一、基于MATLAB神经网络工具箱的电力系统负荷预报（论文文献综述）
徐宇颂[1]（2021）在《基于SVR组合模型的短期电力负荷预测研究》文中认为短期电力负荷预测是电力系统运行和控制工作中的重要一环,现代社会已经越来越无法脱离电能。准确的短期电力负荷预测报告可以指导电网单位协调发电量与负荷消耗的关系,保证居民、企业可以正常安全用电。随着电力事业的蓬勃发展,短期电力负荷预测的准确性要求在一步步提高,与过去相比,电力负荷变化规律也越来越复杂。如何利用先进技术提升短期电力负荷预测的准确性,是目前电力相关行业的热门研究方向。提出了一种基于支持向量回归（Support Vector Regression,SVR）组合模型的短期电力负荷预测方法,重点解决以往负荷预测方法中不够重视的两个方面:（1）特征选择。提出了分类特征选择法。首先将训练样本中的特征变量按各自特点分为两类;然后分别使用斯皮尔曼相关系数、最大相关最小冗余（Max-Relevance and MinRedundancy,m RMR）算法进行类内选择;最后依据贝叶斯信息量准则（Bayesian Information Criterion,BIC）确定综合特征集合的最优维度。该方法能够降低特征变量之间的冗余度,确定合适的特征变量个数,保证模型预测性能的同时不至于让模型过于复杂。（2）模型组合。分别构建了递归支持向量回归（Recursive-Support Vector Regression,RSVR）负荷预测模型和门控循环单元神经网络（Gated Recurrent Unit Networks,GRU）负荷预测模型。其中,RSVR是SVR的改进模型——引入前一时刻的历史负荷数据来缓解传统SVR模型对时序数据敏感度弱的问题;GRU是热门的循环神经网络模型。使用结合相似日算法的广义回归神经网络（General Regression Neural Network,GRNN）组合模型预测方法将两个单一预测模型组合在一起。相似日算法可以减少构建GRNN模型所需的训练样本个数,提高样本数据质量;GRNN模型不仅具有神经网络共有的自学习能力,还具有明确的理论基础,适合作为组合模型。该组合模型预测方法使单一预测模型的组合方式更加逼近最优。实验采用了新加坡2019年4月至12月的电力负荷数据,并使用平均绝对百分误差（Mean Absolute Percentage Error,MAPE）和均方根误差（Root Mean Squared Error,RMSE）作为实例仿真的评价标准。通过实验证明,提出的组合模型预测方法相比于单一预测模型和其他组合模型预测方法,具有较高的预测精度。除此之外,设计并实现了一个电力负荷预测可视化系统。该系统基于Java Script开发,采用浏览器/服务器架构,使用Mongo DB数据库,系统中的负荷预测结果由提出的组合模型预测方法得出。该可视化系统能够对历史日数据、异常数据、相似日数据、负荷预测结果及预测误差等数据进行较好的可视化展示,方便各类用户根据需求开展分析与研究工作。
张自建[2]（2021）在《水轮机调速系统参数辨识与控制方法研究》文中研究说明水轮机调速系统在水电机组中承担着调节频率、维持水电机组输出功率与负荷功率平衡的重要作用,其调节性能对水电机组的稳定、高效运行具有十分显着的影响。然而水轮机调速系统是一个复杂的控制系统,系统内含有大量的非线性因素,其精确模型难以描述,尤其是水轮机内部水流流场复杂,无法建立解析的数学模型。相关研究多采用简化的线性模型,难以反映水轮机调速系统的真实运行特性,也限制了其控制方法的研究。为此,有必要研究水轮机调速系统的辨识方法,建立精确的系统模型,并进一步研究先进的控制方法。本文在深入研究水轮机调速系统非线性模型建模分析的基础上,采用参数辨识思路,结合多种群遗传算法对水轮机调速系统的系统参数进行辨识;以PID参数优化作为控制方法研究重点,引入MaxLIPO+TR参数优化算法,提高水轮机调速系统控制性能。本文主要研究内容如下:（1）针对水轮机调速系统参数辨识与控制方法研究的系统模型需求,对水轮机调速系统的工作原理进行分析,并对水轮机调速器、电液随动系统、压力引水系统、水轮机和发电机与负荷等模块进行了建模分析。针对水轮机模型难以描述的问题,采用神经网络模型描述其单位力矩、单位流量特性,并结合相关机理建立水轮机非线性模型。最终完成水轮机调速系统综合模型的建立,并在SIMULINK平台建立对应的仿真模型。（2）针对水轮机调速系统非线性模型参数辨识,采用多种群遗传算法,构建基于多种群遗传算法的参数辨识结构,通过构建适应度函数,将参数辨识问题转换为针对适应度函数的优化问题。通过仿真对比实验以及优化过程分析,验证了多种群遗传算法在水轮机调速系统参数辨识中的有效性。（3）引入MaxLIPO+TR作为水轮机调速系统PID参数优化算法,搭建了基于MaxLIPO+TR的PID参数优化结构。针对ITAE指标无法完全反映PID参数调节性能的问题,采用添加惩罚项的综合ITAE指标作为目标函数。通过仿真对比实验发现,MaxLIPO+TR能够在较短的时间内完成PID参数优化工作,且取得的优化效果良好。
