导读:本文包含了电力系统负荷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,算法,神经网络,电力系统,电力,粒子,深度。
电力系统负荷预测论文文献综述
王鑫琪,李闯,焦晗,李焱飞[1]（2019）在《基于长短时记忆网络的电力系统负荷预测方法研究》一文中研究指出准确的负荷预测对保持电网的稳定性和提高当地经济效益、节约成本有重大帮助。考虑到负荷数据带有时序性,以及智能电网的发展所带来的数据量的增大,建立了长短时记忆网络(LSTM)模型来对未来用电量进行短期负荷预测。针对Adam训练算法可能存在的收敛问题,对其进行了改进,并通过MATLAB软件对LSTM网络进行建模,通过与BP神经网络进行对比,结果表明,LSTM模型具有更高的精确度以及实用性。(本文来源于《电工电气》期刊2019年11期）
任利强,张立民,王海鹏,郭强[2]（2019）在《关于电力系统供电短期负荷预测仿真研究》一文中研究指出准确的电力负荷预测有助于电网安全稳定地运行。针对传统单算法单模型存在负荷预测精度低,误差波动大的弊端,提出一种多算法多模型融合的短期电力负荷预测方法。首先利用自助法对数据集进行多次采样。然后使用梯度提升回归树、最小二乘支持向量机和XGBoost算法对采样数据集进行学习,得到多个单预测模型。最后将预测点前一段时间的实际负荷值和对应时间点第一次学习到模型的预测值构成新的训练集,并利用XGBoost算法对此训练集进行在线二次学习,得到最终预测结果。利用上述方法对某市短期电力负荷进行预测,全年小时负荷预测结果的平均绝对百分误差(MAPE)低于单模型、多算法单模型和单算法多模型。结果表明,所提方法具有更高的预测精度。(本文来源于《计算机仿真》期刊2019年10期）
周杰,张矿伟,金龙奎[3]（2019）在《基于GA-BP神经网络的电力系统负荷预测研究》一文中研究指出针对常用BP神经网络算法进行电力系统负荷预测时容易陷入局部最优的缺点,建立一个基于GA-BP神经网络的电力系统负荷预测模型。将负荷数据、最高温度和最低温度作为输入变量,电力系统负荷数据作为输出变量,对某小区一个季度的负荷数据进行仿真分析。经实验验证,在GA-BP电力系统负荷预测模型下的电力系统负荷预测的平均误差比BP神经网络算法负荷预测的平均误差降低了3.4%,因此采用GA-BP神经网络进行电力系统负荷预测具有可行性和有效性,可以提高电力系统负荷预测的精度。(本文来源于《科技创新与生产力》期刊2019年10期）
邢书豪,孙文慧,颜勇,张智晟[4]（2019）在《基于改进随机森林算法的电力系统短期负荷预测模型》一文中研究指出为了提高电力系统短期负荷预测的准确性,本文提出了基于改进随机森林算法的电力系统短期负荷预测模型。改进随机森林算法是将随机森林算法中的决策树数量和分裂特征数等参数采用粒子群进行优化,通过比较每组参数对应的随机森林袋外数据误差,获取参数最优值,使随机森林算法的性能得到最优,并采用山东省某城市电网的历史负荷数据进行仿真分析。仿真结果表明,与基于传统随机森林算法的预测模型相比,本文所提出的预测模型的平均绝对误差降低0.81%,最大相对误差降低1.89%,说明本文所提出的基于改进随机森林算法的短期负荷预测模型具有更好的预测性能。该研究具有一定的工程实用性。(本文来源于《青岛大学学报(工程技术版)》期刊2019年03期）
杨韵,蔡秋娜,张乔榆,闫斌杰,钟雅珊[5]（2019）在《基于组合预测模型的新能源电力系统短期负荷预测研究》一文中研究指出随着风电、光伏等新能源的快速发展,电力系统的负荷需求变化和新能源出力的随机波动性具有高度的相关性,因此负荷的短期预测需考虑新能源出力的影响。本文提出一种融合支持向量机和双链马尔科夫理论的新能源电力系统短期负荷预测模型,该模型首先采用支持向量机挖掘负荷序列的整体变化趋势,并通过粒子群算法进行参数优化,然后通过双链马尔科夫模型来深层次分析考虑新能源出力因素的负荷时序变化特征,以此来修正支持向量机的初始预测结果。最后以国内某实际电网的新能源及负荷的实际出力数据为例,对所提方法的可行性和有效性进行了验证。(本文来源于《自动化技术与应用》期刊2019年08期）
