一、短期负荷预测误差的灰色关联分析（论文文献综述）
马天佚,武岳[1]（2021）在《基于灰色关联分析法和BP神经网络的配电网负荷预测》文中研究指明针对大型城市核心区域配电网最大负荷预测问题,提出基于灰色关联分析法和BP神经网络的电力系统负荷预测方法。将时间序列法与BP神经网络模型相结合,综合考虑时间序列与日期、温度及天气等影响因素,并通过灰色关联分析法选择相似日样本训练BP神经网络模型,有效提高了算法的预测精度。
解海翔,陈芳芳,刘易,盖佳郇,徐天奇[2]（2021）在《基于GRA-IBAS-BP网络的短期配电网负荷预测》文中指出针对城市配电网负荷非线性、易受多种因素影响的特点,提出一种基于灰色关联分析（GRA,Grey Relational Analysis）和改进天牛须搜索算法优化的BP网络（IBAS-BP,Improved Beetle Antennae Search-Back Propagation）的短期负荷预测模型。本文首先通过灰色关联分析选取了与待测日特征高度相关的相似日样本,然后改进了标准天牛须搜索算法参数的更新策略,并将其运用于BP网络参数的寻优过程。最后,对某市2018年夏季网供负荷数据进行实验表明,相对于传统BP神经网络,该组合方法能有效提高负荷预测精度。
黄冬梅,庄兴科,胡安铎,孙锦中,时帅,孙园,唐振[3]（2021）在《基于灰色关联分析和K均值聚类的短期负荷预测》文中进行了进一步梳理在基于相似日的短期电力负荷预测技术中,相似日的选取影响着负荷预测精度,提出一种基于灰色关联分析（grey relation analysis, GRA）和K均值（K-means）聚类选取相似日的短期负荷预测模型。首先,采用灰色关联分析方法选取相似日粗集,再对相似日粗集的外部因素使用K均值聚类。然后,计算待预测日与聚类中心的欧氏距离,将距离最小一类作为最终相似日集合。最后,利用最终相似日集合训练长短期记忆（long-short term memory, LSTM）神经网络,进行负荷预测。与未采用相似日的LSTM模型和采用传统的灰色关联分析的LSTM模型相比,所提方法的平均绝对百分比误差（mean absolute percentage error, MAPE）分别降低了0.911%、0.637%。算例分析表明,采用GRA-K-means选取相似日可以有效提升短期电力负荷的预测精度。
何雪梅[4]（2021）在《基于机器学习的成都市居民用电量预测研究与应用》文中研究指明
孟祥飞[5]（2021）在《基于机器学习的电力系统静态电压稳定评估及实时经济调度研究》文中提出实现“碳达峰、碳中和”已成为世界各国的共同目标,并且是未来的能源大趋势,提升可再生能源发电比例则是持续推进碳减排的重要方式和决定性因素。而高比例可再生能源的快速发展给电力系统带来历史性机遇的同时也带来了全新的问题与挑战:一方面,能源消费结构的不断优化升级对可再生能源发电的预测精度提出了更高的要求,风能、太阳能等一次能源自身所固有的间歇性、随机性和波动性极大的增加了电力系统经济调度的复杂性;另一方面,在现阶段大规模储能技术尚不完善的情况下,加强大电网建设以及鼓励交互式用能设备的使用,仍是推动可再生能源发展的必要手段,而网架结构的愈加复杂以及负荷特性的改变使电力系统静态电压稳定问题突显,经济调度在寻求经济性最优的同时,应先维持系统电压的稳定以确保电网安全稳定运行。因此,如何在可再生能源发电快速发展以及电压稳定问题突显的双重背景下实现实时经济调度,已成为现阶段需要重点研究解决的问题。虽然“双碳”新形势下高比例可再生能源的大规模并网给电力系统带来了新的挑战,但是以深度学习、集成学习等为代表的新兴机器学习技术的涌现为电力系统实际工程问题的解决提供了新方法和新思路。基于以上背景,本文首先研究基于深度学习的集中式光伏功率超短期预测方法,并将所得结果与负荷预测结果相结合以构建实时经济调度优化模型的功率平衡方程;然后,研究基于机器学习的静态电压稳定裕度评估方法,并以此为基础研究基于集成学习的静态电压稳定裕度可靠评估方法,利用离线分析所生成的静态电压稳定评估规则,构建实时经济调度优化模型的静态电压稳定约束条件;最后,研究基于深度学习的电力系统实时经济调度问题,将实时经济调度由优化问题转换为学习问题进行建模求解。本文具体工作内容如下:（1）为了构建更精细化的经济调度优化模型功率平衡方程,以便降低可再生能源并网给经济调度带来的不确定性,本文针对集中式光伏功率的超短期预测问题,提出了一种基于注意力机制的精准预测方法。首先,利用Spearman相关系数法和灰色关联分析技术对关键气象因素、时间相关性以及空间关联性等光伏功率基本特性进行分析;然后,基于光伏功率特性分析结果,对长短期记忆（Long Short Term Memory,LSTM）网络整体结构进行自适应设计,并提出了一种基于自适应LSTM的光伏功率超短期预测模型;最后,根据光伏功率序列基本特征将其归类为具有空间关联性的时间序列数据,并在预测模型构建的特征选择、时空特性分析等环节中引入注意力机制,构建了基于多层嵌套时空注意力网络（Multi-level Nesting Spatial Temporal-Attention Network,MNST-AN）的光伏功率超短期精准预测模型,突破了现有利用机器学习技术求解光伏功率预测问题必须预先进行特性分析的固有流程,有效避免了人为因素的影响并切实提升了预测精度。利用中国北方某省集中式光伏电站实际数据,验证了所提出的光伏功率超短期预测模型的可行性和预测精度。