一、优化灰色模型在负荷预测中的应用（论文文献综述）
李彬,陈达理,祁兵,孙毅,陈宋宋[1]（2022）在《基于改进型蚁狮混合优化系统模型负荷可调节能力预测》文中进行了进一步梳理为解决传统灰色模型在电力负荷预测应用中存在的问题,文章研究一种电力负荷可调节能力预测模型的性能提升方法。所提方法在传统灰色模型和改进蚁狮优化算法的基础上,结合灰色关联分析方法和动态滚动机制,提出一种改进型蚁狮混合优化灰色预测模型。为验证模型效果,文章采用北京某台区用电负荷可调节量模拟数据建模,并同4种预测模型的结果进行比较,实验结果证明所提模型可有效提升电力负荷可调节能力预测模型的预测性能。
王珂珂[2]（2021）在《计及新能源的电力现货市场交易优化研究》文中提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。
刘连义[3]（2021）在《基于新型累加灰色模型的可再生能源消耗量预测研究》文中研究说明随着全球可再生能源消费需求的日益增长,切实有效的预测技术对于能源消耗市场的研究愈发重要。而面对复杂的能源消费系统,如何在有限的数据条件下对能源消耗量进行精确预测具有重要的现实意义。本文分析了能源预测领域的研究现状,针对能源预测问题中的“少数据”和“不确定性”特征,利用新型灰色预测技术对欧盟的能源消耗预测问题进行建模分析,为再生能源的发展研究提供了可靠的数据支撑。灰色预测模型是解决不确定性系统建模问题的重要数学方法,自创立以来在经济、能源、环境和农业等多个领域都有成功的应用。然而,面对复杂的非线性预测问题,现有的灰色预测模型很难进行高精度预测,需要根据实际问题对模型进行改进和优化。因此,本文为了扩大模型的建模范围,提高解的稳定性,根据“新信息优先”的原理提出了两种新型的灰色生成算子,并采用实例进行验证。本文的研究内容主要包括:（1）利用变权求和的方法对传统一阶累加进行改进,构建了平滑累加灰色生成算子,从而对历史信息和新信息赋予不同的累加权重。其次,从模型的建模条件出发,分析了平滑累加灰色预测模型的建模适用范围,并从初始值利用和模型解的扰动界等角度比较了平滑累加和传统一阶累加的差异。（2）基于“新信息优先”的原理,构建了阻尼累加灰色生成算子,该算子能够灵活调整预测值的增长速率。同时,构建了阻尼累加灰色模型,给出了参数求解的方法,并从建模条件、解的稳定性和还原误差等角度,分析了阻尼累加灰色模型的性质。最后比较分析了现有的几种常用的灰色生成算子,研究了新型灰色生成算子运算的交换律和指数律性质。（3）欧盟可再生能源消耗量预测研究。分析了可再生能源利用现状,构建了新型灰色预测模型对欧盟的可再生能源消耗量进行预测,并且预测结果与中国、美国和全球总消耗的预测结果进行对比分析。此外对太阳能、风能和生物质能等几类主要可再生能源的消耗量趋势进行了预测分析,预测结果显示欧盟的可再生能源消耗量占全球的比重将会逐年下降。
盛子聿[4]（2021）在《基于神经网络的短期负荷预测模型》文中研究说明随着科学技术和社会经济的快速发展,能源消耗尤其是电力的消耗与日俱增,这对现在的电力系统无疑是一个巨大的机遇和挑战,而快速准确的短期负荷预测（STLF）则是解决这些问题的关键。短期负荷预测是电力系统经济调度中的一项主要内容,是能量管理系统（EMS）的重要组成部分。通过准确可靠的短期负荷预测,电力系统的安全性、调度效率和经济效益将会得到显着提升,这使得人们能够出色的应对未来多样化的电力需求和复杂的电力系统所带来的挑战。研究人员提出了许多方法,以满足目前电力系统对负荷预测的可靠性和准确性不断增长的要求。人工神经网络（ANN）则是短期负荷预测的主流方法之一,其强大的非线性映射学习能力使我们能够充分利用历史负荷数据之间的隐藏关系来准确预测电力负荷。神经网络也发展出了多种变体,例如具有强大特征提取能力的卷积神经网络（CNN）和具有时间序列输入处理能力的循环神经网络（RNN）。这些网络结构被广泛用于计算机视觉（CV）,自然语言处理（NLP）和非线性回归问题中。本文对短期负荷预测的特点、常用方法以及实施步骤进行了深入的分析,并对目前主流的短期负荷预测方法——神经网络进行了研究。随后,将神经网络应用在了短期负荷预测问题的解决上,分别基于CNN和RNN提出了卷积残差网络和残差LSTM网络这两类高性能短期负荷预测模型,对模型结构和特点进行了介绍,并根据两类模型不同的特性设计了多组实验来验证其性能,证明了提出的神经网络模型在短期负荷预测上都拥有优异的表现。本文主要包含如下内容:（1）首先介绍了短期负荷预测的研究背景,发展历史以及常用方法。