导读:本文包含了短时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,向量,深度,算法,网络,小波。
短时负荷预测论文文献综述
许沥文[1]（2019）在《基于深度学习方法的短时电力负荷预测研究》一文中研究指出电力负荷预测在电力系统管理和经济发展中发挥着重要作用。由于电力负荷与经济政策、人类活动等多种因素之间存在复杂的非线性关系,准确地预测电力负荷的工作变得十分困难。近年来,深度学习方法由于其深层网络结构及学习方法,能够有效处理各种复杂问题,获得了广泛应用。为了进一步提高短期电力负荷预测性能,本文基于深度学习方法,提出了几种混合学习模型用于短期电力负荷精准预测。首先,在分析电力负荷预测重要性的基础上,对电力负荷预测问题的国内外发展现状进行了总结。同时给出了电力负荷预测的分类及其特点,探讨了具有代表性的电力负荷预测的方法。其次,将数据驱动的长短期记忆网络(LSTM)与极限学习机(ELM)相结合,提出了一种基于组合模型的短期电力负荷预测方法。该模型采用长短期记忆网络提取电力负荷的深层特征,利用极限学习机来模拟浅层模式,通过线性回归方法将长短期记忆网络和极限学习机的预测结果相结合来获取最终结果,并对两个实际电力负荷预测问题进行了详细的实验研究。再次,为了深入利用电力负荷数据不同层次特征,本文提出了一种基于SAE和ELM的集成模型。为了得到不同深度的电力负荷特性,该方法首先将SAE各层的输出分别作为ELM的输入并记录每个ELM模型的输出结果。然后将所构建的不同ELM和SAE模型结果进行线性回归,得到最终的输出。其中,线性回归部分采用最小二乘法进行训练。最后将集成模型应用到了两个实际电力负荷时间序列的预测,并与SAE、ELM、反向传播神经网络(BPNN)、多元线性回归(MLR)和支持向量回归(SVR)进行了详细的比较,证实了该预测模型的优越性。最后,对所给出的预测模型进行了分析总结,反思了实验中存在的不足,并提出了该课题的后续研究方向。(本文来源于《山东建筑大学》期刊2019-06-01）
赖绍奇[2]（2019）在《基于小波分析的微电网短时负荷预测与调度模型》一文中研究指出微电网与配电网相结合的新型供电模式是目前电力发展的需求,是解决目前新能源利用困难的重要措施之一。短期负荷预测为微电网系统经济调度的基础,其预测精度直接影响经济调度的准确度,因此有必要对微电网的短时负荷预测进行研究。此外,对接入配电网的新能源的浪费比例十分高,针对具有蓄电池的微电网需要进一步的精细建模,研究具有不同新能源渗透率的微电网是十分必要的。因此本文从微电网的短时负荷预测角度出发,对具有不同新能源渗透率的微电网的经济调度进行研究。本文以某地区配网电力负荷为研究对象,深入分析了该地区的负荷以及风力以及光伏发电数据。预测采取相似日的筛选机制,首先对数据进行了归一化处理,通过过去5年的气象数据通过模糊聚类进行相似日的选取。并针对负荷数据进行分析,分为经济分量、周期分量和随机分量,利用回归分析得到经济增长分量,对周期分量和随机分量进行小波分解,滤除无规律的高频分量后,利用BP神经算法进行预测,最后进行反小波变换得到预测的结果,预测结果表明,最大预测误差不超过6%。同理对光电和风电功率采取相似的手段进行预测。本文在获取了微电网各类负荷以及光伏发电和风力发电数据后,对微电网进行经济调度建模。首先建立了虚拟微电网的概念,将配电网、蓄电池、风光发电装置、负荷通过虚拟微电网建立联系,消除各部分之间功率流动的复杂关系。通过对微电网中的各组件进行精细的经济调度建模,构建了以供电成本最低为目标函数的微电网经济调度模型。以某地区的微电网的模型为例,该经济调度模型由于包含了蓄电池的调度,因此由线性规划(LP)模型变为混合整数规划(MILP)模型,本文充分考虑蓄电池使用寿命,进行微电网的调度规划。此外,为了提高微电网新能源的渗透率,本文研究了在不同的风光比例下的微电网供电成本,并结合蓄电池的使用成本给出了该模型的最佳的风光使用比例。(本文来源于《华南理工大学》期刊2019-04-19）
严通煜,杨迪珊,项康利,柯圣舟,林红阳[3]（2019）在《基于时间分解技术的中远期逐时负荷预测模型》一文中研究指出中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。(本文来源于《电力系统保护与控制》期刊2019年06期）