（2）为了构建经济调度优化模型的静态电压稳定约束条件,以便在保证系统安全稳定运行的前提下实现经济性目标,本文针对电力系统静态电压稳定问题,提出了一种基于决策树的静态电压稳定裕度评估方法。首先,利用P-V曲线分析技术对系统电压稳定裕度状态进行了划分（正常、预警、紧急）,并根据划分区间对训练样本进行了选取;然后,利用参与因子分析技术对表征电压稳定的特征变量从物理意义层面进行了初选;其次,为了有效解决漏警问题,对Relief-F算法进行适用性改进,提出了一种考虑惩罚因子的Relief-F-P特征选择算法,从数据分类能力层面对特征变量进一步筛选;最后,基于C4.5算法构建了面向静态电压稳定裕度的决策树评估模型。利用中国南方某大负荷中心实际数据,验证了所提方法可以实现对系统电压稳定裕度状态的有效评估。（3）在前述研究的基础上,为了进一步提高评估精度,本文提出了一种基于随机森林的静态电压稳定裕度可靠评估新方法。首先,为了兼顾基决策树的多样性和学习能力,提出了一种基于P-V曲线随机抽取的训练样本子集构建方法;其次,为了保证引入扰动的可控性,提出了一种基于信息增益率的基决策树分裂属性选择方法;在此基础上,利用C4.5算法生成了具有差异性特点的基决策树,并采用绝对多数投票集成策略,构建了基于随机森林的静态电压稳定裕度可靠评估模型;最后,提出了一种综合考虑规则覆盖度和可靠度的规则评分方法,实现了对电压稳定裕度关键评估规则的提取。案例分析以中国南方某大负荷中心实际数据为基础,验证了所提出的基于随机森林的静态电压稳定裕度可靠评估方法的可行性和准确性。（4）针对电力系统实时经济调度问题,本文提出了一种基于深度学习的实时经济调度建模求解新思路。首先,利用光伏功率预测结果和静态电压稳定裕度关键评估规则,分别构建实时经济调度优化模型的功率平衡方程和静态电压稳定约束条件;然后,基于完美调度理念,利用海量历史数据通过经济调度优化模型生成学习模型的训练目标,实现了经济调度由优化问题到学习问题的转变;其次,分别利用层次聚类技术和矩阵相关性分析技术构建了差异化训练样本集;在此基础上,针对门控循环单元（Gated Recurrent Unit,GRU）网络的基本结构进行了自适应设计,并提出了基于自适应GRU的实时经济调度学习模型,模型一旦构建完成,输入调度时刻预测数据,即可得到相应的调度方案。利用IEEE-39节点测试系统验证了所提方法的可行性和调度方案精度,并利用IEEE-118节点测试系统进一步验证了其在大系统中的适用性和有效性。本文研究丰富了电力系统调度运行理论,相关研究成果有助于提升电网调度运行自动化、智能化水平,促进电力行业碳减排,助力我国“双碳”承诺的实现。
苏启超[6]（2021）在《浙江电网企业现货市场中的现金流智能预测研究》文中提出2017年9月,国家发改委和国家能源局联合印发了《关于开展电力现货市场试点工作的通知》,将广东、浙江、山东等8个地区选为首批电力现货市场建设试点。此后,这些试点地区陆续发布了具体的电力现货市场建设方案,并在此基础上开展电力现货市场的试运行工作。随着浙江电力现货市场的建设,电力市场结构逐渐发生转变,与现货市场中的企业现金流密切相关的业务模式与盈利方式发生重大变革,收支预测的不确定性将大大增加,实际资金管控困难不断提升。在此背景下,引入人工智能预测方法,对浙江电网现货市场中的现金流进行研究,构建面向现金流中特定对象的智能预测模型,具有积极意义。本文首先全面梳理了国内外相关文献和资料的基础,分析并总结了国内外关于电力现货市场、现金流管理以及预测技术的研究动态,对常用的预测方法和影响因素挖掘方法进行了总结分析,并对浙江电力现货市场的建设现状进行了简要分析;其次,针对现货市场中现金流影响因素的企业数据空间,从经济和气象两个方面分析,初步选取了 22个影响因素,提出了浙江电网基于弹性网络和灰色关联分析相结合的影响因素挖掘方法,对现货市场中的现金流关键影响因素进行识别,筛选出了与现金流最为密切相关的变量,得到了预测模型的关键影响因素;接下来,本文提出了浙江电网数据空间中基于智能挖掘方法的改进SVM-LSTM月度售电量预测模型,分别运用GWO-SVM模型和LSTM模型进行训练和预测,然后运用方差法将各个模型的预测结果组合,得到最终的预测结果,并且使用浙江电网的历史数据验证了该模型的可行性和准确性;最后,本文依托数据挖掘技术,以浙江电网现货市场中的现金流为研究对象,构建了浙江电网现货市场中基于售电量智能预测的现金流智能预测模型,并进行了模型的实证研究,为现金流预测提供了新的方法。本文的研究成果有助于浙江电网进一步统筹资金,合理地安排电网建设资金的投入,提高浙江电网的资金利用效率,改善企业经营状况。同时,还可以帮助浙江电网研究自身业务与现货市场之间的动态关系,有利于浙江电网针对电力现货市场进行适当的业务设计,更好的迎接电力改革带来的挑战。
