导读:本文包含了电量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:电量,向量,售电量,分解,负荷,蜂群,数据挖掘。
电量预测论文文献综述
丁磊明,杨晓雷,黄金波,姚剑峰[1]（2019）在《基于BP神经网络优化的改进灰色模型在电量预测中的应用》一文中研究指出经济增长与电力需求作为分析一个国家经济运行状况的两个重要指标,两者相互作用,联系紧密。用单一的预测方法预测电量无法保证高精度的预测结果,如何最大程度地提高预测精度是电力系统电量预测的研究的关键。现提出用BP神经网络算法修正灰色预测值的方法,其核心是通过分析月数据规律进行灰色预测外推得到初步预测结果,在充分考虑经济指标与电量的相互作用的情况下,利用BP神经网络对电量预测值进行修正,从而得到实用性更好的中长期电量预测结果。(本文来源于《机电信息》期刊2019年36期）
林丽[2]（2019）在《基于大数据挖掘电量预测方法的创新及应用》一文中研究指出为了可以使现代电力企业可以更好的实现对供电区域精细化管理的理念,就需要通过现代化的数据挖掘技术,来创新出更加有效的电量预测方法,从根本上帮助电力企业实现对各供电区域的电量精细化管理。基于此,在本篇文章中将会针对基于大数据挖掘电量预测方法的算法研究展开分析,进而针对其实际应用展开研究,希望可以为相关人员提供参考帮助。(本文来源于《科技风》期刊2019年34期）
赵书强,胡利宁,田捷夫,许朝阳[3]（2019）在《基于中长期风电光伏预测的多能源电力系统合约电量分解模型》一文中研究指出针对大量新能源参与的电力系统中长期运行,提出考虑电量分解与检修计划相互影响的含风光水能源的电力系统合约电量分解模型。以新能源消纳和检修经济性为目标,旨在合理分解电量的同时提高新能源在资源丰富时段的消纳率,并根据资源分布和各时段能源参与情况安排各类机组检修计划,从而保证机组检修的经济性。由于风光资源的不确定性,从数据挖掘角度出发,提出基于聚类方法的光伏电量预测方法和非参数核密度估计的风电电量预测方法,并以此作为含风光水能源电力系统合约电量分解的基础。最后,通过算例验证了所提模型在含风光水多种能源的电力系统电量分解及机组检修联合优化中的有效性。(本文来源于《电力自动化设备》期刊2019年11期）
谢丽蓉,杨欢,轩武警,包洪印[4]（2019）在《基于ABC-LSSVM的弃风电量预测》一文中研究指出将风电场理论功率和实际功率之差作为弃风电量的时间序列,利用其混沌性对其进行相空间重构,采用人工蜂群算法(ABC)优化的最小二乘支持向量机(LSSVM)参数,获取弃风电量预测模型(ABC-LSSVM)。首先,将弃风电量数据进行归一化处理,减小数据上下限之间的差距,提高预测模型的泛化能力;然后,将弃风电量时间序列进行相空间重构建立数据模型;最后,把数据模型带入预测模型中完成预测。本文以新疆达坂城某风电场数据为例,对基于人工蜂群算法的最小二乘支持向量机进行了仿真,结果表明,此方法能很好的预测出弃风电量的变化趋势,对弃风规划有一定的指导意义。(本文来源于《水力发电》期刊2019年12期）
苏勇,张勇,巫学前[5]（2019）在《基于JITL的电量预测高斯软测量建模研究》一文中研究指出为了解决工业过程受本身结构特征、外界因素等影响而存在严重的非线性和时变性等问题,本文提出了一种基于输入输出综合性相似度指标的即时学习高斯过程软测量建模方法。在该方法中,将样本数据进行归一化处理,首先利用传统的基于距离和角度的相似度指标分别对样本输入输出变量进行相似度计算,进而对相似度进行综合,最后选择出最终的相关样本集,建立高斯过程回归软测量模型,将所提基于输入输出相似度指标的即时学习高斯工程软测量模型应用于城市日用电量数据的预测。研究结果表明,所提出的软测量建模方法可以实现对日用电量数据的高精度预测且预测结果具有较小的误差。因此可表明该方法可在电量预测中具有一定的应用可靠性,可以在电力市场预测分析中得到广泛的应用。(本文来源于《电力大数据》期刊2019年10期）
臧振东,戴康,吴昊,高志野,杨国华[6]（2019）在《基于X12季节分解的春节修正电量预测》一文中研究指出X12是一种常用的季节分解方法,包括加法模型和乘法模型,其中,X12乘法模型已广泛应用于用电量预测领域,通过将将时间序列分解为趋势循环分量、季节分量和不规则分量,根据各变量的曲线特征选取不同预测方法实现对各分量的预测。本文基于X12方法乘法模型建立逐步回归模型预测用电量趋势分量、建立春节乘法算子预测模型预测不规则分量。考虑多种经济因素对用电量的影响,采用X12法分解出各经济因素量的趋势分量,经逐步归回筛选出与用电量相关较强的经济因素量并与用电量趋势分量建立回归模型,实现对用电量趋势分量的预测;利用最小二乘法分析春节影响和不规则分量第一季度各月值的关系,建立预测模型实现对不规则分量第一季度各月值的预测。本文提出的预测模型不仅考虑了经济因素量对用电量的影响,并针对中国国情,建立了用电量在春节期间的预测模型,不仅总体预测效果好,第一季度各月的预测误差也控制在合理范围内。(本文来源于《中国电机工程学会电力市场专业委员会2019年学术年会暨全国电力交易机构联盟论坛论文集》期刊2019-09-03）
