导读:本文包含了中期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,神经网络,电力,递归,深度,时域,组合。
中期负荷预测论文文献综述
颜欣藜,李红伟,刘宇陆,张凤珠[1]（2019）在《基于组合预测技术的高压配电网中期负荷预测研究》一文中研究指出负荷预测是制定发电计划的前提,也是电网安全预警、迎峰负荷调度控制必不可少的环节。针对高压配电网的高峰负荷预测开展研究,预测的基本对象单元为110 kV电站的单台主变压器所接负荷。首先对预测基本对象进行了分析,基于110 kV主变压器负载历史数据分析了其负荷的时间分布特性,并选取地区GDP与温度作为变量元,研究了它们对负荷的相关性影响。在此基础上,采用了组合预测技术,即以二元非线性回归分析法为主,自然增长率法、灰色预测法和季度性趋势比率法为辅进行预测,结合实际算例进行了验证分析,结果显示了算法的有效性,可为高压配电网的高峰负荷转供问题提供数据支持。(本文来源于《电气应用》期刊2019年10期）
何耀耀,秦杨,杨善林[2]（2019）在《基于LASSO分位数回归的中期电力负荷概率密度预测方法》一文中研究指出中期电力负荷预测过程中往往会受到多种外界因素(诸如温度、节假日、风力大小等)的不确定性干扰,并且影响中期电力负荷预测的因素复杂多变、规律各异,难以精准地进行预测.在大数据环境下,如何在种类繁多、数量庞大的影响因素中快速获取有价值信息成为了电力负荷预测问题的关键所在.提出的基于LASSO分位数回归概率密度预测方法,首先从影响电力负荷预测的多种外界因素中挑选出重要的影响因子,建立LASSO分位数回归模型.然后,使用triangular核函数,将LASSO分位数回归与核密度估计方法相结合,进行中期电力负荷概率密度预测.以中国东部某副省级市的历史负荷和外界影响因素(包括温度、节假日及风力大小)为算例,运用LASSO分位数回归方法进行中期电力负荷概率密度预测,得到的平均绝对误差在中位数和众数上分别为3.53%和3.69%,优于未考虑外界因素和考虑外界因素未进行变量选择的情况.为了进一步验证该方法的优越性,将其与非线性分位数回归和基于叁角核的分位数回归神经网络概率密度预测方法进行对比分析,说明该方法能较好解决电力负荷预测中的高维数据问题,从而获得比较准确的电力负荷预测结果.(本文来源于《系统工程理论与实践》期刊2019年07期）
李志新,赖志琴[3]（2019）在《基于NARX神经网络的电力负荷中期预测》一文中研究指出针对传统BP模型在电力负荷预测中适应性问题,本文构建了基于动态反馈性NARX神经网络的电力负荷中期预测模型,模型结构带有外部输入的非线性自回归网络,输入向量选取在以往单一社会总用电量基础上,对其进一步细分五类用电量。输出向量为未来一月区域的社会总用电量。采用清远市城区用电量历史实测数据对模型进行训练及测试,结果表明:基于NARX神经网络的电力负荷中期预测模型模拟精度较高、应用性能较好;另外,NARX模型与传统BP模型性能对比分析显示,NARX模型因具有动态反馈性质,对时间系列电力负荷中期预测适应性明显更优。(本文来源于《贵州农机化》期刊2019年01期）
刘俊,赵宏炎,刘嘉诚,潘良军,王楷[4]（2019）在《基于协整-格兰杰因果检验和季节分解的中期负荷预测》一文中研究指出近年来,随着国民经济的转型,中国的经济结构发生了较大的变化,仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题,提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量;并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系,确定影响该部分电量预测的关键性指标;基于电量、气象以及经济数据,对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值;最后通过算例分析了方法的有效性与可行性。(本文来源于《电力系统自动化》期刊2019年01期）
王军[5]（2018）在《基于深度神经网络的中期电力负荷预测》一文中研究指出电力负荷预测的精确度对于电厂的实际发电量、配电、系统维护以及与电价相关的能源供应商运营计划等都有着极大地影响;研究了前馈深度神经网络和递归深度神经网络在中期电力负荷预测中的应用及其准确性和计算能力分析;首先,针对收集的原始数据集进行预处理,提出了一种时域-频域分析特征提取方法,该方法可以充分地挖掘隐藏在原始数据集中的深层信息;然后利用前馈深度神经网络和递归深度神经网络模型进行中期电力负荷预测;最后,利用某城市5年期间的实际负荷数据,预测未来1年中不同季节的负荷;通过仿真结果表明:时域-频域分析法和深度神经网络协同使用于中期负荷预测具有更高的准确性。(本文来源于《重庆工商大学学报(自然科学版)》期刊2018年06期）
孙新程,孔建寿,刘钊[6]（2018）在《基于核主成分分析与改进神经网络的电力负荷中期预测模型》一文中研究指出为了提高电力负荷中期预测水平,提出了1种核主成分分析(KPCA)和粒子群优化反向传播神经网络(PSO-BPNN)相结合的电力负荷中期预测模型。引入KPCA对原始输入空间降维重构,将降维后的数据集输入PSO算法优化的BPNN模型中,提出了月平均最大预测负荷修正日预测负荷的方法,输出待预测日的最大预测负荷。采用欧洲智能技术网络提供的负荷数据进行验证,实验结果的平均绝对百分误差为1.39%。(本文来源于《南京理工大学学报》期刊2018年03期）