王珂珂[7]（2021）在《计及新能源的电力现货市场交易优化研究》文中指出能源是社会进步和人类生存的物质基础,随着能源资源约束日益加剧,绿色低碳发展成为我国经济社会发展的重大战略和生态文明建设的重要途径,我国亟需加快建设以可再生能源为主导的清洁低碳、安全高效的能源体系,实现“30·60”双碳目标。电力工业在现代能源体系中处于核心地位,在减少温室气体排放方面发挥着重要作用,应加大力度发展以风电、太阳能为代表的绿色电力。但由于中国风能、光能富集区与需求区逆向分布,市场在优化资源配置中的作用发挥不够充分,亟需完善新能源参与的电力现货市场交易机制,构建高比例新能渗透的电力现货市场交易决策支持方法,以实现资源有效配置,促进新能源消纳。鉴于以上考虑,本文从新能源参与对电力现货市场影响、新能源发电功率预测与电力现货市场电价预测、计及新能源的中长期合约与现货日前市场的衔接与出清机制、电力现货市场各阶段市场的衔接与出清机制、碳交易权市场与电力现货市场的耦合机制等多个方面展开研究。本文主要研究成果与创新如下:（1）对新能源参与对电力现货市场的影响进行研究,基于电力现货市场价格信号的复杂性,构建由三个模块构成的新能源对电力现货市场影响分析模型,包括基于数据统计的相关性分析、基于小波变换与分形理论的全部特征值分析与基于关键因素提取的相关性分析。以丹麦两地区现货市场的历史数据进行验证,证实新能源发电对于电价影响高于常规历史数据;基于小波变换分析与分形理论求得全部特征值方法,计算两地区分类准确率为分别为80.35%,82.30%,分类结果表明负荷、新能源发电量序列与新能源发电量占比分类错误率较高;通过关键特征提取的相关性分析结果,重要程度位于前三的因素均存在新能源发电相关因素。因此研究中仅考虑负荷等常规因素不足以支撑电力现货市场电价预测、交易匹配与出清问题的研究。（2）对电力现货市场中新能源发电功率与电价预测进行研究,构建基于完全集成经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）与样本熵（sample entropy,SE）的数据预处理策略,基于和声搜索（harmony searchm,HS）算法优化的核极限学习机（kernel extreme learning machine,KELM）的混合新能源发电功率预测模型,基于相似日筛选与长短期记忆模型（long short-term memory,LSTM）的电力现货市场电价预测模型。针对非线性、非稳态的短期新能源发电功率预测,首先通过皮尔森相关系数筛选模型输入数据,减少数据冗余;而后,采用CEEMD-SE的组合数据预处理策略,对发电功率时间序列进行分解和重构,消除数据噪声,减少模型计算量;其次,采用HS-KELM模型对重构后的多个子序列进行建模预测,集成处理后得到最终的新能源发电功率预测值。基于CEEMD-SE-HS-KELM新能源发电功率预测模型具有更高的预测精度。针对电力现货市场电价预测,将新能源出力指标纳入电力现货市场电价预测中,首先采用CEEMD-SE对电价序列进行分解与重构;而后,构建基于随机森林（random forest,RF）与改进灰色理想值逼近（improved approximation ofgrey ideal values,IAGIV）的新能源出力影响量化模型,筛选出与待预测天数关联性较强的历史天作为输入集;其次,采用LSTM模型对重构后的多个子序列分别进行预测,基于CEEMD-SE-RF-IAGIV-LSTM预测模型对于电价序列的拟合效果较好,可为电力现货市场参与主体制定交易策略、现货市场出清撮合提供支撑,降低电力现货市场中的风险。（3）对计及新能源与中长期市场影响的现货日前电力市场优化模型进行研究。本文提出计及中长期合约电量分解与新能源参与的日前电力市场交易优化模型,首先构建考虑火电厂合约电量完成进度偏差的中长期合约电力分解模型,将分解得到的每日中长期合约电量作为约束引入日前市场的优化模型中,保证中长期合约电量物理执行;针对系统不确定性进行建模,在电力现货市场价格模拟中加入新能源渗透率,更精准地刻画能源参与对于电力现货市场的影响;构建新能源参与的日前市场多目标出清优化模型,利用模糊优选方法对多目标进行转换,较好地平衡经济性与节能减排目标;最后采用基于GA-PSO组合优化模型对构建模型进行求解。模型求解结果表明,本文构建的多目标优化函数能够在保证系统运行经济效益的基础上,实现环境效益最大化,达到节能减排的效果;同时随着新能源渗透率的增加,系统不确定性增加,常规机组的成交电量有所下降。（4）对计及新能源的日前市场与日内市场的衔接机制进行分析,并构建相应的出清优化模型。在日前市场与实时市场之间增加日内市场,以减少系统辅助服务成本、降低用于平衡间歇性、波动性新能源的化石燃料容量、灵活性资源配置与储能成本,以提高现货市场效率,更好的发挥市场对资源优化配置的作用。采用基于模型预测结果与误差分布函数结合的不确定性刻画模型,而后构建了基于拉丁超立方采样进行场景集生成法与改进谱聚类分析的场景集削减策略,能够选择出最具代表性的场景集。基于电力现货市场出清流程,将含有新能源较多的系统将引入日内市场,以减小实时市场的功率偏差,提高系统运行的经济性和稳定性,采用预测模型对新能源出力、电力负荷进行预测,结合预测误差分布函数刻画系统不确定性;构建日前市场和模拟日内市场联合出清优化模型,在各个日内市场考虑对应实时市场新能源偏差功率的不确定性、电价不确定性,建立各日内市场和模拟实时市场联合优化模型。（5）考虑到中国“30·60”双碳目标与宏观发展规划,本文构建一个基于STIRPAT模型碳排放影响因素分析与改进烟花算法（improved fireworks algorithm,IFWA）优化的广义回归神经网络（general regression neural network,GRNN）预测模型。基于不同的社会环境与政策环境,对碳排放影响因素进行模拟并设定,预测结果表示中国的碳排放总量将于2031年达到峰值。以此为基础分析现行政策下中国的碳减排压力,并进行相应的建设全国统一的碳交易权市场必要性分析。而后,基于电力市场和碳市场的建设现状,利用系统动力学模型进行碳交易对电力现货市场的影响分析,系统动力学模型分析结果证实电力市场价格与碳交易价格呈现正相关关系;最后,基于对于碳交易对电力市场作用机理的分析,提出碳交易机制与电力现货市场机制协同建设建议。