马得银[3]（2021）在《基于预测控制的可再生能源冷热电联供系统运行优化研究》文中研究说明过去的几十年间,随着全球经济的迅速发展,能源的消耗日益加剧。传统非可再生能源逐渐枯竭,给社会的科技和经济的进一步发展带来了巨大的压力。大力发展可再生能源系统成为了应对能源危机的必然途径。其中,包含可再生能源的冷热电联供系统（RES-CCHP）可以通过能量梯级利用实现较高的能源利用率并对冷热电多种负荷进行持续供应,已成为提高能源利用率和减少温室气体排放的重要方案。在对RES-CCHP系统的研究中,由于系统中设备种类繁杂并且存在多种能量流动,这导致对系统的研究较为困难。并且系统对应的可再生能源与冷热电负荷存在较大的随机性往往会影响对其预测的准确度,使系统优化后的设备出力计划与实际需求间存在较大偏差,导致系统运行效率低、经济差等问题。针对以上问题,本文主要研究内容如下:首先,本文对RES-CCHP系统的结构与各设备模型进行合理分析,建立了发电机组、吸收式制冷机与锅炉等设备数学模型。在此基础上,对RES-CCHP系统中冷热电三种能量流动进行详细分析,并建立能量平衡约束,为运行优化奠定了基础。其次,提出了一种基于预测控制的RES-CCHP系统区间优化方法。结合历史数据和气象数据,利用遗传算法优化BP神经网络（GA-BP）的预测方法,预测可再生能源和冷热电负荷。根据源、荷预测数据,采用区间优化方法,以提高系统运行经济性。之后利用反馈校正在线补偿预测误差,减少了预测误差和区间宽度,有效提高区间优化方法寻找最优解的性能。该方法可适用于多种场所,例如住宅区、学校、医院等。本研究以医院为例,将所提出的方法与以电定热和以热定电两种传统优化模式进行比较,分析结果发现本研究方法的成本相比于后两者分别降低了 16.21%和16.92%。最后,开发了 RES-CCHP系统预测与优化平台。此平台包括数据采集、源荷预测与系统优化功能。利用Lab VIEW与Microsoft Office Access数据库,实现天气与可再生能源数据实时监控与存储;在此基础上利用神经网络预测源荷数据;结合预测数据完成对系统各设备出力计划的优化。该平台的实现与应用将多种复杂功能融为一体,降低了 RES-CCHP系统的优化难度,完善了系统运行机制,最终提高了系统经济性。
马贺[4]（2020）在《电网短期负荷预测平台开发与应用》文中提出电网短期负荷预测对科学安排发电厂发电出力,保证供需平衡,保障电力系统的安全稳定运行具有重要意义。提高预测准确率和工作效率,是电网企业非常迫切的一项工作。在保障数据信息安全的前提下,应用大数据等新技术、新方法,开发应用电网短期负荷预测平台势在必行。本文主要内容包括:1.叙述了电网短期负荷预测的基本方法。包括常用的负荷预测方法和实现步骤,点对点倍比法、倍比平滑法、重叠曲线法等基于同类型日的“正常日”负荷预测方法。考虑气温、节假日因素对负荷的影响,对人工神经网络、混沌理论等方法原理和具体实施步骤分别进行分析阐述。在此基础上,对深度学习方法中的卷积神经网络结构进行描述,并给出其在Matlab中实现方法。2.结合电力大数据的挖掘和应用的新趋势,探索大数据技术在电网短期负荷预测中的应用。在分析MapReduce数据处理逻辑的基础上,提出一种基于Hadoop的分时分布式短期负荷预测方法。利用Hadoop大数据架构,搭建基于大数据的负荷预测模型,以地市公司为主节点开展主导因素辨识,以各县公司为从节点,通过用K-means聚类建立负荷模式库,采用随机森林算法进行模式匹配,就地开展负荷预测,再通过MapReduce流程进行数据集中,实现了分时分布式负荷预测。3.从地市供电公司调控部门开展负荷预测的实际需求出发,开发了电网短期负荷预测平台。为保障数据在传递过程中的信息安全,提出了采用适用于大数据、云计算的Paillier同态加密算法对电网负荷数据进行隐私保护。在此基础上,将各种常用负荷预测方法、负荷曲线的分析在平台中实现。平台采用Visual C++面向对象的编程语言开发,数据的存储访问依托SQL Server数据库,预测算法的实现借助Matlab软件,通过采用VC与SQL Server、Matlab的接口技术,实现各种功能对用户的呈现。建立了简洁、实用、友好的操作界面,实现日常负荷预测各项功能在系统的集成,并对平台的结构、功能进行了详细分析。综上所述,基于Hadoop大数据架构开展分时分布式短期负荷预测,考虑各地区特征因素差异,可有效提高负荷预测准确率;利用Paillier同态加密算法对电网负荷数据进行隐私保护,有效保障大数据、云计算框架下的负荷预测的数据信息安全;开发应用电网短期负荷预测平台,建立友好的负荷预测和负荷曲线分析界面,实现对电网短期负荷精准、高效预测。
杨盼[5]（2020）在《电力线路短期负荷预测系统设计及实现》文中提出电力负荷预测,有助于电力部门合理安排电能生产计划,帮助电力部门规划电网发展。但是,在部分欠发达地区,短期负荷预测基本要靠经验评估,预测手段少,预测方法不科学,使得预测结果不太理想,给电力工作造成巨大障碍,不太适应于地区各类发展计划的需求。为弥补该类地区负荷预测手段的不足,论文立足于实际生产环境,搜集了大量电力线路在运行过程中产生的历史负荷数据,通过研究大量文献,对电力线路短期负荷预测的各种算法进行分析研究,将预测算法的功能特点和实际环境进行适应性分析,最终选择了适用于时间序列数据分析处理并具备延时反馈的Elman神经网络算法作为本文的预测基础算法,同时,结合数据分析方法研究出一种训练数据组构建方法,克服历史数据类型单一的缺陷,提高算法模型的预测精度。在算法研究的基础上,论文基于MATLAB软件所提供的UI图形界面设计功能,进行预测系统的用户界面设计,并通过MATLAB具有的软件设计功能完成了预测系统的功能实现,最后利用Microsoft Visual Studio 2010和MATLAB联合编译完成电力线路负荷预测系统的设计和实现,大大提高了系统开发效率,缩减了系统研发周期。为验证系统的适用性,还利用不同变电站的历史数据对系统的功能性和适用性进行了大量的数据验证,最终确认预测系统满足目标环境需求。