何华琴,何后裕[6]（2019）在《基于WTVS模型的电力系统短期负荷预测》一文中研究指出短期负荷预测在电力系统的日常运行和调度中起着重要作用,季节和温度是影响负荷变化的最重要因素,但随机因素会在特定时间内改变需求消耗,这将导致突然的负荷变化。为了提高预测精度,提出了一种用于短期负荷预测的加权时变滑动模糊时间序列模型(WTVS)。将WTVS模型分为数据预处理,趋势训练和负荷预测叁个部分。在数据预处理阶段,通过平滑历史数据将削弱随机因素的影响。在趋势训练和负荷预测阶段,将季节因素和加权历史数据引入到短期负荷预测的时变滑模糊时间序列模型(TVS)中。运用国网陕西省电力公司的负荷数据对WTVS模型进行测试,结果表明,与TVS模型相比,所提出的WTVS模型在负荷预测精度上有显着提高。(本文来源于《计算机与数字工程》期刊2019年07期）
马天男,王超,彭丽霖,郭小帆,付明[7]（2019）在《计及需求响应和深度结构多任务学习的电力系统短期负荷预测》一文中研究指出随着需求响应技术的快速发展,使得电力系统负荷数据呈现出规模庞大、结构复杂的非线性特征,基于深度机器学习和高效数据处理平台的负荷预测方法是当前的研究重点。为实现计及需求响应的电力系统短期负荷预测,建立了基于Spark平台和时钟频率驱动循环神经网络(CW-RNNs)的短期负荷预测方法。在Spark平台上设置不同工作组将全部数据分割为多个子数据模块,通过并行化计算提高数据处理效率,进而基于需求响应技术对负荷曲线做出调整,计算得到用户预期收益和用户舒适度影响指标值;采用离散小波变换将调整后的负荷曲线分解,得到一组高、低频信号;并采用偏最小二乘回归模型和CW-RNNs回归模型分别对低、高频信号进行训练学习;将训练好的PLS模型和CW-RNNs模型通过加权平均得到最终组合预测模型(Spark-CW-RNNs)。通过实例计算验证算法的准确性和有效性,结果表明:Spark-CW-RNNs模型比其他单一模型的预测误差更小、预测精度更高,模型具有有效性和可行性。(本文来源于《电测与仪表》期刊2019年16期）
李婧,田龙威,王艳青[8]（2019）在《基于GA-RBF神经网络的电力系统短期负荷预测》一文中研究指出针对短期负荷预测问题,提出了一种遗传算法-径向基函数(GA-RBF)神经网络负荷预测方法,解决传统径向基函数(RBF)神经网络预测中难以确定最佳隐藏层数问题,以提高预测的准确性。首先分析了GA算法模型和RBF神经网络模型;然后利用GA算法与RBF模型结合得到GA-RBF负荷预测模型;最后利用仿真工具对所建模型进行训练和预测。结果表明,与传统方法相比,其平均绝对百分误差值降低了4. 7%,证明了该方法的精确性和有效性。(本文来源于《上海电力学院学报》期刊2019年03期）
李仪,李目[9]（2019）在《基于改进神经网络的电力系统短期负荷预测》一文中研究指出电力系统的短期负荷预测是电力系统保证稳定运行的重要环节,也是区域配电调度的重要依据。为了提高短期负荷预测的精准度与稳定性,本文提出一种基于粒子群算法与遗传算法共同优化BP神经网络的负荷预测方法。针对BP神经网络存在的权值取值不确定、收敛速度慢等问题,将粒子的维度空间与人工神经网络的权值建立映射关系,使得神经网络的均方误差作为粒子群的适应函数,同时,引入遗传算法对其迭代过程进行优化,利用遗传算法全局搜索能力对极值进行搜索,并对粒子的适应度进行分类。最后通过实例分析,证明了该方法的有效性。(本文来源于《电气传动自动化》期刊2019年03期）