邢书豪[8]（2020）在《基于随机森林算法的电力系统短期负荷预测研究》文中提出随着经济社会的发展和人民生活水平的提高,电能越来越成为社会生产活动中不可或缺的重要能源。电能从生产到使用的各个环节均离不开电力系统调度规划的作用,而电网的飞速发展使电力系统的复杂程度不断增加。精准的电力系统短期负荷预测对电力系统的安全稳定运行以及电网的经济调度至关重要,它不仅影响着居民的日常生活,而且可以减少资源浪费,一直都是电气工程领域的重要研究课题。短期负荷预测工作因受众多因素影响使该课题变得复杂,本文介绍了短期负荷预测的研究现状,在分析了负荷预测特点及影响因素的基础上,比较了不同的决策树算法,利用其中的CART决策树构建随机森林。将随机森林算法应用到短期负荷预测领域,并通过对算法的分析改进使预测获得更好的效果。传统随机森林模型中的参数——决策树棵数和分裂特征数根据经验选取,但是在面对不同研究对象时,可使随机森林性能达到最优的参数不同。针对此问题,本文使用粒子群优化算法对参数进行优化,得到应用于短期负荷预测的随机森林的最优参数。实验分析表明粒子群算法优化随机森林的预测模型比传统预测模型的预测精度更高。传统随机森林模型和粒子群算法优化随机森林模型均是单层模型,由统计学习理论可知,使用一次算法一般只能读取对应空间的部分有效信息,影响预测性能。针对此问题,本文提出使用双层随机森林算法建立模型进行短期负荷预测,同时采用粒子群优化算法对双层随机森林进行优化,将两层随机森林通过训练残差联系起来,即将第1层随机森林的训练残差放入训练集参与训练第2层随机森林,使其能更充分的读取空间中有效信息,将两层随机森林的结果相加即可得模型最终结果。另外,本文通过灰色关联分析法选取了待预测日的相似日,将相似日数据加入训练样本增加了训练数据的全面性。通过仿真预测的实验数据表明,基于双层随机森林算法的短期负荷预测模型的预测精度更高,且预测性能更稳定。
张博[9]（2020）在《基于改进神经网络的电力负荷预测研究》文中认为随着电力市场改革的不断深入,准确的短期电力负荷预测不但为电网的安全稳定与经济运行提供保障,也是市场环境下安排电量生产及供电调度的基础。由于电力负荷序列的随机性和周期性以及影响因素的复杂性,目前众多模型的预测精度还未达到电网所要求的满意程度,未来将会对电网运行的安全性、经济性、稳定性提出更高的要求,现代电力系统的发展必须要提高电力系统负荷预测质量,因此,需要探索更加简便高效、精度高的短期电力负荷预测方法。针对短期负荷序列的非线性、不确定性等特性,为了提高短期电力负荷预测精度,解决优化算法易陷入局部最优的问题,提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法（AMBA）和小波神经网络（WNN）的短期电力负荷预测方法。该模型根据群体适应度方差以及当前最优解的大小来确定当前最优个体的变异概率并对全局最优个体进行高斯变异,对变异后的蝙蝠个体进行二次寻优。然后利用AMBA优化小波神经网络的网络参数,进而提高了小波神经网络的预测精度,加快了其训练速度。利用AMBA-WNN模型对山东电网某市进行短期负荷预测,实例分析表明,该模型能有效提高短期负荷预测精度,具有很好的实用价值。随着中国经济进入新常态,各种产业、环保政策深入推进,电力负荷呈现出增速减缓的趋势与波动特性,负荷增长趋势的变化造成中长期负荷预测的难度骤增,影响负荷变化的因素和影响效果也都发生了不同程度的变化。造成这一现象的原因,归根结底是由于经济、产业、环保等几个方面的政策变化对电力负荷产生了深刻的影响。然而,政策具有很强的不确定性,政策影响电力负荷的要素众多,且各要素之间的关系和电力负荷所受各要素的影响难以量化。因此,有必要系统化层次化地梳理政策因素下影响电力负荷的相关要素,分析其对电力负荷的影响机理并建立中长期电力负荷预测模型,对于指导新形势下的电力规划与负荷预测具有重要意义。当前中国电力负荷发展面临经济新常态、产业结构调整、节能减排等政策深入推进新形势。在此背景下,针对政策因素对电力负荷影响的多相关性、不确定性等特性,为了提高政策因素影响下的负荷预测的精度,解决政策因素模糊不清、量化困难、难以融入到负荷模型中的问题,提出一种考虑政策因素的中长期负荷预测模型。首先,通过分析各类政策对用电负荷的影响,构建了宏观与微观相结合、层次化的政策影响因素指标体系,系统地反映了政策对负荷的影响;然后,针对传统灰色关联分析模型对未来的电力发展形势考虑不足问题,通过主成分分析对因素指标加权平均,提出一种改进灰色关联分析模型实现各种政策指标对电力负荷影响的赋权,实现主观赋权和客观赋权相结合;最后,采用模糊聚类分析法预测政策因素影响下的负荷。所提模型能够较好地解决负荷的波动性给中长期负荷预测带来的困难,适用于政策变化背景下的中长期负荷预测。算例分析表明,相较于时序外推以及弹性系数等常规预测方法,所提方法具有较好的预测精度和工程应用价值。