莫华朝[6]（2020）在《10kV馈线短期负荷预测方法研究与应用》文中研究指明电力系统负荷是一个动态变化过程,它受地区经济发展、政治因素、自然条件等因素影响,因此,如何利用历史负荷数据以及收集其他历史影响因素,建立合适的短期负荷预测模型,进行快速、高精度地预测未来某一段时间的负荷值,成为了维持电力系统安全运行、电力市场供求平衡的关键点。短期负荷预测是指预测未来一天至一周的负荷值,对供电质量及可靠性的稳定提高具有十分重大的指导意义,同时是缩小负荷预测差额、减少运行成本以及利润损失的前提,因此,不断探索研究先进迅速有效的短期负荷预测方法显得日趋重要。本文首先介绍了国内外常见的趋势外推法、时间序列法、灰色模型、专家系统、神经网络、小波分析等负荷预测算法模型,然后选择了神经网络算法进行研究分析,详尽介绍了BP网络与Elman网络算法网络结构与基本原理,利用广州市番禺区某变电站10k V馈线的历史负荷数据,首先进行历史数据的前期的预处理,避免由于异常数据影响预测效果。同时通过对历史数据的负荷特性分析和相关性分析,研究剖析气温、日类型因素对10k V馈线负荷的影响。本文选择MATLAB软件进行算法编程,通过调用神经网络工具箱函数,分别建立BP网络与Elman网络模型并训练,并利用验证样本与仿真预测结果对比分析,根据仿真结果分析可知本文所采用神经网络负荷预测模型的合理性。另外根据利用不同神经网络算法的短期负荷预测结果在误差和收敛速度方面进行比较分析,表明在电力负荷短期预测的应用方面,Elman神经网络算法比BP神经网络算法具有更优预测性能。为了进一步提高预测精度,本文采取从Elman网络算法的激励函数和网络结构上进行改进完善,从而在短期负荷预测方面获取更优的效果表现。本文最后根据短期负荷预测模型的应用情况,总结提出相关问题难点和个人改进的方向见解。
程超[7]（2020）在《基于遗传算法改进BP神经网络电力系统负荷短期预测研究》文中研究说明电力系统短期负荷预测是保障电力系统高效运行的重要工作之一,对电力系统的稳定、经济、和安全运行起着关键性的作用。对于负荷预测的精度问题,在电力系统中有着非常重大的意义,是保证电力系统合理调度的基础,电力负荷的高精度预测是学者们关注的重点方向之一。鉴于此,本文在分析电力负荷短期预测需求的基础上,对BP神经网络预测算法的原理与关键技术进行了总结,建立了一个考虑日气象特征的BP神经网络的电力系统短期负荷预测模型,并分别对隐含层个数为10、20、30的BP神经网络模型进行了预测结果分析和误差分析。此外,针对BP神经网络模型训练过程中的权重和阈值初始化而产生的精度不足,采用遗传算法对BP神经网络算法进行改进,然后建立了考虑日气象特征的以及遗传算法改进的BP神经网络电力负荷短期预测模型。针对构建的模型,以11月份芜湖市某个区为样本对模型进行了训练,对11月21日的日负荷进行了预测结果分析和误差分析,得出的主要结论如下:（1）建立了一个考虑日气象特征的BP神经网络电力系统短期负荷预测模型,应用BP神经网络对电力系统短期负荷预测进行了实例分析,通过对BP神经网络模型进行了应用分析,结果表明所构建的BP神经网络模型具有最好的预测性能,其绝对误差均低于2%,且随着时间增加,其预测结果呈现降低的趋势,满足电力系统电力负荷预测误差3%的要求,并且效果较好。然而,BP神经网络模型在进行电力负荷预测时,虽能取得较好的预测效果,但存在一定程度的局部过优化问题。（2）不同的隐含层个数对BP神经网络模型的在电力负荷的短期预测影响显着,隐含层个数为20的BP神经网络模型预测效果最差,但计算效率最高,其计算步长为5991时就达到了目标计算误差;而隐含层个数为10的BP神经网络仿真效果最好,具有最好的预测性能,及预测值较好地仿真出实际值,同时相对误差和绝对误差均最小。（3）在建模中对隐含层的确定进行了对比分析,发现BP神经网络模型中隐含层并不是越多其预测结果越好,在一定范围内增加隐含层有利于减少训练速度和减少不长,但预测精度却达不到要求。而隐含层个数为10时BP神经网络模型具有最好的预测性能,及预测值较好地仿真出实际值,同时相对误差和绝对误差均最小,且随着时间与训练步长的增加,其预测结果呈现逐步好转的趋势。其预测值更符合实际情况。（4）应用遗传算法对BP神经网络进行优化,然后建立了考虑日气象特征的基于遗传算法改进的BP神经网络预测模型。并以11月份芜湖市某个区为样本对模型进行了训练,对11月21日的日负荷进行了预测分析,采用遗传算法优化BP神经网络模型有效的提高了神经网络模型电力负荷预测的精度,这种改进无论是从个别时刻还是从整体上来看,都取得了非常好的预测效果,这表明采用遗传算法不仅能有效的改进BP神经网络模型预测的不足之处,也同时能有效的提高BP神经网络模型在电力负荷预测的应用价值。结果证实。通过遗传算法改进神经网络在预测精度上有了很大的提高。