石蓉,杨海波,李永毅,郎锐,王娇[7]（2019）在《基于同期售电量大数据处理技术的分行业用电分析与预测》一文中研究指出同期售电量因其统计特点具有实时反映售电量的优势,通过框架研究,建立同期售电量与新版行业分类的基联关系,通过技术手段,客观准确的将全社会用电量进行行业细分及科学分类,充分收集内部、外部数据信息,挖掘分析影响行业用电量的因素;同时,在分行业同期售电量相关分析的基础上,尝试建立时间序列预测模型,预测月度及年度同期售电量情况,为提前把握电力增长趋势,明确各行业用户用电潜力增长,为供电企业更好地把握行业发展态势以及服务精细化提供数据支撑。(本文来源于《电网与清洁能源》期刊2019年08期）
孙泽昊[8]（2019）在《基于最大相关熵准则的电网月度电量预测》一文中研究指出随着第二次电力改革的逐步推进,售电公司越来越迫切地寻求高精度、普适性强的电量预测算法。具有高精度、普适性强的电量预测算法能为售电公司提供最基本的策略保证,对企业增强市场核心竞争力具有十分重要的意义。然而,中国的售电市场才刚刚起步,面向中小型用户的电量预测算法未受到广泛关注,传统的电量预测算法已不能适应售电公司的市场需求。目前,很多中小型用户的用电量容易受到企业经济效益与当地气候因素的影响,使得用户所提供的电量数据具有明显的非线性、随机性等特征,从而导致传统预测算法难以精准预测,造成售电公司的巨大损失。传统意义上的神经网络算法或极限学习机算法在电量预测时需要考虑该模型的数据量,即需要提供大量历史数据集进行训练,限制了这两类算法在此领域的运用。基于上述问题,本文着重解决了样本小、非线性强的的电量数据预测问题,提出使用基于最大相关熵准则的支持向量回归算法(MCC-SVR)与基于最大相关熵准则的最小二乘支持向量机算法(MCC-LSSVM)。本文首先明确了电量预测的概念并对常用于电量预测的模型进行简单介绍。其次,使用邓氏关联度以及改进的关联度分析模型对数据的可预测性进行分析,找出对用电量预测影响最大的两种因素:经济因素与气候因素。随后,针对现有数据量样本小、分布不均匀的统计特性,在基本支持向量机的模型上使用最大相关熵准则代替原有模型中的风险函数形成了MCC-SVR与MCC-LSSVM模型。最终,为了使所改进的模型能更好的适应各种条件下的电量预测,保持最佳学习能力,本文使用了网格寻优法与交叉验证法对模型参数进行寻优,确保参数普适性。最终选择合适的评价指标对预测结果进行分析。文章最后以教育行业、机械制造业以及其他行业数据为样本,结合经济发展数据、气候数据对用电量情况进行预测。结果显示,所建立的基于MCC的改进方案是有效的,并且预测误差基本在3%以内。(本文来源于《西安理工大学》期刊2019-06-30）
林女贵[9]（2019）在《基于集合经验模式分解的ARIMA行业售电量预测模型》一文中研究指出售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果迭加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的ARIMA模型具有良好的预测精度。(本文来源于《电力科学与技术学报》期刊2019年02期）
金鑫[10]（2019）在《基于双模型组合的月度售电量预测研究》一文中研究指出月度售电量蕴含电力供需双方的诸多信息,对其进行精准预测有助于需求侧管理和电网运营的协同提升。首先从必然和偶然两个层面对驱动月度售电量波动的因素作解析,确定该项预测应为惯性预测与非惯性预测的迭加。其次建立组合预测模型,即以售电量年间增长为依据确定"Logistic模型"为惯性预测分模型,以数据样本沿时间轴呈现某种相似性、重复性为依托确定"层次分析-模糊聚类模型"为非惯性预测分模型,并以最小二乘法将二者糅合。最后以某供电公司为背景做案例检验。(本文来源于《湖南电力》期刊2019年03期）
电量预测论文开题报告
（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：
为了可以使现代电力企业可以更好的实现对供电区域精细化管理的理念,就需要通过现代化的数据挖掘技术,来创新出更加有效的电量预测方法,从根本上帮助电力企业实现对各供电区域的电量精细化管理。基于此,在本篇文章中将会针对基于大数据挖掘电量预测方法的算法研究展开分析,进而针对其实际应用展开研究,希望可以为相关人员提供参考帮助。
（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。
电量预测论文参考文献
[1].丁磊明,杨晓雷,黄金波,姚剑峰.基于BP神经网络优化的改进灰色模型在电量预测中的应用[J].机电信息.2019
[2].林丽.基于大数据挖掘电量预测方法的创新及应用[J].科技风.2019
[3].赵书强,胡利宁,田捷夫,许朝阳.基于中长期风电光伏预测的多能源电力系统合约电量分解模型[J].电力自动化设备.2019
[4].谢丽蓉,杨欢,轩武警,包洪印.基于ABC-LSSVM的弃风电量预测[J].水力发电.2019
[5].苏勇,张勇,巫学前.基于JITL的电量预测高斯软测量建模研究[J].电力大数据.2019
[6].臧振东,戴康,吴昊,高志野,杨国华.基于X12季节分解的春节修正电量预测[C].中国电机工程学会电力市场专业委员会2019年学术年会暨全国电力交易机构联盟论坛论文集.2019
[7].石蓉,杨海波,李永毅,郎锐,王娇.基于同期售电量大数据处理技术的分行业用电分析与预测[J].电网与清洁能源.2019
[8].孙泽昊.基于最大相关熵准则的电网月度电量预测[D].西安理工大学.2019
[9].林女贵.基于集合经验模式分解的ARIMA行业售电量预测模型[J].电力科学与技术学报.2019
[10].金鑫.基于双模型组合的月度售电量预测研究[J].湖南电力.2019
论文知识图
