导读:本文包含了电力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,电力,模型,门控,系数,多维,算法。
电力负荷预测论文文献综述
周帆,赵荣普,杨文镪,杨敏,张庆[1]（2019）在《长、短期电力负荷大数据下的智能预测实例分析》一文中研究指出电力信息化平台的感知能力与检测精度日益提高,基于电力多维海量数据开展智能算法数据分析与知识挖掘,可高效处理数据,并获取具有指导意义的结论。考虑到不同时期的数据中彼此存在联系,可通过筛选历史时期数据的有效相关信息进行智能算法训练并做出合理预测。通过长、短期记忆网络对实际负荷数据进行预测,验证结果显示,基于长期数据可以较为准确地预测负荷变化情况,平均误差小于5%,对于合理规划电力生产具有一定的指导作用。(本文来源于《机电信息》期刊2019年36期）
廖海强[2]（2019）在《工业园区电力负荷预测方法与案例分析》一文中研究指出电力负荷预测是配电网规划的基础,是进行电力电量平衡的前提。针对新建工业园区的特点,以肇庆市江谷精细化工园区为例,从中远期负荷预测、近期负荷预测、负荷预测校核等方面探讨工业园区电力负荷预测的思路及方法,为类似工业园区电力专项规划提供借鉴。(本文来源于《江西电力》期刊2019年12期）
赵兵,王增平,纪维佳,高欣,李晓兵[3]（2019）在《基于注意力机制的CNN-GRU短期电力负荷预测方法》一文中研究指出高效准确的短期电力负荷预测能帮助电力部门合理制定生产调度计划,减少资源浪费。深度学习中以循环神经网络(recurrent neural network,RNN)为主体构建的预测模型是短期负荷预测方法中的典型代表,但存在难以有效提取历史序列中潜在高维特征且当时序过长时重要信息易丢失的问题。提出了一种基于Attention机制的卷积神经网络(convolutional neural network,CNN)-GRU (gated recurrent unit)短期电力负荷预测方法,该方法将历史负荷数据作为输入,搭建由一维卷积层和池化层等组成的CNN架构,提取反映负荷复杂动态变化的高维特征;将所提特征向量构造为时间序列形式作为GRU网络的输入,建模学习特征内部动态变化规律,并引入Attention机制通过映射加权和学习参数矩阵赋予GRU隐含状态不同的权重,减少历史信息的丢失并加强重要信息的影响,最后完成短期负荷预测。以美国某公共事业部门提供的公开数据集和中国西北某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.15%和97.44%,并与多层感知机(multi-layer perceptron,MLP)、径向基神经网络(radial basis function neural network,RBF)、支持向量回归(support vector regression,SVR)、GRU、CNN、自编码器(autoencoder,AE)-GRU和未引入Attention机制的CNN-GRU进行对比,实验结果表明所提方法具有更高的预测精度。(本文来源于《电网技术》期刊2019年12期）
蔡舒毅[4]（2019）在《配电网规划中电力负荷预测方法的有效性探究》一文中研究指出现阶段,社会对电网的安全性和稳定性要求将逐渐上升到更高层面。提高电力系统负荷预测的能力,是电力系统稳步发展的必要条件。因此,将针对配电网规划中电力负荷预测方法的有效性进行简要分析,以供参考。(本文来源于《通信电源技术》期刊2019年11期）
刘嘉,王泽滨[5]（2019）在《加权马尔可夫优化的NGBM(1,1)模型在中长期电力负荷预测中的应用》一文中研究指出灰色理论在电力负荷预测领域中有重要应用,为了扩展灰色模型在中长期电力负荷预测中应用,提出了一种基于加权马尔可夫优化的非线性灰色伯努利(nonlinear grey Bernoulli Model, NGBM(1,1))预测模型.首先引进新型非线性NGBM(1,1)模型对电力负荷数据的总体趋势进行拟合,得到的灰拟合精度序列是一个随机波动的过程,再利用加权马尔可夫的特点确定灰拟合精度的加权转移概率矩阵,通过插值和还原计算对NGBM(1,1)模型的预测结果进行优化.将该模型运用到江苏省农村电力负荷预测中,结果验证其在预测精度上的优越性,并用于中长期电力负荷预测是有效可行的.(本文来源于《江苏科技大学学报(自然科学版)》期刊2019年05期）
张文涛,马永光,董子健[6]（2019）在《基于优化核极限学习机的短期电力负荷预测》一文中研究指出短期电力负荷预测对于电力系统的安全调度和经济运行具有非常重要的意义,针对传统短期负荷预测方法具有误差大、计算复杂的问题,提出一种基于IWOA-KELM和AdaBoost的短期电力负荷预测方法。首先根据负荷历史数据,建立多个核极限学习机(KELM)短期电力负荷预测模型,并利用改进的鲸鱼算法(IWOA)去优化KELM的核函数参数和正则化系数,然后利用AdaBoost算法将多个IWOA-KELM弱预测器迭代集成强预测器,从而对短期电力负荷进行预测。实验结果表明,与BP神经网络和SVM相比,上述方法具有更短的运行时间和更好的预测性能。(本文来源于《计算机仿真》期刊2019年10期）