钱忆钊[8]（2019）在《基于深度学习神经网络的电力负荷预测问题研究》文中提出进入21世纪,随着全球经济和现代工业化的持续发展,电能因其便于传输和转换、应用广泛的巨大优势,成为全世界最重要能源利用形式,如今的社会生活早已和电密不可分,息息相关。本论文主要研究电力负荷的预测,该课题是电网中电能管理的重要参考依据。高精度的电力负荷预测,具有高效利用电能、降低运行成本、准确反映各地用电规律、优化用电市场环境、保证用电稳定性、减少停电损失等诸多好处,在经济和安全方面价值巨大。电力系统负荷预测在我国社会生产与经济发展中发挥着举足轻重的作用,因而,探寻更高质量更高精度电力负荷预测技术的课题变得日趋迫切和重要。首先本文在MATLAB的平台上构建了基于ELMAN神经网络的电力负荷预测模型。ELMAN神经网络是一种应用较为广泛的反馈型神经网络模型,该模型利用延时算子实现局部自循环,使内部反馈网络具备动态信息的处理能力,能较好地自适应上一步的历史数据。实验采用的是全球电力负荷预测竞赛的样本数据。实验具体分两部分:（1）在连续几年的跨度上对重点月份重点时段的电力数据进行训练学习,预测的准确率能达到很高的水平（误差率在4%以内）;（2）对全时段一整年的电力数据进行训练学习,预测准确率有所下滑,但误差仍然能在7%以内。实验可得:ELMAN型模型在短期电力负荷的预测是比较准确的,比较适合处理时序性特征明显的电力负荷预测问题。其次,本文在Tensorflow框架下构建了基于LSTM（Long shortterm memory,长短期记忆网络）电力负荷预测模型。首先选取全球电力负荷预测竞赛数据中的时间、电力负荷和气温数据,然后预处理及整形后分成训练集和测试集,最后按数据集大小不同和隐藏层数的不同设计三组实验依次导入LSTM模型进行训练和预测。实验表明:该模型预测误差率达到2%。最后,以电力负荷预测精度的高低作为标准来横向对比上述两种模型,可以发现LSTM模型在训练和预测的准确度上都有明显的的优势,值得今后深入研究。
傅尧[9]（2019）在《风力发电短期功率预测方法研究》文中研究说明风力发电作为清洁、高效的可再生能源,大力发展风力发电可有效缓解能源枯竭和环境污染等问题,但由于风电出力具有随机性、波动性和间歇性,其预测精度较负荷预测精度,大规模风电场并网会给系统安全运行带来诸多不良影响。为此,本文围绕短期风电功率预测问题展开研究,主要研究内容如下:（1）风电场历史数据的预处理,将弃风数据和无效数据从历史时间序列中剔除,而后采用模糊推理对缺失的数据补齐;采用皮尔森积矩相关系数分析气象因素（风速、气压、风向、温度、湿度）与风电功率的相关性,筛选出风速和风向作为影响风电功率的主导因素,为风电功率预测研究奠定基础。（2）采用数值天气预报和时间序列两种方法对风速和风向进行预测。使用数值天气预报提供的气象数据时,需要对风速数据进行修正,本文采用BP神经网络对数值天气预报提供的气象信息进行修正。采用时间序列法对风速和风向数据进行预测时,首先需要分析风速和风向时间序列的平稳性,进而采用时间序列法ARIMA模型对风速和风向数据进行预测。（3）考虑风速和风向对风电功率的影响程度不同,采用分级聚类的思想,应用模糊C均值聚类算法对风电场历史数据、基于时间序列和修正数据天气预报所获得的风速和风向数据进行聚类计算,并对历史数据的各类别分别训练神经网络,将基于时间序列和修正数据天气预报聚类结果与历史数据聚类结果进行匹配,并将两种不同预测方法得到的风速和风向数据带入相应的神经网络中,对风电功率进行预测。最后以辽宁省某风电场的运行数据为分析对象,并比较两种不同方法的预测误差。仿真结果表明,与基于时间序列的功率预测结果相比,基于修正数值天气预报的功率预测结果与风电场实际出力结果更加贴近。
万石林[10]（2018）在《基于天气数据模糊化处理的神经网络短期负荷预测》文中提出电力系统负荷预测对电力系统的运行、控制和计划都有着非常重要的影响,提高电力系统负荷预测的准确度既能增强电力系统运行的安全性,又能改善电力系统运行的经济性,但负荷预测的复杂性、不确定性使传统的基于解析模型和数值算法的模型难以获得精确的预测负荷。为提高电力系统短期负荷预测准确度,本文构建了一种负荷预测模型,并给出了BP神经网络的构造过程和训练方法。在BP网络中不仅加入了动量项和变步长法,而且在模型中合理地考虑了影响负荷变化的主要气象因素,使其能够适应天气的变化。
二、基于MATLAB神经网络工具箱的电力系统负荷预报（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、基于MATLAB神经网络工具箱的电力系统负荷预报（论文提纲范文）
（1）基于SVR组合模型的短期电力负荷预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文主要工作及创新点 |
| 1.4 本文章节安排 |
| 第二章 数据预处理和特征选择方法 |
| 2.1 数据预处理 |
| 2.1.1 异常数据处理 |
| 2.1.2 缺失数据处理 |
| 2.1.3 数据映射 |
| 2.1.4 数据归一化 |
| 2.2 特征选择方法 |
| 2.2.1 斯皮尔曼相关系数 |
| 2.2.2 mRMR算法 |
| 2.2.3 模型维度选择准则 |
| 2.2.4 分类特征选择法的提出 |
| 2.3 仿真实验及分析 |
| 2.3.1 数据展示与分析 |
| 2.3.2 数据预处理实验与分析 |
| 2.3.3 分类特征选择法实验与分析 |
| 2.4 本章小结 |
| 第三章 基于机器学习的短期电力负荷预测模型 |
| 3.1 RSVR模型 |
| 3.1.1 传统SVR模型 |
| 3.1.2 RSVR负荷预测模型构建 |
| 3.1.3 模型参数寻优 |
| 3.2 GRU模型 |
| 3.2.1 RNN模型 |
| 3.2.2 LSTM模型 |
| 3.2.3 GRU负荷预测模型构建 |