对短期负荷预测的基本类型、日负荷特性、影响因素以及实施步骤进行了分析,并且研究了神经网络的结构设计及原理,这将对建立短期负荷预测模型提供指导。（2）提出了一个基于CNN的卷积残差网络模型进行短期负荷预测,重点研究了不同深度、宽度以及块内结构的残差网络在处理回归问题时的效果。通过多组对照试验我们得出了进行短期负荷预测最佳的卷积残差网络结构和相应的超参数,该模型相比现有的模型拥有更高的预测准确率,证明了我们提出的卷积残差网络在解决负荷预测问题时可以取得出色的效果。（3）基于另一个常用的神经网络结构RNN,提出了结合深度残差网络和长短期记忆循环神经网络的残差长短期记忆（LSTM）网络来进行短期负荷预测。该模型结合了残差网络可以训练很深的神经网络以及LSTM可以进行时间序列预测的特点,并且通过维度加权单元显式建模特征维度之间的相互依赖性来自适应地重新校准维度方面的特征响应,使得我们可以从深度、时间和特征维度三个方面来共同提升模型的性能。集成方法也被应用来提升模型的准确率和鲁棒性。通过在两个数据集上的多组对照实验,我们展示了提出的模型拥有很高的准确率、鲁棒性以及泛化能力,相较于现有的主流模型能够更好的进行短期负荷预测。
杨海兰[5]（2021）在《武威地区短期负荷预测研究》文中指出短期电力负荷预测是电力系统运行、规划的关键,其准确性可以保证电力系统安全稳定运行,降低发电成本,提高经济效益。随着我国进入“十四五”时期,电力需求持续增长,精准的短期负荷预测显得愈发重要。本文为了进一步提高短期负荷预测精度,研究了基于长短期记忆神经网络（Long Short Term Memory,LS TM）和支持分类特征梯度提升（Gradient Boosting With Categorical Features Supp ort,CatBoost）组合的短期负荷预测模型。首先,对武威地区电力负荷分类及短期负荷特性进行分析,探寻负荷的周期性、随机性和相似性,以及短期负荷本身具有的时序性和非线性特点。对武威地区负荷与连续型特征进行皮尔逊相关系数分析,对分类型特征进行CatBoost特征重要性分析,综合两种方法提取不同的负荷特征,为后期负荷预测建模做准备。其次,由于电力负荷数据具有时序性特点,故搭建LSTM短期负荷预测模型;考虑到负荷特征中有分类型特征,用CatBoost算法搭建短期负荷预测模型;对LSTM和CatBoost的互补性进行分析,用不同长度的负荷序列作为这两个模型的输入进行负荷预测分析,得知LSTM算法能对负荷数据的长周期时序性信息进行充分地学习挖掘,CatBoost算法对长周期时序性数据感知能力较差;用这两个模型分别对工作日、休息日、法定假日进行负荷预测分析,得知CatBoost算法能很好的拟合分类型特征,LSTM算法拟合分类型特征能力较差。最后,为了对LSTM和CatBoost模型取长补短,提出基于固定权重的LSTM和CatBoost短期负荷组合模型,用最优加权法和方差倒数法确定LSTM和CatBoost模型的权重,得到两种不同的固定权重的组合模型;提出基于RBF神经网络的LSTM和CatBoost组合预测模型,利用RBF全局最优逼近性能将LSTM和CatBoost进行非线性组合。使用武威地区实际负荷数据,对不同日期类型下三种不同的组合模型有效性进行验证。结果表明,在任何日期类型下,所提组合模型都能有效结合单一模型的优点,在对长周期时序性数据充分挖掘的基础上同时提高分类型特征的拟合能力。所提组合模型与LSTM和CatBoost模型相比,预测精度得到了进一步提高。其中,基于RBF神经网络组合法预测效果最好。
魏文浩[6]（2021）在《多目标优化组合模型在电力负荷与发电量预测中的研究与应用》文中研究指明近几年随着计算机技术的迅速发展,多种基于神经网络的预测模型被建立并迅速的应用在时间序列预测中,凭借着神经网络模型对复杂非线性回归求解的突出优势,在非线性时间序列预测中能得到精度较高的预测结果。然而神经网络模型应用在不同的数据集中预测结果精度差距较大,不具有通用性。因此,目前很多学者采用组合预测模型理论结合智能优化算法将多个模型预测结果通过组合权重综合不同模型提供的预测信息,尽可能的提高预测模型的通用性和预测精度。鉴于此,本文建立了一个基于群智能优化算法的组合预测模型来提高预测的通用性,利用组合权重将多个神经网络预测信息进行结合,充分的利用各模型的优点,从而提高时间序列的预测精度。首先,本文对预测的电力负荷需求和各能源发电量原始时间序列进行数据预处理,减少数据中的无用信息,降低数据中噪声的干扰。其次,设计了一个组合预测模型利用神经网络预测模型具有较强的函数逼近能力、自学习能力、非线性适应性能力、以及快速优化计算能力带来的强鲁棒性和容错性等优点用于电力负荷需求和各能源发电量预测中。最后,利用改进后的多目标蜻蜓算法对组合模型的组合权重进行优化。利用DM检验和预测有效度对模型进行验证。在2016年至2019年电力负荷需求和各能源发电量预测中,本文建立的组合预测模型预测误差远低于单一模型。通过这些验证结果表明,本文建立的组合模型不仅能对电力负荷预测提供较高精度的预测结果,还能较精确的预测不同能源的发电量。