洪卉[10]（2020）在《基于数据挖掘与改进鲸鱼算法优化支持向量机的短期电力负荷预测》文中进行了进一步梳理电力负荷预测是当前人们研究比较多的一个热门课题,精确的电力负荷预测能够保证电网系统的稳定运行,并且对保障电力系统本身的安全性也有着重大的意义。本文主要研究短期电力负荷的预测,包括预处理历史负荷数据、分析负荷的相关影响因素、选取合适的训练集和建立电力负荷预测模型。并采用多种数据挖掘技术来进行研究。首先,对于如何解决电力负荷数据预处理,这里采用改进的模糊C均值聚类算法。针对模糊C均值的聚类中心以及聚类数目的确定采用减法聚类算法进行,以此提取出日负荷特征曲线,然后根据正态分布理论来确定双向检测阈值,利用电力负荷曲线的相似性和平滑性,识别日负荷曲线的异常数据,最后对异常数据进行修正。其次,对负荷进行相关因素的分析和相似日的选取,主要分析负荷本身的周期特性,同时利用灰色关联分析方法来剖析天气因素和负荷之间的关联。选择影响负荷的主要相关因素构成负荷的特征向量,以此为依据选取相似日粗集,最后用模糊聚类灰色关联分析法选取相似日。最后,在前几章方法的条件上,采取改进的鲸鱼算法优化之后的支持向量机模型当做本文的短期电力负荷预测的模型。选取福建省莆田市的电力负荷数据进行短期负荷预测,然后把本文的预测模型与基于支持向量机的电力负荷预测模型作比较。通过算例结果得出以下两个结论:对本文模型与支持向量机模型的对比,得出本文的预测模型预测的精度更高;在将经过预处理之后的数据跟没有处理的数据分别运用本文的模型进行预测,得出经过本文的方法预处理后的数据预测得到的结果精度更好。
二、短期负荷预测误差的灰色关联分析（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、短期负荷预测误差的灰色关联分析（论文提纲范文）
（1）基于灰色关联分析法和BP神经网络的配电网负荷预测（论文提纲范文）
| 1 基于灰色关联分析法的相似日选取 |
| 1.1 影响因素选取 |
| 1.2 建立特征向量量化规则 |
| 1.3 灰色关联分析法选择相似日样本 |
| 1.3.1 构建特征向量矩阵 |
| 1.3.2 数据无量纲化 |
| 1.3.3 计算差矩阵 |
| 1.3.4 计算关联系数 |
| 1.3.5 计算灰色关联度 |
| 2 BP神经网络参数选择 |
| 2.1 激励函数 |
| 2.2 网络的层数 |
| 2.3 各层节点数 |
| 2.4 初始权重 |
| 3 实例分析 |
| 3.1 相似日选取 |
| 3.2 建立BP神经网络模型 |
| 3.3 预测结果与误差分析 |
| 4 结束语 |
（2）基于GRA-IBAS-BP网络的短期配电网负荷预测（论文提纲范文）
| 1 引言 |
| 2 灰色关联分析 |
| 3 基于天牛须搜索算法优化的BP网络模型 |
| 3.1 BP神经网络 |
| 3.2 改进天牛须搜索算法优化BP神经网络 |
| 4 算例分析 |
| 4.1 基于GRA的相似日选择 |
| 4.2 仿真结果 |
| 5 结束语 |
（3）基于灰色关联分析和K均值聚类的短期负荷预测（论文提纲范文）
| 0 引 言 |
| 1 相似日选取 |
| 1.1 影响负荷的因素分析 |
| 1.2 灰色关联分析法 |
| 1.3 K均值聚类算法 |
| 2 基于LSTM网络的预测模型 |
| 2.1 LSTM网络 |
| 2.2 预测模型 |
| 2.3 预测模型的评价指标 |
| 3 算例分析 |
| 3.1 相似日选取有效性分析 |
| 3.2 不同相似日选取方法对比分析 |
| 3.3 不同模型的对比分析 |
| 4 结 论 |
（5）基于机器学习的电力系统静态电压稳定评估及实时经济调度研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.2.1 光伏功率预测 |
| 1.2.2 电力系统静态电压稳定分析 |
| 1.2.3 电力系统经济调度 |
| 1.4 论文主要内容及章节安排 |
| 2 基于注意力机制的集中式光伏功率超短期预测研究 |
| 2.1 引言 |
| 2.1.1 问题描述 |
| 2.1.2 研究思路 |
| 2.2 基于数据挖掘的光伏功率特性分析 |
| 2.2.1 基于Spearman相关系数法的关键气象因素筛选 |
| 2.2.2 基于Spearman相关系数法的光伏功率时间相关性分析 |
| 2.2.3 基于灰色关联分析的光伏功率空间关联性分析 |
| 2.3 基于自适应LSTM网络的光伏功率超短期预测方法研究 |
| 2.3.1 深度学习理论及RNN |
| 2.3.2 基于自适应LSTM网络的光伏功率超短期预测模型 |
| 2.4 基于MNST-AN的光伏功率超短期精准预测模型 |
| 2.4.1 注意力机制基本原理 |
| 2.4.2 基于MNST-AN的光伏功率精准预测模型构建方法研究 |
| 2.5 案例分析 |
| 2.5.1 基于自适应LSTM网络的光伏功率超短期预测模型验证 |
| 2.5.2 基于MNST-AN的光伏功率预测模型验证 |
| 2.6 本章小结 |
| 3 基于决策树的静态电压稳定裕度评估研究 |
| 3.1 引言 |
| 3.1.1 问题描述 |
| 3.1.2 研究思路 |
| 3.2 静态电压稳定学习模型的训练样本生成 |
| 3.3 表征静态电压稳定的关键特征变量筛选 |
| 3.3.1 基于参与因子分析的特征变量初选 |
| 3.3.2 基于Relief-F-P算法的决策树属性集构建 |
| 3.4 基于决策树的静态电压稳定裕度评估模型 |
| 3.4.1 决策树理论 |
| 3.4.2 基于C4.5 算法的决策树模型构建 |
| 3.5 案例分析 |
| 3.6 本章小结 |
| 4 基于随机森林的静态电压稳定裕度可靠评估研究 |
| 4.1 引言 |
| 4.1.1 问题描述 |
| 4.1.2 研究思路 |
| 4.2 集成学习 |
| 4.2.1 集成学习理论 |
