导读:本文包含了日负荷曲线预测论文开题报告文献综述及选题提纲参考文献，主要关键词:用电结构,灰色神经网络,粒子群优化算法,灰色关联度
日负荷曲线预测论文文献综述
王丽,朱文广,杨为群,程虹,肖园[1]（2019）在《基于灰色神经网络与灰色关联度的中长期日负荷曲线预测》一文中研究指出用电结构变化和经济发展会深刻影响中长期的日负荷特性.采用加权平均法确定归一化之后的预测年基准曲线,利用非常适于少数据、多因素预测问题并具有高度非线性拟合特性的灰色神经网络,对中长期日负荷曲线的日特征参数进行预测,其中考虑了经济发展、用电结构的影响;并利用粒子群算法对灰色神经网络的参数进行初始化,以提高网络的全局搜索性能.引入灰色绝对关联度描述曲线的相似特性,基于日负荷特征参数约束,通过所构建的非线性规划模型进行中长期日负荷曲线预测.选用江西电网2006-2015年各季度日负荷数据进行测试,结果表明本方法具有较高的预测精度.(本文来源于《武汉大学学报(工学版)》期刊2019年01期）
覃芳璐,李滨,吴茵[2]（2018）在《基于气象灵敏度分析和特征日修正的短期日负荷曲线预测》一文中研究指出短期负荷预测是电力系统运行的基础工作,准确的负荷预测是系统安全稳定运行的重要保障。随着电力市场的不断扩张,气象敏感负荷在负荷总体中所占比例急剧上升,气象成为电力调度部门在制定运行计划时不可忽略的重要因素。提出了一种基于气象灵敏度分析和特征日修正的短期日负荷曲线预测方法,研究季节性气象与负荷的相关性,提取关键气象因素建立回归拟合模型,通过函数求导法得到负荷与关键气象因子的灵敏度;由气象特征判别函数找到待预测日的气象特征日与趋势特征日,结合日负荷极值预测值计算得预测日负荷曲线。最后通过采用我国南方某地区的负荷实际数据,验证了所提方法的准确性和有效性。(本文来源于《广西电力》期刊2018年03期）
韦亦龙,陈毅波,姚建刚,伍也凡[3]（2017）在《应用电量误差修正的年负荷曲线预测方法》一文中研究指出现有的年负荷曲线预测方法没有充分利用负荷与电量的关联性,预测误差较大。本文提出了一种应用电量误差修正的年负荷曲线预测方法以提高预测精度。首先对预测年8 760 h负荷进行估算,然后运用负反馈原理,以年电量预测值为基准,利用季度电量弹性系数分4个季度对累加电量(整点负荷相加得到的电量估计值)进行有差别修正;最后根据电量的修正比修正全年8 760 h负荷值,取其中365 d日最大负荷值编制年负荷曲线。用该方法对云南省2013年数据进行验算,结果表明该方法能有效提高预测精度。(本文来源于《电力系统及其自动化学报》期刊2017年06期）
李滨,覃芳璐,吴茵,黄佳[4]（2017）在《基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测》一文中研究指出针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。(本文来源于《电工技术学报》期刊2017年09期）
李彦,王颖,廖一鸣,赵文硕[5]（2016）在《MapReduce框架下运用K-modes聚类算法进行日负荷曲线预测》一文中研究指出提出一种MapReduce框架下运用K-modes聚类算法,并基于电力大数据对日负荷曲线进行预测的方法。将预测结果与传统K-modes聚类算法的预测结果进行对比,结果表明:K-modes聚类算法进行分布式处理的方法是可行的,使用这种方法对日负荷曲线进行预测效果更好,提高了预测的精确性,更好地指导电力生产。(本文来源于《计算机与数字工程》期刊2016年02期）
许梁,孙涛,徐箭,孙元章,李子寿[6]（2015）在《基于函数型非参数回归模型的中长期日负荷曲线预测》一文中研究指出提出一种中长期日负荷曲线预测的新方法。该方法首先基于函数型数据分析理论,将日负荷曲线视为函数型数据,通过对历史负荷曲线样本自身规律的挖掘,建立基于历史负荷曲线样本的函数型非参数回归预测模型。在此基础上,通过构建二次规划模型对函数型非参数回归预测模型的预测曲线进行修正,使其满足待预测日负荷特性指标要求。利用某省级电网夏季典型日负荷数据和美国PJM电力公司冬季典型日负荷数据对所提方法进行测试,结果表明该方法具有较高的预测精度。(本文来源于《电力自动化设备》期刊2015年07期）