孙海蓉,田瑶,谢碧霞[4]（2019）在《基于深度学习的短时热网负荷预测》一文中研究指出针对现有的预测方法无法实现热网负荷数据本质特征的挖掘,提出了一种基于深度学习的短时热网负荷预测方法。方法将深度信念网络模型(DBN)与支撑向量机回归模型(SVR)进行结合,利用深度信念网络进行数据本质特征的学习,同时作为网络顶层支撑向量机模型的输入来实现负荷预测。实际数据测试结果表明,与传统预测模型相比,上述模型不仅能够提高数据预测的准确性,对于大量数据的预测更具有优越性,是一种有效的负荷预测方法。(本文来源于《计算机仿真》期刊2019年02期）
陈明帆,宁光涛,何礼鹏,黄立毅,覃丹[5]（2018）在《基于分位回归鲁棒极限学习机的短时负荷预测方法》一文中研究指出针对短期负荷预测对电力系统运行管理和优化调度的影响,提出一种基于分位回归鲁棒极限学习机的短时负荷预测方法,即先对所收集的历史负荷数据进行归一化处理,然后利用自相关分析提取最相关的历史负荷数据作为模型的输入变量,再融合鲁棒极限学习机和分位回归建立负荷预测基本模型,最后利用某电力公司2016年采样频率为30min的数据进行实例分析,试验数据表明相比极限学习机(ELM)、分位回归(QR)和分位回归支持向量机(QR-SVM),所提模型预测精度更高,验证了所提模型和算法的可行性和有效性。(本文来源于《水电能源科学》期刊2018年10期）
许裕栗,姜娜,陈卓,李柠,甘中学[6]（2018）在《基于LSTM网络的居民区供热负荷短时预测》一文中研究指出用户侧供能负荷预测是能源互联网的关键技术之一,在能源互联网的运行管理中起着重要的作用。高精度的用户侧供能负荷预测能够提高能源利用率,有助于错峰资源的分层优化与自动分配,从而实现能源生产与使用的协同调度。现有的供能负荷预测方法很少考虑数据内部的时序相关性。基于实际的居民区历史供水热量数据,并考虑数据的时序特性,采用了长短时记忆(LSTM)网络,以挖掘居民区供水热量数据在时间维度上的内在联系。通过研究数据潜在的特征,建立了一种基于LSTM网络的居民区供热负荷短时预测模型。试验证明,相较于传统数据驱动的供热负荷短时预测模型,基于LSTM网络的居民区供热负荷短时预测模型具有更高的预测精度,在工业中具有更高的实际应用价值。未来将扩大数据集规模,引入与供热负荷相关的气象数据,构建基于LSTM网络的多步预测模型与供热需求长时预测模型。(本文来源于《自动化仪表》期刊2018年10期）
焦晶,宋志刚,王慧锋,把明全,孙诚磊[7]（2017）在《基于MATLAB的短时电力负荷预测方法研究》一文中研究指出电力系统负荷预测在电力系统调度、用电、规划中起着至关重要的作用。通过对历史数据的分析和研究,基于MATLAB软件平台对ARMA时间序列和BP神经网络两种预测方法进行了仿真实现。算例仿真结果表明,进行短期电力负荷预测时,时间序列法较BP神经网络法具有原始数据少、程序实现简单和训练时间短等优点。(本文来源于《中国设备工程》期刊2017年22期）
乔伟彪,陈保东[8]（2015）在《基于Haar小波变换和ARIMA-RBF的天然气时负荷预测》一文中研究指出针对天然气时负荷预测问题,提出了一种基于Haar小波变换和ARIMA-RBF的天然气时负荷组合预测模型。首先,对天然气时负荷数据样本时间序列进行小波分解,采用Mallat快速算法,母小波为Haar小波,对分解出来的高频分量进行ARIMA预测,低频分量进行RBF预测;其次,对高频分量预测结果和低频分量预测结果进行Haar小波重构;最后,以某市实际采集的天然气时负荷为例进行研究,并与自组织特征映射(Self-organizing Feature Map,SOFM)网络和多层感知器(Multilayer Perceptron,MLP)网络(SOFM+MLP)组合预测模型进行对比分析。结果表明,组合预测模型较SOFM+MLP预测模型的MAPE值指标高出2.593 2%,预测精度显着提高,为实际工程的在线应用提供了有益参考。(本文来源于《石油化工高等学校学报》期刊2015年04期）
