综述
周帆,赵荣普,杨文镪,杨敏,张庆[1]（2019）在《长、短期电力负荷大数据下的智能预测实例分析》一文中研究指出电力信息化平台的感知能力与检测精度日益提高,基于电力多维海量数据开展智能算法数据分析与知识挖掘,可高效处理数据,并获取具有指导意义的结论。考虑到不同时期的数据中彼此存在联系,可通过筛选历史时期数据的有效相关信息进行智能算法训练并做出合理预测。通过长、短期记忆网络对实际负荷数据进行预测,验证结果显示,基于长期数据可以较为准确地预测负荷变化情况,平均误差小于5%,对于合理规划电力生产具有一定的指导作用。(本文来源于《机电信息》期刊2019年36期）
赵兵,王增平,纪维佳,高欣,李晓兵[2]（2019）在《基于注意力机制的CNN-GRU短期电力负荷预测方法》一文中研究指出高效准确的短期电力负荷预测能帮助电力部门合理制定生产调度计划,减少资源浪费。深度学习中以循环神经网络(recurrent neural network,RNN)为主体构建的预测模型是短期负荷预测方法中的典型代表,但存在难以有效提取历史序列中潜在高维特征且当时序过长时重要信息易丢失的问题。提出了一种基于Attention机制的卷积神经网络(convolutional neural network,CNN)-GRU (gated recurrent unit)短期电力负荷预测方法,该方法将历史负荷数据作为输入,搭建由一维卷积层和池化层等组成的CNN架构,提取反映负荷复杂动态变化的高维特征;将所提特征向量构造为时间序列形式作为GRU网络的输入,建模学习特征内部动态变化规律,并引入Attention机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重,减少历史信息的丢失并加强重要信息的影响,最后完成短期负荷预测。以美国某公共事业部门提供的公开数据集和中国西北某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.15%和97.44%,并与多层感知机(multi-layer perceptron,MLP)、径向基神经网络(radial basis function neural network,RBF)、支持向量回归(support vector regression,SVR)、GRU、CNN、自编码器(autoencoder,AE)-GRU和未引入Attention机制的CNN-GRU进行对比,实验结果表明所提方法具有更高的预测精度。(本文来源于《电网技术》期刊2019年12期）
刘亚辉,韩明轩,郭俊岑,苏良立[3]（2019）在《基于密度聚类与ARIMA模型短期电力负荷预测》一文中研究指出为了提高短期电力负荷预测的准确度,提出了将密度聚类算法(DBSCAN)与自回归移动平均模型(ARIMA)相结合的方法,进行短期电力负荷预测。首先,对数据进行归一化、天气状况类别数据编码、缺失值填补等预处理;然后,利用DBSCAN对负荷均值进行聚类与剔除噪音点。ARIMA模型的参数根据差分后的时间序列及热力图确定;最后,重构分解后的曲线,并根据历史数据对未来短期负荷进行预测。实验结果表明,预测结果的误差在合理范围内。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2019年05期）
吕何,孔政敏,陈培垠,刘晓帆[4]（2019）在《基于气象综合指数和加权LSSVM的短期电力负荷组合预测》一文中研究指出短期电力负荷易受气象情况、日期属性和偶然因素等影响,预测准确度较低。为解决上述问题,提出了基于气象综合指数和加权最小二乘支持向量机(WLS-SVM)的电力负荷组合预测方法。分析气象因子耦合作用引入气象综合指数进行短期负荷预测。采用线性映射与分区映射方法处理负荷特征,解决了数据之间的差异性,并采用灰色关联分析得到气象综合指数与电力负荷的关联度,其权重系数由关联度确定。在优化最小二乘支持向量机(LSSVM)上将径向基核函数(RBF)和权重系数相结合得到WLSSVM。最后提出滚动窗口预测法并建立短期负荷组合优化预测模型,降低偶然误差对负荷预测结果的影响。以我国南方某电网公司每日96点负荷历史数据为实例样本进行仿真,结果表明所提出方法与LSSVM预测方法相比预测准确度更高,逐时预测性能优于逐天预测,验证了所提方法的有效性。(本文来源于《电气应用》期刊2019年10期）