刘亚辉,韩明轩,郭俊岑,苏良立[7]（2019）在《基于密度聚类与ARIMA模型短期电力负荷预测》一文中研究指出为了提高短期电力负荷预测的准确度,提出了将密度聚类算法(DBSCAN)与自回归移动平均模型(ARIMA)相结合的方法,进行短期电力负荷预测。首先,对数据进行归一化、天气状况类别数据编码、缺失值填补等预处理;然后,利用DBSCAN对负荷均值进行聚类与剔除噪音点。ARIMA模型的参数根据差分后的时间序列及热力图确定;最后,重构分解后的曲线,并根据历史数据对未来短期负荷进行预测。实验结果表明,预测结果的误差在合理范围内。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2019年05期）
吕何,孔政敏,陈培垠,刘晓帆[8]（2019）在《基于气象综合指数和加权LSSVM的短期电力负荷组合预测》一文中研究指出短期电力负荷易受气象情况、日期属性和偶然因素等影响,预测准确度较低。为解决上述问题,提出了基于气象综合指数和加权最小二乘支持向量机(WLS-SVM)的电力负荷组合预测方法。分析气象因子耦合作用引入气象综合指数进行短期负荷预测。采用线性映射与分区映射方法处理负荷特征,解决了数据之间的差异性,并采用灰色关联分析得到气象综合指数与电力负荷的关联度,其权重系数由关联度确定。在优化最小二乘支持向量机(LSSVM)上将径向基核函数(RBF)和权重系数相结合得到WLSSVM。最后提出滚动窗口预测法并建立短期负荷组合优化预测模型,降低偶然误差对负荷预测结果的影响。以我国南方某电网公司每日96点负荷历史数据为实例样本进行仿真,结果表明所提出方法与LSSVM预测方法相比预测准确度更高,逐时预测性能优于逐天预测,验证了所提方法的有效性。(本文来源于《电气应用》期刊2019年10期）
李颖玥,王勋,康琛,万华,程宏波[9]（2019）在《基于指数加权移动平均多维组合模型的电力负荷预测》一文中研究指出随着电力行业的不断发展,对电力用户侧进行用电负荷预测成了满足用户用电供需平衡和电网规划的重要部分。在大数据背景下,为提高电力负荷预测结果的准确性,针对历史数据时间远近的影响,分别考虑同期历史数据和近期历史数据两类数据局限性的影响,基于时间占优的原理,引入指数加权移动平均模型对不同时刻的数据进行权重分配,提出了改进的电力负荷预测模型。以某地区电力负荷预测为例,所得预测结果在标准误差上提高了29.5%,平均绝对百分误差提高了25.7%,分析结果表明提出的模型是可行的且有较高的精确度,为电力负荷的预测提供可靠的参考依据。(本文来源于《华东交通大学学报》期刊2019年05期）
孙建梅,钱秀婷,王永晴[10]（2019）在《基于改进灰色模型的中长期电力负荷预测》一文中研究指出针对电力系统负荷预测中灰色建模的局限性,通过对灰色预测方法的大量研究,提出了一种能改进灰色预测的方法。对负荷原始数据序列,再利用滑动平均法进行预处理及优化,从而增强灰色预测对波动负荷数据序列的抗干扰能力。利用改进的GM(1,1)模型对电力系统中长期负荷进行预测,并采用后验差检验法对GM(1,1)模型进行检验。理论分析和实例结果表明,改进后的模型提高了普通GM(1,1)模型的预测精度,扩展了该模型的适用范围。(本文来源于《电工技术》期刊2019年19期）
电力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：
电力负荷预测是配电网规划的基础,是进行电力电量平衡的前提。针对新建工业园区的特点,以肇庆市江谷精细化工园区为例,从中远期负荷预测、近期负荷预测、负荷预测校核等方面探讨工业园区电力负荷预测的思路及方法,为类似工业园区电力专项规划提供借鉴。
（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。
电力负荷预测论文参考文献
[1].周帆,赵荣普,杨文镪,杨敏,张庆.长、短期电力负荷大数据下的智能预测实例分析[J].机电信息.2019
[2].廖海强.工业园区电力负荷预测方法与案例分析[J].江西电力.2019
[3].赵兵,王增平,纪维佳,高欣,李晓兵.基于注意力机制的CNN-GRU短期电力负荷预测方法[J].电网技术.2019
[4].蔡舒毅.配电网规划中电力负荷预测方法的有效性探究[J].通信电源技术.2019
[5].刘嘉,王泽滨.加权马尔可夫优化的NGBM(1,1)模型在中长期电力负荷预测中的应用[J].江苏科技大学学报(自然科学版).2019
[6].张文涛,马永光,董子健.基于优化核极限学习机的短期电力负荷预测[J].计算机仿真.2019
[7].刘亚辉,韩明轩,郭俊岑,苏良立.基于密度聚类与ARIMA模型短期电力负荷预测[J].北京信息科技大学学报(自然科学版).2019
[8].吕何,孔政敏,陈培垠,刘晓帆.基于气象综合指数和加权LSSVM的短期电力负荷组合预测[J].电气应用.2019
[9].李颖玥,王勋,康琛,万华,程宏波.基于指数加权移动平均多维组合模型的电力负荷预测[J].华东交通大学学报.2019
[10].孙建梅,钱秀婷,王永晴.基于改进灰色模型的中长期电力负荷预测[J].电工技术.2019
论文知识图
