导读:本文包含了负荷预测方法论文开题报告文献综述及选题提纲参考文献，主要关键词:短期负荷预测,卷积神经网络,门控循环单元,注意力机制
负荷预测方法论文文献综述
赵兵,王增平,纪维佳,高欣,李晓兵[1]（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）
陈奇芳,夏明超,郭敏,刘文霞,曾爽[2]（2019）在《基于数据特征挖掘的电采暖小区短期负荷预测方法》一文中研究指出由于电采暖负荷随机波动性强,且功率比重较大,从而导致电采暖小区负荷较频繁地大范围波动,基于常规时间序列的短期负荷预测模型缺乏对波动特性的捕捉能力。针对该问题,充分分析了电采暖小区负荷的波动特征,提出了一种基于历史数据特征挖掘的指标集模型和指标计算方法,用于从历史负荷数据中充分挖掘电采暖负荷的特点,形成历史数据特征集。然后,以历史数据特征集构建训练样本,提出了基于核函数极限学习机(kernel extreme learning machine,KELM)的电采暖小区负荷预测模型。最后,基于实际历史数据进行模型性能验证,结果表明所提的特征指标集模型能够有效挖掘历史数据特征,有利于提高短期负荷预测模型的精度。(本文来源于《供用电》期刊2019年12期）
蔡舒毅[3]（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）
吴茵,莫东,李秋文,张德亮,黄红伟[4]（2019）在《基于分类波动性统计的短期负荷改进区间预测方法》一文中研究指出为支撑电力现货市场下实时交易与安全校核的需要,提出了一种基于分类波动性统计的短期负荷区间预测方法。首先,介绍了传统的负荷波动性统计分析及区间预测限值计算方法,通过将负荷历史数据标幺化处理,绘制负荷波动性分布直方图,计算在给定精度下的区间限值;接着结合我国实际,从居民、商业、工业叁类用户出发,分别讨论不同类型用户负荷的波动性特点,在此基础上汇总形成全网负荷区间预测的上、下限值,实现对全网负荷的区间预测。最后基于某省实际数据构造的算例表明,通过深入分析不同类型负荷的波动性,本文所提出的方法能实现预测准确性和区间宽度的整体最优,在保证相同的预测精度的前提下,减少区间宽度,提高负荷区间预测结果的实用性。(本文来源于《电力大数据》期刊2019年11期）
王鑫琪,李闯,焦晗,李焱飞[5]（2019）在《基于长短时记忆网络的电力系统负荷预测方法研究》一文中研究指出准确的负荷预测对保持电网的稳定性和提高当地经济效益、节约成本有重大帮助。考虑到负荷数据带有时序性,以及智能电网的发展所带来的数据量的增大,建立了长短时记忆网络(LSTM)模型来对未来用电量进行短期负荷预测。针对Adam训练算法可能存在的收敛问题,对其进行了改进,并通过MATLAB软件对LSTM网络进行建模,通过与BP神经网络进行对比,结果表明,LSTM模型具有更高的精确度以及实用性。(本文来源于《电工电气》期刊2019年11期）
樊敏,杨丽敏[6]（2019）在《基于气象预报对供热负荷预测分析热网调节的方法》一文中研究指出分析太原市2018-2019采暖季气象预报与热负荷之间的相关性,结果表明:当日室外温度低于0℃的天数占总供暖季的54%,供热热负荷和当日室外温度呈线性负相关;风速修正热负荷系数分布集中于3.38%～6%之间考虑风速修正后过供热天数为43天,但是过供热量占比由10.4%降低至5.94%;严寒期,早晚室外温差变化小,通过有序切换调整热网系统,快速实现了热网系统的热量供需平衡,节能稳定地保证了日供热负荷;预报室温与实际室温偏差大,全网平衡自控系统流量分配平衡易被打破,调度人员需要及时调整供热首站要求供温、大温差机组的投运情况及全网平衡软件的投运及退出。(本文来源于《区域供热》期刊2019年05期）
范成,叶曈曈,王家远,刘易[7]（2019）在《基于可解读机器学习的建筑冷负荷预测模型评估方法》一文中研究指出近年来,建筑自动化系统(BAS)在现代建筑中广泛安装运用。BAS能够对建筑系统进行自动监测及实时控制,同时存储着海量的建筑能耗监测数据。通过使用数据挖掘技术,可以从这些海量数据中提取出有价值的信息,进而运用到建筑能耗分析、能耗与负荷预测、故障诊断、优化控制等多个方面。监督类数据挖掘技术能够很好地提高能耗预测的精度,但由于构建的预测模型多为黑箱模型,其预测逻辑并不能被轻松地解读,这也是限制高精度黑箱预测模型实用性的根本原因。针对这一问题,发展了一套基于可解读机器学习概念的预测模型评估方法。研究首先运用机器学习算法对建筑冷负荷进行高精度建模,其次通过构建局部线性解释模型对预测个体进行解读,同时基于局部解释模型的参数建立了一种信任指数,用于评价复杂黑箱模型的实际表现。本研究的成果可以帮助建筑运维人员更加全面和快速地了解复杂黑箱模型的预测逻辑,同时可以为模型评估提供一种新型指标,有利于提升复杂模型在决策过程中的实际效用。(本文来源于《建筑节能》期刊2019年10期）