张文涛,马永光,董子健[5]（2019）在《基于优化核极限学习机的短期电力负荷预测》一文中研究指出短期电力负荷预测对于电力系统的安全调度和经济运行具有非常重要的意义,针对传统短期负荷预测方法具有误差大、计算复杂的问题,提出一种基于IWOA-KELM和AdaBoost的短期电力负荷预测方法。首先根据负荷历史数据,建立多个核极限学习机(KELM)短期电力负荷预测模型,并利用改进的鲸鱼算法(IWOA)去优化KELM的核函数参数和正则化系数,然后利用AdaBoost算法将多个IWOA-KELM弱预测器迭代集成强预测器,从而对短期电力负荷进行预测。实验结果表明,与BP神经网络和SVM相比,上述方法具有更短的运行时间和更好的预测性能。(本文来源于《计算机仿真》期刊2019年10期）
杨照坤,宋万清,曹琨[6]（2019）在《基于量子遗传算法的FARIMA模型电力负荷短期预测》一文中研究指出根据电力负荷历史数据对未来负荷趋势进行预测。通过计算电力负荷序列的赫斯特指数(Hurst)参数值,表明振动烈度序列符合明显的长相关特性,用长相关FARIMA模型来对电力负荷序列进行预测,为了提高预测的准确性,提出了一种基于量子遗传算法优化的长相关FARIMA预测模型。利用量子遗传算法优化经分数差分后的平稳模型ARMA(p,q)阶数,根据合适的适应度值进行全局搜索,从而能够确定模型的最佳阶数(p,q),并将其应用到实际的电力负荷值预测中验证。将实验结果与传统的AIC(p,q)准则定阶的ARMA模型进行预测的结果,以及实际电力负荷值数据进行比较,结果表明:该方法对电力负荷值的预测具有更高的准确性。(本文来源于《传感器与微系统》期刊2019年10期）
张明,杜裕,洪国平[7]（2019）在《LSTM在宜昌短期电力负荷预测中的试验应用》一文中研究指出利用宜昌市历史气象数据、电力负荷数据以及日期类型数据等建立LSTM网络模型,通过逐步调优试验评估,提出适用于宜昌电力负荷预测的LSTM网络模型方案。利用过去48h的历史气象资料、电力负荷资料以及节假日类型资料对当前时次的电力负荷预测效果最好,平均绝对百分比误差可达到1.79%;对一天24h各时次的负荷进行直接预测时,宜选用过去72h的历史资料及51个隐藏层单元,其预测效果最好,但效果仍远不如对单一时次的预测;利用提出的模型分别对选取的叁个个例进行单时次滚动预测及24h直接预测检验,结果显示预测效果均较好,平均MAPE均在2%以内,表明提出的预测模型具有一定的可行性。(本文来源于《气象研究与应用》期刊2019年03期）
任成国,肖儿良,简献忠,王如志[8]（2019）在《EMD-LSTM算法在短期电力负荷预测中的应用》一文中研究指出针对传统的负荷预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于经验模态分解(EMD)和长短期记忆神经网络(LSTM)相结合的负荷预测模型。该模型首先利用EMD算法将时间序列信号分解为数个本征模函数(IMF)分量和趋势分量。然后利用LSTM存储单元能够长期学习历史负荷数据中的有用信息并且去除无用信息的特性,对每个提取的IMF和趋势项分别建立LSTM模型进行预测,最后将所有分量的预测值累加得到最终的预测结果。实验结果表明,BP模型的平均绝对百分误差为3. 47%,LSTM模型的平均绝对百分误差为2. 63%,EMD-LSTM模型的平均绝对百分误差为1. 23%,能够满足更高的预测精度要求。(本文来源于《电力科学与工程》期刊2019年08期）
张淑清,杨振宁,张立国,苑世钰,王志义[9]（2019）在《基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测》一文中研究指出电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。(本文来源于《仪器仪表学报》期刊2019年07期）