| 4.2.2 随机森林 |
| 4.3 多样性基决策树构建 |
| 4.3.1 基于P-V曲线随机抽取的基决策树训练样本选取 |
| 4.3.2 基于信息增益率的基决策树属性筛选 |
| 4.4 基于随机森林的静态电压稳定裕度可靠评估模型 |
| 4.5 案例分析 |
| 4.6 本章小结 |
| 5 基于深度学习的电力系统实时经济调度研究 |
| 5.1 引言 |
| 5.1.1 问题描述 |
| 5.1.2 研究思路 |
| 5.2 基于静态电压稳定约束及数据挖掘技术的训练样本集构建 |
| 5.2.1 基于完美调度理论和静态电压稳定约束的训练目标生成 |
| 5.2.2 基于层次聚类技术的历史相似日筛选 |
| 5.2.3 基于矩阵相关性分析技术的关键历史时刻筛选 |
| 5.2.4 实时经济调度学习模型差异化训练样本集构建 |
| 5.3 基于GRU的实时经济调度自适应学习模型 |
| 5.3.1 基于GRU的自适应学习模型构建及超参数设置 |
| 5.3.2 自适应学习模型运行模式 |
| 5.4 案例分析 |
| 5.4.1 IEEE-39 节点测试系统性能分析 |
| 5.4.2 IEEE-118 节点测试系统性能分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）浙江电网企业现货市场中的现金流智能预测研究（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 国内外研究动态 |
| 1.2.1 电力现货市场研究动态 |
| 1.2.2 现金流管理研究动态 |
| 1.2.3 预测方法研究动态 |
| 1.3 研究内容及技术路线 |
| 第2章 基础理论与方法 |
| 2.1 预测相关技术介绍 |
| 2.1.1 传统预测方法 |
| 2.1.2 智能预测方法 |
| 2.2 关键影响因素挖掘方法 |
| 2.2.1 数据空间 |
| 2.2.2 Ridge回归与Lasso回归 |
| 2.2.3 弹性网络 |
| 2.2.4 灰色关联分析 |
| 2.3 本章小结 |
| 第3章 浙江电力现货市场现状分析 |
| 3.1 试点地区电力现货市场现状分析 |
| 3.1.1 现货市场建设架构 |
| 3.1.2 现货市场衔接机制 |
| 3.1.3 现货市场运营机制 |
| 3.1.4 现货市场建设中存在的问题 |
| 3.2 浙江电力现货市场特点分析 |
| 3.3 本章小结 |
| 第4章 浙江电网现货市场中的现金流入智能预测 |
| 4.1 月度售电量智能预测 |
| 4.1.1 数据空间中基于弹性网络和灰色关联分析的影响因素挖掘 |
| 4.1.2 基于改进SVM-LSTM的月度售电量智能预测模型 |
| 4.1.3 预测结果 |
| 4.2 月度售电价预测 |
| 4.3 基于月度售电量与电价预测的月度现金流入计算 |
| 4.4 本章小结 |
| 第5章 浙江电网现货市场中的现金流出智能预测 |
| 5.1 基于售电量智能预测的购电量计算 |
| 5.2 基于月度购电量与电价预测的月度现金流出计算 |
| 5.3 本章小结 |
| 第6章 浙江电网现货市场中现金流计算结果 |
| 6.1 现货市场中的现金流计算 |
| 6.2 浙江电网现金流管理策略 |
| 6.2.1 电力现货市场对浙江电网的影响 |
| 6.2.2 浙江电网现货市场中现金流预测展望 |
| 6.3 本章小结 |
| 第7章 研究成果及结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其它成果 |
| 致谢 |
（7）计及新能源的电力现货市场交易优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 新能源对电力现货市场的影响研究 |
| 1.2.2 新能源发电功率预测研究 |
| 1.2.3 电力现货市场电价预测研究 |
| 1.2.4 新能源参与电力现货市场交易研究 |
| 1.2.5 计及碳交易的电力现货市场研究 |
| 1.3 论文主要研究内容和技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 1.3.3 主要创新点 |
| 1.4 本章小结 |
| 第2章 电力现货市场交易优化相关理论基础 |
| 2.1 典型国家电力现货市场发展概述 |
| 2.1.1 美国电力现货市场 |
| 2.1.2 英国电力现货市场 |
| 2.1.3 北欧电力现货市场 |
| 2.2 中国电力现货市场发展概述 |
| 2.2.1 能源电力现状分析 |
| 2.2.2 电力现货市场现状分析 |
| 2.2.3 建设基本原则 |
| 2.2.4 建设关键问题 |
| 2.2.5 未来发展方向 |
| 2.3 电力预测理论基础 |
| 2.3.1 经典预测方法 |
| 2.3.2 机器学习预测方法 |
| 2.3.3 深度学习预测方法 |
| 2.4 系统优化理论基础 |
| 2.4.1 模糊规划 |
| 2.4.2 鲁棒优化 |
| 2.4.3 随机规划模型 |
| 2.5 SD模型及其应用 |
| 2.6 本章小结 |
| 第3章 新能源对电力现货市场的影响分析 |
| 3.1 新能源对电力现货市场的影响分析模型 |
| 3.1.1 基于统计数据的影响分析 |
| 3.1.2 基于小波变换与分形理论的特征表示 |
| 3.1.3 基于SVM的特征因素分类 |
