基于极限学习机的短期电力负荷预测-计算机应用技术专业论文.docxVIP

目录 目录 - - PAGE IV - 目 录 摘 要 I Abstract II 目 录 III 第一章 绪论 1 §1.1 电力负荷预测的意义及分类 1 §1.1.1 电力负荷预测的背景及意义 1 §1.1.2 电力负荷预测的分类 1 §1.2 电力负荷预测的特点 2 §1.3 电力负荷预测的研究现状 3 §1.4 本文研究的主要内容及章节安排 7 第二章 极限学习机 8 §2.1 神经网络概述 8 HYPERLINK \l _TOC_250002 §2.2 BP 神经网络 10 HYPERLINK \l _TOC_250001 §2.2.1 BP 神经网络的学习规则 10 HYPERLINK \l _TOC_250000 §2.2.2 BP 神经网络的不足 13 §2.3 极限学习机 13 §2.4 本章小结 16 第三章 基于极限学习机的电力负荷预测 17 §3.1 电力系统短期负荷特性分析 17 §3.1.1 时间因素 17 §3.1.2 天气因素 20 §3.1.3 其它因素 21 §3.2 异常数据的识别和修正方法 21 §3.2.1 异常数据的分类和特性 21 §3.2.2 异常数据的识别和修正 23 §3.2.3 误差指标 24 §3.3 训练样本的构造 25 §3.3.1 日期属性 25 §3.3.2 气象数据 25 §3.3.3 其它属性 26 §3.3.4 历史负荷数据 26 §3.4 基于时间序列编码的相似日选择算法 26 §3.4.1 影响相似日选择的因素 27 §3.4.2 序列编码算法 27 §3.4.3 基于时间序列编码的相似日选择算法 28 §3.4.4 基于极限学习机的电力负荷预测 29 §3.5 实验分析 29 §3.5.1 极限学习机的逼近拟合性能 30 §3.5.2 极限学习机的适应性 31 §3.5.3 相似日选择方法的有效性 33 §3.5.4 激励函数的选择 34 §3.5.5 预测模型的比较 34 §3.6 本章小结 35 第四章 基于 Adaboost 的 ELM 电力负荷预测 36 §4.1 集成学习 36 §4.1.1 集成学习的起源 36 §4.1.2 集成学习的构成 37 §4.1.3 集成学习的作用 37 §4.1.4 Adaboost 算法 38 §4.2 遗传算法 39 §4.2.1 遗传算法的特点 39 §4.2.2 遗传算法实现的技术问题 40 §4.2.3 遗传算法的流程 42 §4.3 基于 Adaboost 和 GA 的 ELM 电力负荷预测 43 §4.4 实验分析 44 §4.4.1 Adaboost 算法的逼近拟合性能 44 §4.4.2 Adaboost 算法的适应性 45 §4.4.3 预测模型的比较 47 §4.4.4 预测模型的时间复杂度 49 §4.5 本章小结 50 第五章 总结与展望 51 §5.1 论文主要工作及成果 51 §5.2 后期工作及展望 51 参考文献 53 致 谢 57 作者在攻读硕士期间的主要研究成果 58 第一章 第一章 绪论 - - 第一章 绪论 保证不同种类的客户可以连续的使用高质量的电能是电力系统的最终目标。该系 统由实现电能生产、输送、分配以及消费的各种设备组成。但是，由于电力的生产与 使用具有其特殊性，系统发电需要维持一个动态的平衡。要使其能够紧随系统负荷的 变化作出相应的供电调整，不然将会破坏电力系统的稳定性。因此，人们开始对电力 负荷预测进行深入的探索。 §1.1 电力负荷预测的意义及分类 §1.1.1 电力负荷预测的背景及意义 短期电力负荷预测是电力系统的重要内容之一，对社会经济的发展具有极其深远 的意义，能有效提高电力系统的社会效益以及经济效益[1-2]。关键体现在以下几点： (1) 合理的安排生产计划。为了保证电力系统能够稳定的运行，所有的供电以及 发电装置必须按照一定的周期进行维护。如果能够做到精准的预测，那么维修部门必 须有计划的对所有的设施进行维护和更换，发电部门就可以合理的安排原材料的采购 以及配置计划。 (2) 合理的安排实时调度。如果能够做到精准的负荷预测，那么工作人员就可以 知道将来一段时间内的负荷需求量，以便进行准确的调度。 (3) 经济调度的根本保证。如果电力负荷的预测精度高，那么它对电力系统做出 的贡献就非常显著。电力部门就能够做到最经济合理的分配各种设备的运行时间，进 而可以做到最大限度的降低发电的成本。 综上所述，短期电力负荷预测对电力系统的贡献是非常巨大的。如何能够提高电 力负荷预测的精度，是未来工作的重点。 §1.1.2 电力负荷预测的分类 电力负荷包括农村负荷、城市民用负荷以及商业负荷等。其中，农村负荷包括生