导读:本文包含了在线超短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,在线,算法,递归,模型,潮流,组合。
在线超短期负荷预测论文文献综述
蒋敏,顾东健,孔军,田易之[1]（2018）在《基于在线序列极限支持向量回归的短期负荷预测模型》一文中研究指出由于电力市场的发展和智能电网技术的推广,负荷预测变得越来越重要。准确的预测结果有助于提高电力系统运行效率,降低运行成本,减少"电荒"事件的发生。在当前海量高维数据的背景下,有效并准确的在线预测方法是当下的研究重点。针对传统预测方法对新增数据需要重复训练造成的巨大计算消耗和模型利用率低的缺点,提出了一种基于在线序列极限支持向量回归算法(online sequential extreme support vector regression,OS-ESVR)的短期负荷预测模型(short-term load forecasting,STLF)。首先,利用基于随机森林模型的递归特征消除方法(recursive feature elimination based on random forest,RF-RFE)自动选择滞后负荷输入变量;其次,将得出的有效数据信息输入到在线序列支持向量回归模型进行训练学习,训练过程中通过简化粒子群算法(simplified particle swarm optimization,SPSO)对初始模型进行优化,得到训练后的在线序列支持向量回归模型;最后,利用测试数据测试模型。通过在新英格兰ISO(Independent System Operator)数据集进行仿真算例分析,验证了模型能够根据新增数据动态更新。同时预测结果表明了所提模型的时效性和准确性显着优于已有的同类方法。(本文来源于《电网技术》期刊2018年07期）
周末[2]（2017）在《多算法多模型与在线第二次学习结合的短期负荷预测方法》一文中研究指出随着经济迅速地增长,电力负荷也随之有着较大的增长。但是,目前存储电能有限,存储费用非常昂贵,传统的电力调配方式使得用电高峰期时无法正常供应,用电低谷期时存在很大浪费。对于电力负荷需求的增加,构建一个高效、节能、安全和清洁的智能电网已经成为一个共同努力的目标。电力负荷预测是智能电网建设的基本环节之一,精准、时效的负荷预测是智能电网实现节能降耗、调度精细化管理和电网安全预警的基础。在短期电力负荷预测中,本文首次提出多算法多模型与在线第二次学习结合的预测方法。首先利用互信息方法和统计方法对输入变量进行选择,构造数据集;然后通过Bootstrap方法对数据集进行多样性采样,利用多个不同的人工智能算法和机器学习算法训练得到多个差异化较大的预测模型;最后将每个待预测时刻最近一段时间的原特征值、第一次学习生成的多异构预测模型的负荷预测值和负荷实际值构成新训练数据集,对新训练数据集进行在线第二次学习,得到决策模型,从而得到最终预测结果。本文将多算法多模型与在线第二次学习结合的预测方法应用在电力系统城市每日总负荷和每日峰值负荷预测中,通过实验和对比研究探索数据集的选取、多样本集构建、多元非线性异构模型构建、在线第二次学习。对中国广东省广州市近叁年每日总负荷和每日峰值负荷进行预测研究,实验结果为,多算法多模型与在线第二次学习结合的预测方法相比于最优单模型、最优单算法多模型和最优多算法单模型,在每日总负荷预测中,全年MAPE下降了22.61%,10.98%和13.10%,在每日峰值负荷预测中,全年MAPE下降了 15.79%,7.69%和11.77%。实验结果表明,在数据集构造中,通过利用跨界多源数据更好地揭示了负荷变化的内在规律和趋势;在采样空间中,对训练集进行多样性采样,克服了单模型过拟合问题,泛化能力增强;在预测模型构建中,将多个算法优势互补,解决单个算法适用范围受限的问题,并且,并非组合算法数目越多越好,不同算法与数据特征之间具有不同的正负融合效应;在决策模型构建中,采用在线第二次学习方法,解决了电力负荷存在的增长率和近因效应问题。(本文来源于《湖南大学》期刊2017-05-12）
唐聪岚,卢继平,谢应昭,张露[3]（2014）在《基于改进数据流在线分割的超短期负荷预测》一文中研究指出为同时提高超短期负荷预测的实时性和准确性,应对现代电力系统对实时负荷预测的更高要求,提出一种基于改进数据流在线分割的超短期负荷预测方法。该方法根据负荷发展的时间趋势,利用数据流实时处理技术进行超短期预测,然后结合蕴含天气因素和负荷周期特性作用的短期负荷预测结果,对分割点的实时预测结果进行修正;其快速分段预测能力,避免了重复建模,提高了预测速度;对分割点的实时修正处理有效地增加了历史信息利用率,降低了分割点误差,使预测精度稳定在一个较高的水平。采用实际负荷数据检验该预测模型的有效性,结果表明,基于该模型的预测精度和速度均优于几种常规超短期预测算法,同时降低了拐点预测误差,在天气突变时也具有稳定的适应性。(本文来源于《电网技术》期刊2014年07期）