熊图,赵宏伟,陈明辉,蔡智洋,陈艳伟[8]（2019）在《基于特征排序与深度学习的母线负荷预测方法》一文中研究指出负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求,母线负荷预测是解决这一问题的关键途径。文章提出了基于特征排序与深度学习的母线负荷预测模型。首先,针对各区域母线负荷差异性较大的现状,使用随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性;其次,在模型训练阶段选择了深度置信网络,学习并跟踪母线负荷变化趋势;最后,采用北京电网某条110 kV母线负荷进行实例验证。结果表明,文章所建立的预测模型具有良好的预测精度和稳定度。(本文来源于《可再生能源》期刊2019年10期）
李刚,邹波[9]（2019）在《改进随机森林的电力负荷预测方法》一文中研究指出精确的电力负荷预测是电力分配设备与配电网设计的关键。针对目前电力负荷预测精度低、模型训练慢的问题,提出了一种基于改进随机森林的并行化电力负荷预测方法。该方法首先利用灰色关联投影衡量历史样本属性与待预测日属性之间的相似性,构建相似历史样本数据集。然后基于遗传算法对随机森林的决策树进行进化搜索,提高集成预测精度。最后通过Hadoop分布式集群实现了电力负荷预测的并行化,提升了预测效率。实验结果表明,相比其它预测方法,该方法电力负荷预测值与负荷真实值之间的拟合度最高,且并行化能够降低预测时间消耗。(本文来源于《机械设计与制造》期刊2019年10期）
徐先峰,龚美,黄刘洋[10]（2019）在《利用温度信息及深度学习方法实现高精度电力负荷预测》一文中研究指出负荷预测是电力系统规划的重要组成部分,直接影响着电网运行的安全性及可靠性,实时高精度的负荷预测结果更是提高整个电网运行效率的关键。为了解决现存算法预测精度低的问题,在深入分析了温度与用电量强相关性的基础上,构建了长短时记忆深度学习网络(LSTM),执行历史用电数据特点的深度挖掘及用电量与温度相关性的深度自学习,实现了电力负荷预测。与传统负荷预测技术相比,预测精度显着提高。基于谷歌Tensorflow平台进一步研究了不同激活函数组合对于所提算法预测性能的影响。仿真结果表明,使用ELU激活函数比使用其他常用激活函数预测精度更高,有效解决了当前预测算法普遍存在的精度低问题。(本文来源于《物联网技术》期刊2019年09期）
负荷预测方法论文开题报告
（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：
由于电采暖负荷随机波动性强,且功率比重较大,从而导致电采暖小区负荷较频繁地大范围波动,基于常规时间序列的短期负荷预测模型缺乏对波动特性的捕捉能力。针对该问题,充分分析了电采暖小区负荷的波动特征,提出了一种基于历史数据特征挖掘的指标集模型和指标计算方法,用于从历史负荷数据中充分挖掘电采暖负荷的特点,形成历史数据特征集。然后,以历史数据特征集构建训练样本,提出了基于核函数极限学习机(kernel extreme learning machine,KELM)的电采暖小区负荷预测模型。最后,基于实际历史数据进行模型性能验证,结果表明所提的特征指标集模型能够有效挖掘历史数据特征,有利于提高短期负荷预测模型的精度。
（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。
负荷预测方法论文参考文献
[1].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
[2].陈奇芳,夏明超,郭敏,刘文霞,曾爽.基于数据特征挖掘的电采暖小区短期负荷预测方法[J].供用电.2019
[3].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
[4].吴茵,莫东,李秋文,张德亮,黄红伟.基于分类波动性统计的短期负荷改进区间预测方法[J].电力大数据.2019
[5].王鑫琪,李闯,焦晗,李焱飞.基于长短时记忆网络的电力系统负荷预测方法研究[J].电工电气.2019
[6].樊敏,杨丽敏.基于气象预报对供热负荷预测分析热网调节的方法[J].区域供热.2019
[7].范成,叶曈曈,王家远,刘易.基于可解读机器学习的建筑冷负荷预测模型评估方法[J].建筑节能.2019
[8].熊图,赵宏伟,陈明辉,蔡智洋,陈艳伟.基于特征排序与深度学习的母线负荷预测方法[J].可再生能源.2019
[9].李刚,邹波.改进随机森林的电力负荷预测方法[J].机械设计与制造.2019
[10].徐先峰,龚美,黄刘洋.利用温度信息及深度学习方法实现高精度电力负荷预测[J].物联网技术.2019