| 3.3 仿真实验及分析 |
| 3.3.1 误差评价标准 |
| 3.3.2 RSVR负荷预测模型实验与分析 |
| 3.3.3 GRU负荷预测模型实验与分析 |
| 3.3.4 并行计算实验时长对比分析 |
| 3.4 本章小结 |
| 第四章 组合模型的短期电力负荷预测方法 |
| 4.1 相似日算法 |
| 4.2 GRNN模型 |
| 4.2.1 基本原理 |
| 4.2.2 基本结构 |
| 4.3 组合模型预测方法构建 |
| 4.4 整体算法框架 |
| 4.5 仿真实验及分析 |
| 4.5.1 相似日算法实验结果 |
| 4.5.2 组合模型预测方法实验与分析 |
| 4.6 本章小结 |
| 第五章 电力负荷预测可视化系统 |
| 5.1 系统综述 |
| 5.1.1 系统概述 |
| 5.1.2 总体架构 |
| 5.1.3 开发环境 |
| 5.2 系统设计 |
| 5.2.1 数据库的设计 |
| 5.2.2 功能结构设计 |
| 5.3 系统实现与测试 |
| 5.3.1 系统配置与实现 |
| 5.3.2 系统实机测试 |
| 5.4 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（2）水轮机调速系统参数辨识与控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮机调速系统辨识研究现状 |
| 1.2.2 水轮机调速系统控制方法研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 水轮机调速系统建模分析 |
| 2.1 水轮机调速系统工作原理 |
| 2.2 水轮机调速器模型 |
| 2.2.1 调节器模型 |
| 2.2.2 电液随动系统模型 |
| 2.3 水轮机调速系统被控系统模型 |
| 2.3.1 压力引水系统模型 |
| 2.3.2 水轮机模型 |
| 2.3.3 发电机及负荷模型 |
| 2.4 水轮机调速系统综合模型 |
| 2.4.1 水轮机调速系统线性模型 |
| 2.4.2 水轮机调速系统非线性模型 |
| 2.5 本章小结 |
| 第三章 基于多种群遗传算法的水轮机调速系统参数辨识 |
| 3.1 多种群遗传算法原理 |
| 3.1.1 遗传算法 |
| 3.1.2 多种群遗传算法 |
| 3.2 基于多种群遗传算法的水轮机调速系统参数辨识结构 |
| 3.2.1 辨识系统与待辨识参数 |
| 3.2.2 适应度函数分析 |
| 3.2.3 水轮机调速系统参数辨识策略 |
| 3.3 仿真实验与分析 |
| 3.3.1 线性辨识方法仿真实验 |
| 3.3.2 参数辨识仿真实验 |
| 3.4 本章小结 |
| 第四章 基于MaxLIPO+TR的水轮机调速系统PID参数优化 |
| 4.1 MaxLIPO+TR算法原理 |
| 4.1.1 LIPO算法 |
| 4.1.2 Ada LIPO算法 |
| 4.1.3 MaxLIPO+TR算法 |
| 4.2 基于MaxLIPO+TR的水轮机调速系统PID参数优化结构 |
| 4.2.1 目标函数分析 |
| 4.2.2 水轮机调速系统PID参数优化策略 |
| 4.3 仿真实验与分析 |
| 4.3.1 目标函数对比实验 |
| 4.3.2 频率扰动实验 |
| 4.3.3 负荷扰动实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 后续研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（3）基于预测控制的可再生能源冷热电联供系统运行优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 可再生能源冷热电联供系统发展概况 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.3 可再生能源冷热电联供系统优化策略研究现状 |
| 1.4 研究内容与章节安排 |
| 第2章 可再生能源冷热电联供系统特征与能量流分析 |
| 2.1 引言 |
| 2.2 可再生能源冷热电联供系统结构特征分析 |
| 2.2.1 可再生能源冷热电联供系统结构 |
| 2.2.2 设备数学模型 |
| 2.2.3 系统能量流动与平衡约束分析 |
| 2.2.4 系统成本评价标准分析 |
| 2.3 本章小结 |
| 第3章 基于预测控制的系统优化策略 |
| 3.1 引言 |
| 3.2 可再生能源与冷热电负荷预测 |
| 3.2.1 相关性分析与区域短期天气预测 |
| 3.2.2 基于区域短期天气数据的冷热电负荷预测 |
| 3.3 考虑预测误差区间的滚动优化 |
| 3.4 反馈校正补偿预测误差 |
| 3.5 本章小结 |
| 第4章 系统仿真分析与预测优化平台 |
| 4.1 引言 |
| 4.2 算例分析 |
| 4.2.1 算例场景与数据选择 |
| 4.2.2 仿真参数设置 |
| 4.2.3 预测与反馈矫正结果分析 |
| 4.2.4 优化结果分析 |
| 4.3 预测与优化平台 |
| 4.3.1 数据采集模块 |
| 4.3.2 源荷预测模块 |
| 4.3.3 系统优化模块 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