周璇,杨建成[9]（2014）在《基于支持向量回归机的空调逐时负荷滚动预测算法》一文中研究指出针对当前空调负荷预测算法精度不高难以满足空调系统节能优化控制的问题,提出基于支持向量回归机(Support Vector Regression,SVR)的空调逐时负荷滚动预测算法,建立SVR滚动预测模型,模型参数采用网格搜索遍历算法进行寻优。为简化模型的复杂性,还对影响空调负荷的主要因素进行了相关性分析。此外,算法利用当日前1 h的滚动信息,不断对模型进行修正以提高负荷预测精度。最后探讨以期望误差为预测精度评价指标时,不同训练样本长度对神经网络和SVR算法预测精度的影响。预测结果表明:基于支持向量回归机的空调逐时负荷滚动预测算法较BP神经网络算法的预测精度提高10.3%,比常规支持向量回归机算法预测精度提高23.9%,训练样本较小时,算法预测性能更为优越。(本文来源于《中南大学学报(自然科学版)》期刊2014年03期）
李帆,曲世琳,于丹,曹勇,毛晓峰[10]（2014）在《基于运行数据人工神经网络的空调系统逐时负荷预测》一文中研究指出本文以南京市某地源热泵空调系统为实测对象,根据实测的逐时负荷数据建立了人工神经网络负荷预测模型,并进行了预测。结果表明,该模型能够精确地预测一个单元未来24小时的逐时负荷,预测误差为5.20%左右。(本文来源于《建筑科学》期刊2014年02期）
短时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：
微电网与配电网相结合的新型供电模式是目前电力发展的需求,是解决目前新能源利用困难的重要措施之一。短期负荷预测为微电网系统经济调度的基础,其预测精度直接影响经济调度的准确度,因此有必要对微电网的短时负荷预测进行研究。此外,对接入配电网的新能源的浪费比例十分高,针对具有蓄电池的微电网需要进一步的精细建模,研究具有不同新能源渗透率的微电网是十分必要的。因此本文从微电网的短时负荷预测角度出发,对具有不同新能源渗透率的微电网的经济调度进行研究。本文以某地区配网电力负荷为研究对象,深入分析了该地区的负荷以及风力以及光伏发电数据。预测采取相似日的筛选机制,首先对数据进行了归一化处理,通过过去5年的气象数据通过模糊聚类进行相似日的选取。并针对负荷数据进行分析,分为经济分量、周期分量和随机分量,利用回归分析得到经济增长分量,对周期分量和随机分量进行小波分解,滤除无规律的高频分量后,利用BP神经算法进行预测,最后进行反小波变换得到预测的结果,预测结果表明,最大预测误差不超过6%。同理对光电和风电功率采取相似的手段进行预测。本文在获取了微电网各类负荷以及光伏发电和风力发电数据后,对微电网进行经济调度建模。首先建立了虚拟微电网的概念,将配电网、蓄电池、风光发电装置、负荷通过虚拟微电网建立联系,消除各部分之间功率流动的复杂关系。通过对微电网中的各组件进行精细的经济调度建模,构建了以供电成本最低为目标函数的微电网经济调度模型。以某地区的微电网的模型为例,该经济调度模型由于包含了蓄电池的调度,因此由线性规划(LP)模型变为混合整数规划(MILP)模型,本文充分考虑蓄电池使用寿命,进行微电网的调度规划。此外,为了提高微电网新能源的渗透率,本文研究了在不同的风光比例下的微电网供电成本,并结合蓄电池的使用成本给出了该模型的最佳的风光使用比例。
（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。
短时负荷预测论文参考文献
[1].许沥文.基于深度学习方法的短时电力负荷预测研究[D].山东建筑大学.2019
[2].赖绍奇.基于小波分析的微电网短时负荷预测与调度模型[D].华南理工大学.2019
[3].严通煜,杨迪珊,项康利,柯圣舟,林红阳.基于时间分解技术的中远期逐时负荷预测模型[J].电力系统保护与控制.2019
[4].孙海蓉,田瑶,谢碧霞.基于深度学习的短时热网负荷预测[J].计算机仿真.2019
[5].陈明帆,宁光涛,何礼鹏,黄立毅,覃丹.基于分位回归鲁棒极限学习机的短时负荷预测方法[J].水电能源科学.2018
[6].许裕栗,姜娜,陈卓,李柠,甘中学.基于LSTM网络的居民区供热负荷短时预测[J].自动化仪表.2018
[7].焦晶,宋志刚,王慧锋,把明全,孙诚磊.基于MATLAB的短时电力负荷预测方法研究[J].中国设备工程.2017
[8].乔伟彪,陈保东.基于Haar小波变换和ARIMA-RBF的天然气时负荷预测[J].石油化工高等学校学报.2015
[9].周璇,杨建成.基于支持向量回归机的空调逐时负荷滚动预测算法[J].中南大学学报(自然科学版).2014
[10].李帆,曲世琳,于丹,曹勇,毛晓峰.基于运行数据人工神经网络的空调系统逐时负荷预测[J].建筑科学.2014
论文知识图