杨莉,李鹏举[7]（2014）在《基于数据挖掘的日负荷曲线预测与修正》一文中研究指出分析了传统负荷预测方法的缺点,提出了一种基于数据挖掘技术的负荷预测方法.利用决策树算法进行负荷预测,根据预测结果找出负荷不正常点.依靠关联规则算法,对不正常负荷进行修正,从而使预测结果更加精确.(本文来源于《计算机系统应用》期刊2014年12期）
边居政[8]（2013）在《基于改进广义回归神经网络的日负荷曲线预测》一文中研究指出提出了基于改进广义回归神经网络(GRNN)的日负荷曲线预测模型。对GRNN模型的输入元素进行分析筛选,并同时输出一天48点的负荷预测值,在保证预测精度的基础上大大提高了预测速度。采用烟台某变电站实际负荷进行预测分析,结果证明了该方法的有效性。(本文来源于《山东电力技术》期刊2013年06期）
崔小磊,莫娜,辛雷[9]（2011）在《基于单纯形法的中长期典型日负荷曲线预测研究》一文中研究指出针对现有的典型日负荷曲线预测方法的不足,在研究用电结构的基础上,建立了基于单纯型的典型日负荷曲线预测模型,并将预测结果与支持向量机算法的预测结果加以比较。从预测结果对比分析可以看出,起始阶段支持向量机算法比较准确,而末尾阶段单纯形法预测精度相对较高,中间部分相差不大。对于拐点比较大的时刻,预测误差普遍较大。(本文来源于《吉林电力》期刊2011年06期）
蔡国伟,杜毅,李春山,顾晓光,李友[10]（2006）在《基于支持向量机的中长期日负荷曲线预测》一文中研究指出提出了一种预测中长期日负荷曲线的新方法,通过历史典型日负荷数据构造出典型日年度发展时间序列,运用支持向量机方法对预测日各时刻负荷值进行预测并得到了典型日负荷曲线。该方法不需要对日负荷特性、最大负荷及需电量进行预测,因此避免了可能的误差积累问题。以某电网为例对该方法进行了测试,结果表明其具有较高的预测精度。(本文来源于《电网技术》期刊2006年23期）
日负荷曲线预测论文开题报告
（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：
短期负荷预测是电力系统运行的基础工作,准确的负荷预测是系统安全稳定运行的重要保障。随着电力市场的不断扩张,气象敏感负荷在负荷总体中所占比例急剧上升,气象成为电力调度部门在制定运行计划时不可忽略的重要因素。提出了一种基于气象灵敏度分析和特征日修正的短期日负荷曲线预测方法,研究季节性气象与负荷的相关性,提取关键气象因素建立回归拟合模型,通过函数求导法得到负荷与关键气象因子的灵敏度;由气象特征判别函数找到待预测日的气象特征日与趋势特征日,结合日负荷极值预测值计算得预测日负荷曲线。最后通过采用我国南方某地区的负荷实际数据,验证了所提方法的准确性和有效性。
（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。
日负荷曲线预测论文参考文献
[1].王丽,朱文广,杨为群,程虹,肖园.基于灰色神经网络与灰色关联度的中长期日负荷曲线预测[J].武汉大学学报(工学版).2019
[2].覃芳璐,李滨,吴茵.基于气象灵敏度分析和特征日修正的短期日负荷曲线预测[J].广西电力.2018
[3].韦亦龙,陈毅波,姚建刚,伍也凡.应用电量误差修正的年负荷曲线预测方法[J].电力系统及其自动化学报.2017
[4].李滨,覃芳璐,吴茵,黄佳.基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测[J].电工技术学报.2017
[5].李彦,王颖,廖一鸣,赵文硕.MapReduce框架下运用K-modes聚类算法进行日负荷曲线预测[J].计算机与数字工程.2016
[6].许梁,孙涛,徐箭,孙元章,李子寿.基于函数型非参数回归模型的中长期日负荷曲线预测[J].电力自动化设备.2015
[7].杨莉,李鹏举.基于数据挖掘的日负荷曲线预测与修正[J].计算机系统应用.2014
[8].边居政.基于改进广义回归神经网络的日负荷曲线预测[J].山东电力技术.2013
[9].崔小磊,莫娜,辛雷.基于单纯形法的中长期典型日负荷曲线预测研究[J].吉林电力.2011
[10].蔡国伟,杜毅,李春山,顾晓光,李友.基于支持向量机的中长期日负荷曲线预测[J].电网技术.2006