| 攻读学位期间参与的科研项目 |
| 学位论文评阅及答辩情况表 |
（4）电网短期负荷预测平台开发与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外发展现状 |
| 1.3 本文的主要工作 |
| 第二章 电网短期负荷预测基础理论 |
| 2.1 负荷预测的基本概念和方法 |
| 2.1.1 开展电网负荷预测的方法步骤 |
| 2.1.2 负荷预测中应考虑的事项 |
| 2.1.3 负荷预测的关键指标 |
| 2.2 基于同类型日的“正常日”负荷预测方法 |
| 2.2.1 点对点倍比法 |
| 2.2.2 倍比平滑法 |
| 2.2.3 重叠曲线法 |
| 2.2.4 基于同类型日的“正常日”新息预测方法 |
| 2.2.5 基于时段相似性的简单推理法 |
| 2.2.6 频域分量预测方法 |
| 2.3 考虑气象因素的人工神经网络预测方法 |
| 2.3.1 考虑气象因素对短期负荷预测的影响 |
| 2.3.2 短期负荷预测的ANN构成 |
| 2.3.3 前馈网络的BP训练算法 |
| 2.3.4 基于深度学习的预测方法 |
| 2.4 基于混沌理论的负荷预测方法 |
| 2.4.1 混沌理论在电网负荷预测中的应用 |
| 2.4.2 混沌理论负荷预测思路和方法 |
| 2.5 本章小结 |
| 第三章 基于Hadoop的分时分布式短期负荷预测 |
| 3.1 Hadoop大数据处理架构 |
| 3.1.1 MapReduce框架模型 |
| 3.1.2 基于Hadoop的短期负荷预测平台 |
| 3.2 基于Hadoop架构下分时分布式短期负荷预测 |
| 3.2.1 数据预处理 |
| 3.2.2 集中式主导因素辨识 |
| 3.2.3 分时分地建立负荷模式库 |
| 3.2.4 就地建立预测模型 |
| 3.3 济宁地区分时分布式负荷预测与分析 |
| 3.3.1 MapReduce执行过程 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 电网短期负荷预测平台的实现 |
| 4.1 平台的实现技术和方法 |
| 4.1.1 Visual C++面向对象的编程技术 |
| 4.1.2 VC中对数据库的访问 |
| 4.1.3 VC和Matlab的接口方法 |
| 4.1.4 Hadoop在Windows下的安装和运行 |
| 4.2 对数据的隐私保护 |
| 4.2.1 同态加密 |
| 4.2.2 Paillier同态加密算法 |
| 4.2.3 电网短期负荷预测中数据隐私保护的实现 |
| 4.3 平台整体架构 |
| 4.3.1 平台各项功能实现的基本结构 |
| 4.3.2 数据的查询、分析功能 |
| 4.3.3 平台界面说明 |
| 4.4 负荷预测方法 |
| 4.5 映射库的建立 |
| 4.6 本章小结 |
| 第五章 电网短期负荷预测平台应用 |
| 5.1 应用平台开展负荷预测 |
| 5.1.1 基本设置 |
| 5.1.2 正常日预测 |
| 5.1.3 节假日预测 |
| 5.2 负荷特性分析 |
| 5.2.1 日负荷分析 |
| 5.2.2 周负荷分析 |
| 5.2.3 月负荷分析 |
| 5.3 负荷预测数据上报 |
| 5.3.1 上报设置 |
| 5.3.2 预测结果修正上报 |
| 5.3.3 负荷修正 |
| 5.3.4 上报修正 |
| 5.4 结果查询 |
| 5.4.1 上报情况查询 |
| 5.4.2 时段点准确率查询 |
| 5.4.3 多日准确率 |
| 5.4.4 气温参数上报 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（5）电力线路短期负荷预测系统设计及实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 短期电力负荷预测 |
| 1.1.1 认识短期电力负荷预测 |
| 1.1.2 电力负荷的预测内容 |
| 1.1.3 影响电力负荷预测的因素 |
| 1.2 短期电力负荷预测系统的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要意义及研究内容 |
| 1.4 章节安排 |
| 第二章 系统应用场景及功能需求分析 |
| 2.1 论文实施环境分析 |
| 2.1.1 线路负荷特性 |
| 2.1.2 影响负荷的主要因素 |
| 2.1.3 历史数据的特点 |
| 2.2 系统需求分析 |
| 2.3 本章小结 |
| 第三章 预测模型的研究及实现 |
| 3.1 经典预测算法的特性及分析 |
| 3.1.1 传统预测算法 |
| 3.1.2 人工智能算法 |
| 3.2 基础预测算法的选择 |
| 3.2.1 预测算法的特性需求分析 |
| 3.2.2 算法基础的确定 |
| 3.3 编译环境的选择 |
| 3.3.1 MATLAB介绍 |
| 3.3.2 预测算法的功能需求分析 |
| 3.4 Elman神经网络结构分析 |
| 3.5 训练数据的分析和构建 |
| 3.5.1 输入数据的分析和构建 |
| 3.5.2 验证数据的构建 |
| 3.6 数据的处理 |
| 3.6.1 异常数据处理 |
| 3.6.2 数据归一化处理 |
| 3.7 预测算法模型的设计 |
| 3.7.1 预测算法的设计 |