任瑞琪,李军[7]（2018）在《基于优化核极限学习机的中期电力负荷预测》一文中研究指出针对电力负荷预测,提出了一种优化的核极限学习机(O-KELM)的方法。核极限学习机(KELM)方法仅以核函数表示未知的隐含层非线性特征映射,无需选择隐含层的节点数目,通过正则化最小二乘算法计算网络的输出权值。将优化算法应用于KELM方法中,给出基于遗传算法、微分演化、模拟退火的3种优化KELM方法,优化选择核函数的参数以及正则化系数,以进一步提高KELM方法的学习性能。为验证方法的有效性,将O-KELM方法应用于某地区的中期峰值电力负荷预测研究中,在同等条件下与优化极限学习机(O-ELM)方法、SVM等方法进行比较。实验结果表明,O-KELM方法具有很好的预测性能,其中GA-KELM方法的建模精度最高。(本文来源于《测控技术》期刊2018年06期）
任建聪,高鑫,赵飞,王健,胡彩娥[8]（2017）在《基于中期负荷预测分析的技改大修项目策略研究》一文中研究指出基于技改大修项目数据的分析,本文阐述了数据管理的一些问题,并给出解决方法。同时文章提出了中期负荷预测方法有利于该项目的规划、更加有效安排设备和资源的观点。文章从时间序列、回归分析、神经网络等模型角度进行分析,对项目进行优化,为技改大修的精益化提供了可靠的基础。(本文来源于《软件》期刊2017年12期）
陈若曦[9]（2017）在《对基于贝叶斯证据框架下WLS-SVM中期负荷预测的研究》一文中研究指出本文提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法。在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量。通过贝叶斯证据叁层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第叁层推断确定核函数的超参数σ。为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。采用上述方法对一固定预测区电网中期负荷进行了预测,结果证明了该方法具有良好的预测效果。(本文来源于《自动化技术与应用》期刊2017年11期）
陈国建,陈庆,苏啸天[10]（2017）在《中期电力负荷预测及负荷模型的研究》一文中研究指出本研究主要以中期电力负荷的预测及其负荷模型为主题,对负荷时间的序列样本进行相关性分析,预测相关的时代段变动趋势,以建立相关的中期负荷模型。根据相关实例对中期负荷进行相关测试,一系列实践证明,对电力系统采用中期电力负荷预测的方法能够有效实现电力系统的优化调度。(本文来源于《现代制造技术与装备》期刊2017年11期）
中期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：
中期电力负荷预测过程中往往会受到多种外界因素(诸如温度、节假日、风力大小等)的不确定性干扰,并且影响中期电力负荷预测的因素复杂多变、规律各异,难以精准地进行预测.在大数据环境下,如何在种类繁多、数量庞大的影响因素中快速获取有价值信息成为了电力负荷预测问题的关键所在.提出的基于LASSO分位数回归概率密度预测方法,首先从影响电力负荷预测的多种外界因素中挑选出重要的影响因子,建立LASSO分位数回归模型.然后,使用triangular核函数,将LASSO分位数回归与核密度估计方法相结合,进行中期电力负荷概率密度预测.以中国东部某副省级市的历史负荷和外界影响因素(包括温度、节假日及风力大小)为算例,运用LASSO分位数回归方法进行中期电力负荷概率密度预测,得到的平均绝对误差在中位数和众数上分别为3.53%和3.69%,优于未考虑外界因素和考虑外界因素未进行变量选择的情况.为了进一步验证该方法的优越性,将其与非线性分位数回归和基于叁角核的分位数回归神经网络概率密度预测方法进行对比分析,说明该方法能较好解决电力负荷预测中的高维数据问题,从而获得比较准确的电力负荷预测结果.
（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。
中期负荷预测论文参考文献
[1].颜欣藜,李红伟,刘宇陆,张凤珠.基于组合预测技术的高压配电网中期负荷预测研究[J].电气应用.2019
[2].何耀耀,秦杨,杨善林.基于LASSO分位数回归的中期电力负荷概率密度预测方法[J].系统工程理论与实践.2019
[3].李志新,赖志琴.基于NARX神经网络的电力负荷中期预测[J].贵州农机化.2019
[4].刘俊,赵宏炎,刘嘉诚,潘良军,王楷.基于协整-格兰杰因果检验和季节分解的中期负荷预测[J].电力系统自动化.2019
[5].王军.基于深度神经网络的中期电力负荷预测[J].重庆工商大学学报(自然科学版).2018
[6].孙新程,孔建寿,刘钊.基于核主成分分析与改进神经网络的电力负荷中期预测模型[J].南京理工大学学报.2018
[7].任瑞琪,李军.基于优化核极限学习机的中期电力负荷预测[J].测控技术.2018
[8].任建聪,高鑫,赵飞,王健,胡彩娥.基于中期负荷预测分析的技改大修项目策略研究[J].软件.2017
[9].陈若曦.对基于贝叶斯证据框架下WLS-SVM中期负荷预测的研究[J].自动化技术与应用.2017
[10].陈国建,陈庆,苏啸天.中期电力负荷预测及负荷模型的研究[J].现代制造技术与装备.2017
论文知识图