邓带雨[10]（2019）在《计及多因素和ELM方法的电力系统短期负荷预测研究》一文中研究指出短期负荷预测主要用于电力系统的运行控制、调度、优化等,对其进行准确的预测,可以有效保障电网安全运行,降低发电成本,满足用户需求,提高社会经济效益。同时,随着愈加严峻的能源危机、环境污染问题,电力系统亟需在运行以及调度等方面做出有效的革新。而精确短期电力负荷预测是电力系统优化调度的必要前提。与传统的通过调节发电机组出力进行调度的方式相对应,传统的电力负荷预测方法主要针对区域性的负荷。而智能电网的发展为用户参与电力系统运行与调度提供了技术和理论的支持,但传统的负荷预测方法对于随机性较强的用户侧负荷则实用性较差。电力系统负荷具有一定的周期特性(天,周,月,年),同时受到多方面复杂外部因素的影响(天气、经济、节假日、观测误差等等),以及用户行为不确定性的影响,电力系统负荷在基本的整体周期性规律上,局部呈现出较强的随机性特征,这种随机特征包含了外部因素所导致的部分,也包含了由于用户行为所导致的部分,结合在一起这种不确定性增大了负荷预测的难度。使得仅从单个方面出发难以保证预测的有效性和准确性。因此,本课题从两个方面出发,充分挖掘负荷自身变化规律的同时尽可能考虑外部因素对负荷变化的影响,将两个方面组合优化得到最终的结果。一方面,通过皮尔逊相关系数的计算,筛选负荷预测的相关特征,构建计及气温、天气、节假日、星期等外部因素的多输入LSTM神经网络深度学习模型,提高负荷的预测精度。另一方面,针对电力负荷随机性较强,预测精度不高的问题,本课题通过构建ELM(EEMD-LSTM-MLR)预测方法,提高电力负荷短期预测精度且尽可能还原局部细节。首先通过集合经验模态分解(EEMD)将电力负荷数据分解为频率由高到低的不同本征模态函数(IMF),随后分别使用多元线性回归(MLR)方法和LSTM神经网络方法对低频部分和高频部分进行快速准确的预测,最后将所得各预测结果组合后得到完整的预测结果。ELM预测方法不但能够对电力负荷的变化趋势进行有效预测,而且能够准确预测随机性较强的局部特征。通过方差倒数法和Shapley值法将两种预测结果优化组合,使得整体模型更加全面,具有更好的稳定性,且进一步提升预测的精确性。(本文来源于《电子科技大学》期刊2019-04-01）
电力系统负荷预测论文开题报告
（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：
准确的电力负荷预测有助于电网安全稳定地运行。针对传统单算法单模型存在负荷预测精度低,误差波动大的弊端,提出一种多算法多模型融合的短期电力负荷预测方法。首先利用自助法对数据集进行多次采样。然后使用梯度提升回归树、最小二乘支持向量机和XGBoost算法对采样数据集进行学习,得到多个单预测模型。最后将预测点前一段时间的实际负荷值和对应时间点第一次学习到模型的预测值构成新的训练集,并利用XGBoost算法对此训练集进行在线二次学习,得到最终预测结果。利用上述方法对某市短期电力负荷进行预测,全年小时负荷预测结果的平均绝对百分误差(MAPE)低于单模型、多算法单模型和单算法多模型。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。
电力系统负荷预测论文参考文献
[1].王鑫琪,李闯,焦晗,李焱飞.基于长短时记忆网络的电力系统负荷预测方法研究[J].电工电气.2019
[2].任利强,张立民,王海鹏,郭强.关于电力系统供电短期负荷预测仿真研究[J].计算机仿真.2019
[3].周杰,张矿伟,金龙奎.基于GA-BP神经网络的电力系统负荷预测研究[J].科技创新与生产力.2019
[4].邢书豪,孙文慧,颜勇,张智晟.基于改进随机森林算法的电力系统短期负荷预测模型[J].青岛大学学报(工程技术版).2019
[5].杨韵,蔡秋娜,张乔榆,闫斌杰,钟雅珊.基于组合预测模型的新能源电力系统短期负荷预测研究[J].自动化技术与应用.2019
[6].何华琴,何后裕.基于WTVS模型的电力系统短期负荷预测[J].计算机与数字工程.2019
[7].马天男,王超,彭丽霖,郭小帆,付明.计及需求响应和深度结构多任务学习的电力系统短期负荷预测[J].电测与仪表.2019
[8].李婧,田龙威,王艳青.基于GA-RBF神经网络的电力系统短期负荷预测[J].上海电力学院学报.2019
[9].李仪,李目.基于改进神经网络的电力系统短期负荷预测[J].电气传动自动化.2019
[10].邓带雨.计及多因素和ELM方法的电力系统短期负荷预测研究[D].电子科技大学.2019
论文知识图