肖时平[4]（2013）在《基于数据挖掘的短期负荷预测研究与在线程序实现》一文中研究指出电力系统短期负荷预测不仅受到负荷序列自身的影响,而且受到自然因素、日期类型因素、政治因素以及突发事件等非负荷因素的影响。各种非负荷因素具有随机性、复杂性和非线性的特点,导致电力系统中的数据庞大繁杂,这增加了负荷预测的难度,因此选择一种优良数据数理方法显得十分重要。本文采用数据预处理的方法,对数据进行了清理、转换和聚类分析,保证了数据的可靠性和有效性,为负荷预测做好了准备工作。全面考虑了负荷因素与非负荷因素对预测的影响,运用决策树C4.5算法在Weka软件上建立负荷预测模型,通过对江西某市进行实例分析验证,其精度达到了负荷预测的要求。本文从面向对象的观点出发,对短期负荷预测系统的需求和功能进行了分析和设计,在Visual C++6.0平台上开发出了一个相对比较完整的电力短期负荷预测系统。(本文来源于《南昌大学》期刊2013-06-30）
刘思青,魏素琴,杨鹏飞[5]（2011）在《基于短期负荷预测的变压器经济运行在线分析决策系统》一文中研究指出利用变电站SCADA系统的数据资源,根据短期负荷预测曲线,决策系统从全网优化分析的角度,给出全网变压器运行的调整方式,形成预决策方案供调度员参考,安排未来一天的运行方式调整计划,该系统已在某地区电网上线试运行并证明了其实用性。(本文来源于《2011年亚太智能电网与信息工程学术会议论文集》期刊2011-10-01）
刘思青,夏传鲲[6]（2011）在《地区电网在线短期负荷预测》一文中研究指出根据地区电网负荷特点,研究并开发了地区电网在线短期负荷预测模块,该模块采用等权平均组合预测方法(EW方法),将几种预测方法所得预测结果进行加权平均,并提出预测修正系数的思想。在某地区电网的实际运行中表明了该系统的实用性与有效性。(本文来源于《2011年青年通信国际会议论文集》期刊2011-07-22）
蒋强,肖建,王万岗,何都益,蒋伟[7]（2011）在《基于综合自适应滤波器的在线短期负荷预测》一文中研究指出准确地实现小时负荷预测是实施优化控制和动态安全分析的前提。采用嵌入维最小二乘支持向量机(ELS-SVM)的方法进行建模和预测,对影响负荷的因素进行模糊化处理。采用了粒子群(PSO)优化算法解决ELS-SVM学习过程中多参数难以调整的问题。提出分段小批量学习和更新的在线学习方法,既降低了运算量又能有效地避免积累误差,从而提高预测精度。实验结果表明,该方法有效地将预测精度从2.1%提高到了1.29%。(本文来源于《电力系统保护与控制》期刊2011年10期）
殷智[8]（2011）在《基于超短期负荷预测的智能备自投在线投退系统》一文中研究指出随着电力系统的发展和电网规模不断扩大,电网结构日趋复杂。电力系统的调度和控制也变得越来越复杂。传统的按调度员的经验或完全人工干预的调度和控制措施已经不能使电网优质、高效地运行,这就要求电网向智能化方向发展,即智能电网,其特征是信息化、数字化、智能化、互动化,具有自愈的功能。在变电站内配置备自投装置是保证供电可靠性的一种重要方法。与主网不同,呈辐射状的地区电网为了保证供电的可靠性,一般装设许多备用电源自动投入装置(简称备自投,BATS—busbar automatic transfer switch)。备自投作为配电网中广泛应用的二次设备,对于保证地区电网的供电可靠性及安全性起到了十分重要的作用。它能否正确、快速的开合也是电力系统安全运行的一项非常重要的课题。对于备自投的逻辑控制人们已经进行了较为深入的研究,并且取得了可喜的成绩,备自投的可靠性能已经值得肯定。但是,随着电网规模不断扩大,智能电网在我国的发展,对于备自投的投退提出了更高的要求。在现在的地区配电网中,已经能够准确无误的实现备自投的快速动作确保供电,为人民的生活带来了很多积极的影响。然而现在存在这样一种现象很少有人进行研究：备自投动作以后,把负荷转移到备用电源侧,这就有可能造成备用电源侧过载等安全性问题,导致故障的进一步扩大。因此根据本地区电网结构,正常运行方式和用电负荷的特点进行超短期负荷预测,来分析备自投动作后电网的安全性,进而制定出相应的备自投控制策略,实现备自投实时在线投退。本文提出的：基于超短期负荷预测的智能备自投在线投退系统就是在保护电网安全、供电可靠性的基础上进行在线的备自投投退。文中分析了地区电网备自投投退的影响因素及控制策略并且提出在DF8003系统基础上,利用其中的高级应用(PAS)和负荷预测等模块,开发出新的模块——基于超短期负荷预测的智能备自投在线投退系统。DF8003系统采用层次结构,具有强大的扩展、支持系统间开放互联的能力。开发出能够做到预防性的判断、潮流计算、智能备自投集一身的基于超短期负荷预测的智能备自投在线投退系统的模块,并且实现模块与整个系统进行无缝连接。结合山东某地区电网对备自投的应用情况进行了仿真,通过本文提出的方法能够提前判断何时可进行备自投的在线投退。实际运行表明该方法得出的安全分析结果能够较好地符合地区电网运行的实际情况,表明了此方法的有效性和实用性。(本文来源于《山东大学》期刊2011-05-15）