| 3.7.2 预测模型的构建 |
| 3.7.3 训练函数的选择 |
| 3.8 预测模型的优化 |
| 3.8.1 网络延时参数的优化 |
| 3.8.2 网络规模参数的优化 |
| 3.9 本章小结 |
| 第四章 负荷预测系统设计及实现 |
| 4.1 系统基本框架 |
| 4.2 图形窗口设计及功能实现 |
| 4.2.1 菜单栏设计 |
| 4.2.2 功能键设计 |
| 4.3 本章小结 |
| 第五章 系统性能测试 |
| 5.1 系统性能测试的目的 |
| 5.2 系统测试环境 |
| 5.3 系统模块功能验证 |
| 5.4 系统安全性检查 |
| 5.5 本章小结 |
| 第六章 论文结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
（6）10kV馈线短期负荷预测方法研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经典负荷预测方法 |
| 1.2.2 传统负荷预测方法 |
| 1.2.3 现代负荷预测方法 |
| 1.3 发展趋势与存在问题 |
| 1.4 本文主要研究内容 |
| 第二章 电力系统负荷数据特性分析与数据处理 |
| 2.1 电力系统负荷预测分类与意义 |
| 2.2 电力负荷影响因素的分析 |
| 2.3 电力系统的负荷特性分析 |
| 2.3.1 周负荷特性分析 |
| 2.3.2 日负荷特性分析 |
| 2.4 历史负荷数据的选择与整理 |
| 2.4.1 历史数据的选择获取 |
| 2.4.2 异常数据的检测与修正 |
| 2.5 气温因素对负荷的影响分析 |
| 2.6 本章小结 |
| 第三章 BP神经网络在短期负荷预测中的应用 |
| 3.1 人工神经网络的基本特点 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络的结构 |
| 3.2.2 BP神经网络原理 |
| 3.2.3 BP神经网络的设计 |
| 3.3 数据样本的预处理 |
| 3.3.1 日类型特征的量化处理 |
| 3.3.2 气温特征的选择 |
| 3.3.3 数据样本的归一化处理 |
| 3.4 基于BP神经网络算法短期负荷预测模型的建立 |
| 3.4.1 输入变量和输出节点数的选择 |
| 3.4.2 神经网络工具箱 |
| 3.4.3 BP神经网络的预测过程 |
| 3.5 基于BP神经网络算法的算例仿真分析 |
| 3.6 本章小结 |
| 第四章 Elman神经网络在短期负荷预测中的应用 |
| 4.1 Elman神经网络结构 |
| 4.2 Elman神经网络的原理以及算法 |
| 4.3 Elman神经网络的预测流程 |
| 4.4 基于Elman神经网络算法短期负荷预测模型的建立 |
| 4.5 基于Elman神经网络算法的算例仿真分析 |
| 4.6 BP神经网络算法与Elman神经网络算法的仿真结果对比 |
| 4.7 Elman神经网络的改进 |
| 4.8 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
| 致谢 |
（7）基于遗传算法改进BP神经网络电力系统负荷短期预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 研究进展 |
| 1.2.1 国内研究进展 |
| 1.2.2 国外研究进展 |
| 1.3 研究目标和内容 |
| 1.4 技术路线 |
| 2 电力系统负荷短期预测方法 |
| 2.1 负荷短期预测法 |
| 2.1.1 经典预测方法 |
| 2.1.2 现代预测方法 |
| 2.2 BP神经网络预测模型 |
| 2.2.1 简介 |
| 2.2.2 理论基础 |
| 2.3 电力负荷预测基本步骤和误差分析 |
| 2.3.1 电力负荷预测基本思路 |
| 2.3.2 电力负荷预测误差分析 |
| 2.4 本章小结 |
| 3 BP神经网络基本理论与算法 |
| 3.1 基本理论 |
| 3.1.1 概念 |
| 3.1.2 BP神经网络算法 |
| 3.2 BP神经网络特点 |
| 3.3 BP神经网络模型的参数率定和模型构建 |
| 3.3.1 模型建立 |
| 3.3.2 确定各层隐含层 |
| 3.3.3 函数激活 |
| 3.3.4 学习算法 |
| 3.3.5 学习速率 |
| 3.3.6 期望误差 |
| 3.4 本章小结 |
| 4 基于BP神经网络模型的电力系统负荷短期预测 |
| 4.1 BP神经网络预测的主要步骤 |
| 4.2 负荷预测的数据选取与预处理 |
| 4.3 网络拓步结构确定 |
| 4.4 示例预测分析 |
| 4.4.1 隐含层为10仿真结果分析 |
| 4.4.2 隐含层为20仿真结果分析 |
| 4.4.3 隐含层为30仿真结果分析 |
| 4.4.4 不同隐含层预测结果的对比分析 |
| 4.5 本章小结 |
| 5 基于遗传算法改进BP神经网络算法的电力系统负荷短期预测 |
| 5.1 遗传算法 |
| 5.1.1 编码问题 |
| 5.1.2 初始群体的设定 |
| 5.1.3 遗传算法计算方式 |
| 5.1.4 基于遗传算法改进的BP神经网络模型 |
| 5.2 基于遗传算法优化BP神经网络模型的电力负荷短期预测案例分析 |
| 5.2.1 遗传算法改进BP神经网络模型预测分析 |
