基于LSTM深度网络的电力负荷预测

发布时间：2022-10-04 19:13

　　近年来,随着能源生产、消费方式的改变,给电网带来了更多不确定性问题,电力负荷预测作为电力行业发展中一项必不可少的基础工作,合理而准确的电力负荷预测为电网调度、规划、建设以及运行提供重要的参考依据。因此,采用更加灵活的预测方法提高短期电力负荷预测的精度仍是我们急需解决的一项工作。电力负荷预测会受到多种因素的影响,影响因素的分析是电力负荷预测的基础,可以为预测模型输入量的确定提供参考。本文利用皮尔逊相关系数分析了不同影响因素与负荷的相关性,分析表明历史负荷、天气、日期等因素与电力负荷有强相关性。人工神经网络由于其强大的自学习功能、联想存储功能以及高速寻找优化解的能力,已被应用于电力负荷预测领域,并获得了良好的效果。随着广大学者对人工神经网络的深入研究,又出现了深度学习这一新的研究方向。本文基于深度学习中的LSTM神经网络预测模型,提出了融入多影响因素的LSTM多元时间序列模型。通过在LSTM模型的基础上加入多特征融合层,有效的弥补了LSTM模型无法抽取多特征的缺陷。经验证,融入多影响因素的LSTM多元时间序列模型能够有效地提高中短期电力负荷预测的预测精度。为了弥补融入多影响因素的LSTM多... 

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 电力负荷预测
        1.2.1 电力负荷预测原则及要求
        1.2.2 电力负荷预测分类
    1.3 电力负荷预测国内外研究现状
        1.3.1 传统负荷预测方法
        1.3.2 基于人工智能的负荷预测方法
    1.4 本文的主要工作及内容
第二章 电力负荷影响因素分析
    2.1 皮尔逊相关系数
    2.2 影响因素的选取
    2.3 皮尔逊相关分析
        2.3.1 影响因素的量化处理
        2.3.2 皮尔逊相关分析结果
    2.4 本章小节
第三章 电力负荷数据预处理
    3.1 异常数据的概念及分类
    3.2 缺失数据的处理
    3.3 畸变数据的处理
        3.3.1 小波阈值去噪法
        3.3.2 阈值的确定
        3.3.3 阈值函数的选取
        3.3.4 实例效果分析
    3.4 数据规范化处理
    3.5 本章小节
第四章 融入多影响因素的LSTM多元时间序列预测
    4.1 LSTM模型
        4.1.1 概述
        4.1.2 LSTM模型的原理结构
    4.2 融入多影响因素的LSTM多元时间序列预测
        4.2.1 LSTM多元时间序列预测模型架构
        4.2.2 LSTM多元时间序列预测模型训练
    4.3 实验仿真与分析
        4.3.1 实验环境
        4.3.2 模型数据规范
        4.3.3 LSTM预测模型的预测结果
        4.3.4 融入多影响因素的LSTM多元时间序列预测模型的预测结果
        4.3.5 输出评价指标
    4.4 本章小节
第五章 稀疏自编码器优化的LSTM多元时间序列网络
    5.1 稀疏自编码器
        5.1.1 稀疏自编码器的基本原理
        5.1.2 稀疏自编码器的特点
    5.2 稀疏自编码器优化的LSTM多元时间序列网络
        5.2.1 SAE-LSTM算法基本思想
        5.2.2 模型的搭建
    5.3 实验分析与结果对比
        5.3.1 SAE-LSTM模型预测结果
        5.3.2 模型对比分析
    5.4 本章小结
第六章 结论和展望
    6.1 结论
    6.2 展望
参考文献
致谢
个人简况及联系方式


【参考文献】：
期刊论文
[1]连云港地区温度对最大电力负荷的影响分析[J]. 王华雷,关皓天,高翔.  机电信息. 2019(36)
[2]基于GRU-NN模型的短期负荷预测方法[J]. 王增平,赵兵,纪维佳,高欣,李晓兵.  电力系统自动化. 2019(05)
[3]基于时间序列线性数学模型的电力系统短期负荷预测[J]. 费熹.  中国高新区. 2018(14)
[4]Prediction and Analysis of O3 Based on the ARIMA Model[J]. FENG Dengchao,LIANG Lishui,LI Chunjiao.  Instrumentation. 2017(02)
[5]基于新型人体舒适度的气象敏感负荷短期预测研究[J]. 高亚静,孙永健,杨文海,啜斌,梁海峰,李鹏.  中国电机工程学报. 2017(07)
[6]基于改进小波阀值的振动信号去噪方法研究[J]. 高传亮,崔高健.  机械工程师. 2015(01)
[7]气象因素对江苏夏季高峰负荷的影响研究[J]. 管益斌,陈哲,李强,周建华,陈文浩.  江苏电机工程. 2012(06)
[8]用时间序列法进行电力系统短期负荷预测[J]. 彭生刚,李吉德.  山东电力高等专科学校学报. 2012(04)
[9]改进粒子群—BP神经网络模型的短期电力负荷预测[J]. 师彪,李郁侠,于新花,闫旺.  计算机应用. 2009(04)
[10]基于MRA与回归分析法的短期电力负荷预测[J]. 袁诚斌,张涛,朱建良.  信息技术. 2007(10)

硕士论文
[1]基于支持向量机的短期电力负荷预测方法研究及应用[D]. 马鸿芳.兰州理工大学 2018
[2]基于智能优化算法的电力负荷预测模型[D]. 唐承娥.广西大学 2017
[3]基于LSTM和灰色模型集成的短期交通流预测[D]. 谈苗苗.南京邮电大学 2017
[4]基于小波分析的电力系统短期负荷预测的应用研究[D]. 贾辛淼.沈阳工业大学 2016
[5]股票定价函数形式及其数据去噪方法的研究[D]. 孙子璇.中国计量学院 2013



本文编号：3685604