| 3.1.4 基于因子分析的特征提取 |
| 3.1.5 影响分析模型框架与流程 |
| 3.2 新能源对现货市场电价影响的实证分析 |
| 3.2.1 数据收集 |
| 3.2.2 基于统计数据的影响实证分析 |
| 3.2.3 基于全部特征的影响实证分析 |
| 3.2.4 基于关键特征的影响实证分析 |
| 3.3 本章小结 |
| 第4章 电力现货市场中新能源发电功率预测与电价预测 |
| 4.1 基于CEEMD-SE-HS-KELM的新能源发电功率预测模型 |
| 4.1.1 CEEMD-SE模型 |
| 4.1.2 HS-KELM模型 |
| 4.1.3 CEEMD-SE-HS-KELM |
| 4.1.4 实例分析 |
| 4.2 基于相似日筛选与LSTM的现货市场电价预测模型 |
| 4.2.1 电价影响因素初选 |
| 4.2.2 基于RF的新能源影响量化 |
| 4.2.3 基于改进灰色关联的相似日筛选 |
| 4.2.4 RF-IAGIV-CEEMD-SE-LSTM模型 |
| 4.2.5 实例分析 |
| 4.3 本章小结 |
| 第5章 计及新能源与中长期市场影响的现货日前市场交易优化 |
| 5.1 计及新能源与中长期市场的日前市场交易模式 |
| 5.2 中长期合约电量分解模型 |
| 5.2.1 目标函数 |
| 5.2.2 约束条件 |
| 5.3 系统不确定性分析及建模 |
| 5.3.1 新能源出力不确定性 |
| 5.3.2 电力现货价格不确定性 |
| 5.4 计及新能源与中长期合约电量分解的现货日前市场出清模型 |
| 5.4.1 目标函数与约束条件的建立 |
| 5.4.2 多目标函数的模糊优选处理 |
| 5.4.3 基于GA-PSO的优化模型求解算法 |
| 5.5 实例分析 |
| 5.5.1 算例设置 |
| 5.5.2 中长期合约电量分解结果 |
| 5.5.3 系统不确定性求解 |
| 5.5.4 现货日前电力市场出清结果 |
| 5.5.5 惩罚系数对多目标优化结果的影响 |
| 5.5.6 新能源渗透率对多目标优化结果的影响 |
| 5.6 本章小结 |
| 第6章 计及新能源的现货日前与日内、日内与实时市场交易优化 |
| 6.1 现货日前、日内与实时市场的组合及及关联分析 |
| 6.2 系统不确定性建模 |
| 6.2.1 系统不确定性模拟 |
| 6.2.2 拉丁超立方生成场景集 |
| 6.2.3 基于改进谱聚类算法的场景削减策略 |
| 6.3 计及新能源的电力现货市场两阶段交易优化模型 |
| 6.3.1 计及新能源的日前与日内市场联合优化模型 |
| 6.3.2 计及新能源的日内与实时市场联合优化模型 |
| 6.4 实例分析 |
| 6.4.1 算例设置 |
| 6.4.2 场景集生成与削减 |
| 6.4.3 日前与日内市场联合优化出清结果 |
| 6.4.4 日内与实时市场联合优化出清结果 |
| 6.5 本章小结 |
| 第7章 计及碳市场影响的电力现货市场建设路径分析 |
| 7.1 碳排放相关政策梳理 |
| 7.2 现行政策下碳排放压力分析 |
| 7.2.1 碳排放预测模型 |
| 7.2.2 碳排放预测效果检验 |
| 7.2.3 碳排放总量及碳排放强度预测 |
| 7.2.4 基于碳排放预测结果的政策建议 |
| 7.2.5 碳排放市场建设必要性分析 |
| 7.3 碳交易实施对电力现货市场的影响分析 |
| 7.3.1 碳交易市场现状 |
| 7.3.2 碳交易对电力现货市场的影响分析 |
| 7.4 碳交易与电力现货市场的协同建设建议 |
| 7.5 本章小结 |
| 第8章 研究成果与结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（8）基于随机森林算法的电力系统短期负荷预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 短期负荷预测研究现状 |
| 1.2.1 传统经典预测方法 |
| 1.2.2 现代智能预测方法 |
| 1.3 本文主要研究内容 |
| 第二章 短期负荷预测和决策树理论 |
| 2.1 短期负荷预测 |
| 2.1.1 短期负荷预测的特点 |
| 2.1.2 短期负荷预测的影响因素 |
| 2.1.3 短期负荷预测的误差分析 |
| 2.1.4 短期负荷预测的步骤 |
| 2.2 决策树 |
| 2.2.1 决策树概述 |
| 2.2.2 三类常见决策树 |
| 2.2.3 决策树的剪枝 |
| 2.2.4 各种决策树算法的比较 |
| 2.3 本章小结 |
| 第三章 基于粒子群算法优化随机森林的电力系统短期负荷预测模型 |
| 3.1 随机森林算法 |
| 3.1.1 Bagging算法取样 |
| 3.1.2 随机森林算法理论基础 |
| 3.1.3 随机森林算法的构建 |
| 3.2 基于粒子群算法优化随机森林的电力系统短期负荷预测模型 |
| 3.2.1 粒子群优化算法 |
| 3.2.2 粒子群算法优化随机森林的电力系统短期负荷预测模型 |
| 3.2.3 模型输入变量的选取 |
| 3.3 算例分析 |
| 3.4 本章小结 |
| 第四章 基于双层随机森林算法的电力系统短期负荷预测模型 |
| 4.1 双层随机森林模型 |
| 4.2 相似日的选取 |
