长春市电力市场负荷预测研究

论文摘要

单一的依靠研究时间序列自身规律性而不考虑外在因素影响的负荷预测方法已经难以满足预测的精度要求,同时智能算法较强的非线性拟和能力也为负荷预测的研究提供了广阔的思路。本文首先运用单一预测方法对中长期负荷进行预测和分析,然后通过关联度分析方法对影响因素进行筛选,将影响因素时间序列值同负荷变动值结合起来作为SVM方法的输入变量和输出变量,得到SVM负荷预测值,同时运用改进灰色预测模型进行序列增长性预测,然后通过统计方差最小化确定组合权重,进而得到灰色支持向量机组合预测值,最后通过马尔可夫过程对预测残差的修正得到最终预测结果。长春市电力负荷预测实践结果表明,该方法能够进一步提高预测精度,具有一定的实用价值。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 论文研究背景及意义
• 1.2 国内外研究现状
• 1.3 论文主要研究内容
• 第二章 电力负荷预测概述
• 2.1 负荷预测概念
• 2.2 负荷预测分类
• 2.2.1 负荷预测按行业分类
• 2.2.2 负荷预测按时间分类
• 2.2.3 负荷预测按特性分类
• 2.3 负荷预测特点
• 2.4 负荷预测影响因素
• 2.5 负荷预测基本步骤
• 2.6 负荷预测误差分析
• 2.7 电力市场环境分析
• 2.8 电力市场负荷特性分析
• 第三章 单一序列负荷预测模型对比预测
• 3.1 灰色模型
• 3.1.1 灰色系统原理
• 3.1.2 灰色模型建立
• 3.1.3 改进GM（1，1）模型建立
• 3.2 神经网络模型
• 3.2.1 人工神经网络特点
• 3.2.2 BP 神经网络原理
• 3.2.3 BP 神经网络算法实现
• 3.3 支持向量机模型
• 3.3.1 支持向量机特点
• 3.3.2 支持向量机原理
• 3.3.3 支持向量机算法实现
• 3.4 负荷预测精度比较
• 第四章 多因素影响负荷预测辅助模型
• 4.1 灰色关联度模型
• 4.1.1 关联度分析特点
• 4.1.2 关联度分析原理
• 4.1.3 关联度分析算法实现
• 4.2 方差优选组合预测方法
• 4.2.1 组合预测方法原理
• 4.2.2 组合预测权重确定
• 4.3 马尔可夫残差修正模型
• 4.3.1 马尔可夫过程原理
• 4.3.2 马尔可夫过程实现
• 第五章 中长期电力负荷组合预测模型
• 5.1 关联度因素筛选
• 5.2 改进GM（1,1）预测
• 5.3 SVM 预测
• 5.4 组合预测
• 5.5 误差分析
• 5.6 马尔可夫修正
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 在学习期间发表的论文和参加科研情况