刘耀年,赵明宇,王震宇[9]（2008）在《基于动态神经网络的电力系统短期负荷在线预测研究》一文中研究指出电力系统负荷变化受多方面因素的影响,因此负荷曲线呈现出强烈的非线性。为实现非线性的电力负荷在线预测,应用递推更新的样本数据集训练GRNN,构成动态泛回归神经网络。该网络一旦确定了训练样本,网络结构以及各神经元之间的连接权值也随之确定,网络学习完全依赖于样本数据。动态神经网络训练简洁快速,满足了在线预测的实时性要求,达到了预期的目标。(本文来源于《中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）》期刊2008-10-01）
杜俊红,滕欢,滕福生[10]（2006）在《在线超短期负荷预测的分析与应用研究》一文中研究指出本文建立了基于BP网络的在线超短期负荷预测模型,并将其用于电力系统潮流计算和安全分析中,以分析电网在未来某时刻负荷变化超过一定值后,系统在当前运行方式下和预想运行方式下的安全运行情况,以提高系统的安全稳定性。(本文来源于《2006中国电力系统保护与控制学术研讨会论文集》期刊2006-09-01）
在线超短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：
随着经济迅速地增长,电力负荷也随之有着较大的增长。但是,目前存储电能有限,存储费用非常昂贵,传统的电力调配方式使得用电高峰期时无法正常供应,用电低谷期时存在很大浪费。对于电力负荷需求的增加,构建一个高效、节能、安全和清洁的智能电网已经成为一个共同努力的目标。电力负荷预测是智能电网建设的基本环节之一,精准、时效的负荷预测是智能电网实现节能降耗、调度精细化管理和电网安全预警的基础。在短期电力负荷预测中,本文首次提出多算法多模型与在线第二次学习结合的预测方法。首先利用互信息方法和统计方法对输入变量进行选择,构造数据集;然后通过Bootstrap方法对数据集进行多样性采样,利用多个不同的人工智能算法和机器学习算法训练得到多个差异化较大的预测模型;最后将每个待预测时刻最近一段时间的原特征值、第一次学习生成的多异构预测模型的负荷预测值和负荷实际值构成新训练数据集,对新训练数据集进行在线第二次学习,得到决策模型,从而得到最终预测结果。本文将多算法多模型与在线第二次学习结合的预测方法应用在电力系统城市每日总负荷和每日峰值负荷预测中,通过实验和对比研究探索数据集的选取、多样本集构建、多元非线性异构模型构建、在线第二次学习。对中国广东省广州市近叁年每日总负荷和每日峰值负荷进行预测研究,实验结果为,多算法多模型与在线第二次学习结合的预测方法相比于最优单模型、最优单算法多模型和最优多算法单模型,在每日总负荷预测中,全年MAPE下降了22.61%,10.98%和13.10%,在每日峰值负荷预测中,全年MAPE下降了 15.79%,7.69%和11.77%。实验结果表明,在数据集构造中,通过利用跨界多源数据更好地揭示了负荷变化的内在规律和趋势;在采样空间中,对训练集进行多样性采样,克服了单模型过拟合问题,泛化能力增强;在预测模型构建中,将多个算法优势互补,解决单个算法适用范围受限的问题,并且,并非组合算法数目越多越好,不同算法与数据特征之间具有不同的正负融合效应;在决策模型构建中,采用在线第二次学习方法,解决了电力负荷存在的增长率和近因效应问题。
（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。
在线超短期负荷预测论文参考文献
[1].蒋敏,顾东健,孔军,田易之.基于在线序列极限支持向量回归的短期负荷预测模型[J].电网技术.2018
[2].周末.多算法多模型与在线第二次学习结合的短期负荷预测方法[D].湖南大学.2017
[3].唐聪岚,卢继平,谢应昭,张露.基于改进数据流在线分割的超短期负荷预测[J].电网技术.2014
[4].肖时平.基于数据挖掘的短期负荷预测研究与在线程序实现[D].南昌大学.2013
[5].刘思青,魏素琴,杨鹏飞.基于短期负荷预测的变压器经济运行在线分析决策系统[C].2011年亚太智能电网与信息工程学术会议论文集.2011
[6].刘思青,夏传鲲.地区电网在线短期负荷预测[C].2011年青年通信国际会议论文集.2011
[7].蒋强,肖建,王万岗,何都益,蒋伟.基于综合自适应滤波器的在线短期负荷预测[J].电力系统保护与控制.2011
[8].殷智.基于超短期负荷预测的智能备自投在线投退系统[D].山东大学.2011
[9].刘耀年,赵明宇,王震宇.基于动态神经网络的电力系统短期负荷在线预测研究[C].中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）.2008
[10].杜俊红,滕欢,滕福生.在线超短期负荷预测的分析与应用研究[C].2006中国电力系统保护与控制学术研讨会论文集.2006
论文知识图