尹中诚[10]（2019）在《LSSVM与PSO—LSSVM在短期电力负荷预测中的优劣》一文中研究指出短期电力负荷预测的精度关乎电力企业的经济效益,预测模型决定精度的高低。针对预测模型的适用性和稳定性,采用基于统计学习理论的机器学习LSSVM和PSO—LSSVM算法对广东某一区域电力负荷进行预测。结果显示:工作日、双休日和节假日,PSO—LSSVM算法预测准确度明显大于LSSVM预测;此外LSSVM和PSO—LSSVM算法对工作日和双休日24小时每时刻的预测误差约在2%左右。因此,选择预测模型时,一方面要考虑不同地区各种影响因素,另一方面要根据样本量大小,选择合适、有效的模型,从而提高预测准确度。(本文来源于《青海电力》期刊2019年02期）
电力负荷短期预测论文开题报告
（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：
高效准确的短期电力负荷预测能帮助电力部门合理制定生产调度计划,减少资源浪费。深度学习中以循环神经网络(recurrent neural network,RNN)为主体构建的预测模型是短期负荷预测方法中的典型代表,但存在难以有效提取历史序列中潜在高维特征且当时序过长时重要信息易丢失的问题。提出了一种基于Attention机制的卷积神经网络(convolutional neural network,CNN)-GRU (gated recurrent unit)短期电力负荷预测方法,该方法将历史负荷数据作为输入,搭建由一维卷积层和池化层等组成的CNN架构,提取反映负荷复杂动态变化的高维特征;将所提特征向量构造为时间序列形式作为GRU网络的输入,建模学习特征内部动态变化规律,并引入Attention机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重,减少历史信息的丢失并加强重要信息的影响,最后完成短期负荷预测。以美国某公共事业部门提供的公开数据集和中国西北某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.15%和97.44%,并与多层感知机(multi-layer perceptron,MLP)、径向基神经网络(radial basis function neural network,RBF)、支持向量回归(support vector regression,SVR)、GRU、CNN、自编码器(autoencoder,AE)-GRU和未引入Attention机制的CNN-GRU进行对比,实验结果表明所提方法具有更高的预测精度。
（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。
电力负荷短期预测论文参考文献
[1].周帆,赵荣普,杨文镪,杨敏,张庆.长、短期电力负荷大数据下的智能预测实例分析[J].机电信息.2019
[2].赵兵,王增平,纪维佳,高欣,李晓兵.基于注意力机制的CNN-GRU短期电力负荷预测方法[J].电网技术.2019
[3].刘亚辉,韩明轩,郭俊岑,苏良立.基于密度聚类与ARIMA模型短期电力负荷预测[J].北京信息科技大学学报(自然科学版).2019
[4].吕何,孔政敏,陈培垠,刘晓帆.基于气象综合指数和加权LSSVM的短期电力负荷组合预测[J].电气应用.2019
[5].张文涛,马永光,董子健.基于优化核极限学习机的短期电力负荷预测[J].计算机仿真.2019
[6].杨照坤,宋万清,曹琨.基于量子遗传算法的FARIMA模型电力负荷短期预测[J].传感器与微系统.2019
[7].张明,杜裕,洪国平.LSTM在宜昌短期电力负荷预测中的试验应用[J].气象研究与应用.2019
[8].任成国,肖儿良,简献忠,王如志.EMD-LSTM算法在短期电力负荷预测中的应用[J].电力科学与工程.2019
[9].张淑清,杨振宁,张立国,苑世钰,王志义.基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测[J].仪器仪表学报.2019
[10].尹中诚.LSSVM与PSO—LSSVM在短期电力负荷预测中的优劣[J].青海电力.2019
论文知识图