| 4.3 粒子群算法优化双层随机森林的短期负荷预测模型 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（9）基于改进神经网络的电力负荷预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力负荷影响因素研究现状 |
| 1.2.2 电力负荷预测研究现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 章节安排 |
| 第二章 电力负荷预测的基本理论 |
| 2.1 概述 |
| 2.2 历史数据的预处理 |
| 2.3 电力负荷预测的特点、基本原理和方法 |
| 2.3.1 电力负荷预测的特点 |
| 2.3.2 电力负荷预测的基本原理 |
| 2.3.3 电力负荷预测的方法 |
| 2.4 电力负荷预测的基本步骤和误差分析 |
| 2.4.1 电力负荷预测的基本步骤 |
| 2.4.2 电力负荷预测的误差分析 |
| 2.5 本章小结 |
| 第三章 基于自适应变异蝙蝠优化小波神经网络的短期负荷预测 |
| 3.1 概述 |
| 3.2 模型搭建 |
| 3.2.1 小波神经网络 |
| 3.2.2 蝙蝠优化算法 |
| 3.2.3 自适应变异蝙蝠优化算法 |
| 3.2.4 自适应变异蝙蝠优化小波神经网络模型建立 |
| 3.3 算例分析 |
| 3.4 本章小结 |
| 第四章 考虑政策因素的中长期负荷预测 |
| 4.1 概述 |
| 4.2 政策因素下的负荷影响因素指标体系的构建 |
| 4.2.1 政策因素对电力负荷的影响分析 |
| 4.2.2 政策因素指标体系构建 |
| 4.3 改进灰色关联分析模型的建立 |
| 4.3.1 传统灰色关联分析模型 |
| 4.3.2 主成分分析 |
| 4.3.3 改进灰色关联分析模型 |
| 4.4 基于模糊聚类的中长期负荷预测 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第五章 总结和展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
（10）基于数据挖掘与改进鲸鱼算法优化支持向量机的短期电力负荷预测（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 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 电力负荷数据的预处理 |
| 2.1 电力负荷数据的分类 |
| 2.1.1 电力负荷数据的分类 |
| 2.1.2 电力异常负荷数据分类 |
| 2.2 异常数据的辨识与修正 |
| 2.2.1 用改进模糊C均值算法提取电力负荷曲线 |
| 2.2.2 异常数据的辨识 |
| 2.2.3 异常数据的修正 |
| 2.3 电力负荷数据预处理流程 |
| 2.4 数据处理结果分析 |
| 2.5 本章小结 |
| 第3章 影响电力负荷的因素分析 |
| 3.1 电力负荷的周期性研究 |
| 3.2 天气因素对短期电力负荷预测的影响分析 |
| 3.3 本章小结 |
| 第4章 基于模糊灰色聚类法的相似日选取 |
| 4.1 相似日 |
| 4.2 模糊聚类法选择相似日粗集 |
| 4.3 基于模糊灰色关联分析法相似日选取 |
| 4.4 模糊灰色聚类提取相似日算法 |
| 4.5 应用算例 |
| 4.6 本章小结 |
| 第5章 短期电力负荷预测模型 |
| 5.1 支持向量机 |
| 5.1.1 支持向量机理论 |
| 5.1.2 支持向量机核函数的选取 |
| 5.2 改进鲸鱼优化算法 |
| 5.3 改进鲸鱼算法优化支持向量机的负荷预测模型 |
| 5.4 实验结果与分析 |
| 5.4.1 电力负荷预测的误差分析 |
| 5.4.2 预测结果模型对比体系 |
| 5.4.3 预测模型结果与分析 |
| 5.4.4 预测结果模型对比分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 致谢 |
| 参考文献 |
四、短期负荷预测误差的灰色关联分析（论文参考文献）
- [1]基于灰色关联分析法和BP神经网络的配电网负荷预测[J]. 马天佚,武岳. 农村电气化, 2021(12)
- [2]基于GRA-IBAS-BP网络的短期配电网负荷预测[J]. 解海翔,陈芳芳,刘易,盖佳郇,徐天奇. 自动化技术与应用, 2021(11)
- [3]基于灰色关联分析和K均值聚类的短期负荷预测[J]. 黄冬梅,庄兴科,胡安铎,孙锦中,时帅,孙园,唐振. 电力建设, 2021(07)
- [4]基于机器学习的成都市居民用电量预测研究与应用[D]. 何雪梅. 北京邮电大学, 2021
- [5]基于机器学习的电力系统静态电压稳定评估及实时经济调度研究[D]. 孟祥飞. 北京交通大学, 2021(02)
- [6]浙江电网企业现货市场中的现金流智能预测研究[D]. 苏启超. 华北电力大学(北京), 2021(01)
- [7]计及新能源的电力现货市场交易优化研究[D]. 王珂珂. 华北电力大学(北京), 2021(01)
- [8]基于随机森林算法的电力系统短期负荷预测研究[D]. 邢书豪. 青岛大学, 2020(01)
- [9]基于改进神经网络的电力负荷预测研究[D]. 张博. 山东理工大学, 2020(02)
- [10]基于数据挖掘与改进鲸鱼算法优化支持向量机的短期电力负荷预测[D]. 洪卉. 南昌大学, 2020(01)