| 5.2.2 BP神经网络和遗传算法改进BP神经网络的预测效果对比分析 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 攻读硕士学位期间发表的论文及参与的项目 |
| 致谢 |
| 参考文献 |
（8）基于深度学习神经网络的电力负荷预测问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 研究目的和研究意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外现状 |
| 1.3.2 国内现状 |
| 1.4 电力负荷预测概述 |
| 1.4.1 电力负荷预测基本概念 |
| 1.4.2 电力负荷预测的影响因素 |
| 1.4.3 电力负荷预测的分类 |
| 1.4.4 电力负荷预测过程 |
| 第二章 深度学习神经网络介绍与综述 |
| 2.1 深度学习理论及神经网络 |
| 2.1.1 深度学习理论 |
| 2.1.2 深度学习神经网络 |
| 2.2 神经网络构建平台 |
| 2.2.1 MATLAB |
| 2.2.2 Python |
| 第三章 基于ELMAN神经网络的电力负荷预测研究 |
| 3.1 ELMAN神经网络基本原理 |
| 3.1.1 网络结构 |
| 3.1.2 训练流程 |
| 3.2 ELMAN神经网络的构建与训练 |
| 3.3 实验验证 |
| 3.3.1 数据集分析与预处理 |
| 3.3.2 实验平台与参数设置 |
| 3.3.3 预测与分析 |
| 3.4 本章结语 |
| 第四章 基于LSTM神经网络的电力负荷预测研究 |
| 4.1 循环神经网络RNN |
| 4.1.1 LSTM模型 |
| 4.1.2 基于Python的深度学习库Keras |
| 4.2 Tensorflow框架下的LSTM网络实现 |
| 4.2.1 算法与步骤 |
| 4.2.2 训练流程 |
| 4.2.3 模型设计 |
| 4.3 实验验证 |
| 4.3.1 数据集分析与预处理 |
| 4.3.2 实验平台与参数设置 |
| 4.3.3 预测与分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读学位期间本人出版或公开发表的论着、论文 |
| 致谢 |
（9）风力发电短期功率预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的目的和意义 |
| 1.2 世界风电发展状况 |
| 1.2.1 国内风电发展状况 |
| 1.2.2 国外风电发展状况 |
| 1.3 世界风电功率预测研究现状 |
| 1.3.1 国内风电功率预测研究现状 |
| 1.3.2 国外风电功率预测研究现状 |
| 1.4 论文的主要研究工作 |
| 第二章 风电场历史数据的处理与分析 |
| 2.1 引言 |
| 2.2 风电场历史数据的处理 |
| 2.3 风电场缺失数据的处理 |
| 2.4 风电功率与气象因素的相关性分析 |
| 2.4.1 皮尔森积矩相关系数 |
| 2.4.2 风电场出力与气象因素相关性 |
| 2.5 本章小结 |
| 第三章 气象信息的预测与分析 |
| 3.1 引言 |
| 3.2 数值天气预报数据分析 |
| 3.2.1 数值天气预报技术 |
| 3.2.2 数值天气预报的误差分析 |
| 3.2.3 预报气象数据的修正 |
| 3.3 基于时间序列的风速与风向预测 |
| 3.3.1 时间序列模型 |
| 3.3.2 风速及风向时间序列的平稳性 |
| 3.3.3 ARIMA模型阶数的确定 |
| 3.4 算例分析 |
| 3.5 本章小结 |
| 第四章 基于神经网络和聚类计算的短期风电功率预测 |
| 4.1 引言 |
| 4.2 风电功率预测的整体思路 |
| 4.3 样本数据的聚类分析 |
| 4.3.1 模糊C均值聚类算法 |
| 4.3.2 聚类计算 |
| 4.4 神经网络训练 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
四、基于MATLAB神经网络工具箱的电力系统负荷预报（论文参考文献）
- [1]基于SVR组合模型的短期电力负荷预测研究[D]. 徐宇颂. 江南大学, 2021(01)
- [2]水轮机调速系统参数辨识与控制方法研究[D]. 张自建. 江西理工大学, 2021(01)
- [3]基于预测控制的可再生能源冷热电联供系统运行优化研究[D]. 马得银. 山东大学, 2021(12)
- [4]电网短期负荷预测平台开发与应用[D]. 马贺. 山东大学, 2020(04)
- [5]电力线路短期负荷预测系统设计及实现[D]. 杨盼. 电子科技大学, 2020(03)
- [6]10kV馈线短期负荷预测方法研究与应用[D]. 莫华朝. 广东工业大学, 2020(06)
- [7]基于遗传算法改进BP神经网络电力系统负荷短期预测研究[D]. 程超. 华北水利水电大学, 2020(01)
- [8]基于深度学习神经网络的电力负荷预测问题研究[D]. 钱忆钊. 苏州大学, 2019(02)
- [9]风力发电短期功率预测方法研究[D]. 傅尧. 沈阳农业大学, 2019(03)
- [10]基于天气数据模糊化处理的神经网络短期负荷预测[A]. 万石林. 2017年江西省电机工程学会年会论文集, 2018