薛丽[7]（2020）在《白银市售电量预测模型研究》文中指出售电量是电网企业经营管理的重要经济指标,也是售电均价、财务收入、电网投资预算等一系列指标计算的基础数据。由于售电量受到诸多复杂因素影响,很难找到一种“放之四海”皆准的预测方法,既适合于任何地区又适用于各种情况。目前,关于售电量预测的研究有很多,常用的预测方法主要有灰色预测法和时间序列法两大类,但是这些方法在不同地区、不同售电结构和不同的用电负荷特性的售电量预测中存在一定的局限性。本文旨在研究适用于白银市月度售电量预测的模型,提高预测准确度,满足企业工作需要。结合白银市用电负荷特性,本文按照用电性质、执行电价和国民经济行业对白银市用电负荷进行分类,分析售电量变化规律。在此基础上构建了五种数学模型,通过分析比对仿真预测结果,选取灰色预测和人工神经网络组合方式作为基础预测模型,采用差分进化算法对灰色神经网络预测模型网络参数进行了优化,并将气象因素作为影响因子不断修正预测模型。为进一步提高预测模型的精度,充分考虑当地用电负荷结构特点,将K-means聚类算法应用到白银市负荷聚类中,将七类负荷聚为三类。在MATLAB平台上建立了白银市月度售电量预测模型,采用聚类后的售电量作为训练数据,通过与聚类前的预测结果进行对比,结果证明基于数据聚类的差分灰色神经网络预测模型,能够进一步提高该市月度售电量预测的精度。
刘文翰[8]（2020）在《基于机器学习的电力负荷预测方法与智慧校园应用研究》文中指出在构建坚强智能电网的背景下,国内高校加速推进了智能校园能耗管理系统建设与完善,低压侧能耗管理的作用日益凸显,特别是其中的电力负荷预测任务,它为高校整体配电及节能规划提供强有力的数据支撑。本文针对校园电力数据海量化、多维化的趋势,解决传统机器学习预测算法将会遭遇累积误差大的预测性能瓶颈,首先提出了基于快照反馈机制的短期电力负荷组合预测方法;接着,由于峰值负荷预测对电网的优化运行与安全稳定起着重要的作用,因此本文提出了基于多时序协同模型的电力峰值负荷预测方法;最后,设计并实现智慧校园电力负荷预测系统。本文所做的主要工作如下:（1）提出基于快照反馈的短期电力负荷组合预测方法。首先针对VMD算法需要预先确定模态数K,模态数K的值将影响预测模型在训练集上的表现程度及LSTM模型进行多时刻负荷值预测时累积误差很大等问题,提出了带有快照反馈机制和带有循环滑窗策略的短期负荷预测模型（VMDSF-CSLSTM）。然后使用澳大利亚电力能源市场的塔斯马尼亚州（TAS）,昆士兰州（QLD）,新南威尔士州（NSW）,南澳大利亚州（SA）电力负荷公开数据集,将该模型与其他短期负荷预测模型进行结果对比,各数据集上综合平均百分比误差为1.25%,验证本节所提组合模型的有效性。最后将VMDSF-CSLSTM组合模型应用于湘潭大学四组变压器的短期负荷预测,综合平均百分比误差为7.70%。（2）提出基于多时序协同模型的电力峰值负荷预测方法。首先提出基于加法自回归积分滑动平均模型结合带有循环滑窗策略的长短期记忆网络的多时序协同峰值负荷预测模型（ARIMA-CSLSTM）,所提模型提供一种将内部时序与外部时序相结合的峰值负荷预测方法。然后使用四个电力负荷公开数据集,将所提模型与其他峰值负荷预测模型进行结果对比,各数据集上综合平均百分比误差为1.15%,验证所提模型应用于峰值负荷预测具有良好表现。最后将ARIMA-CSLSTM应用于湘潭大学四组变压器的峰值负荷预测,综合平均百分比误差为3.33%。（3）设计并实现智慧校园电力负荷预测系统。首先对该系统需求分析、系统设计进行分析与阐述,并详细说明系统主要功能模块设计及应用界面。该系统可进行负荷特性分析、短期负荷预测及峰值负荷预测,根据建设坚强智能电网的要求,采用分布式客户端、前后端分离的系统总体思路,实现该系统的智能化、可视化。
于萌[9]（2020）在《基于虚拟预测的电力系统短期负荷预测研究》文中研究表明当前我国经济发展处于新常态,电力改革向纵向推进,电力负荷增长存在较大的波动性与不确定性,负荷预测能为电网规划提供可靠决策依据,对电网高效运营十分重要。短期负荷预测是负荷预测工作的重要组成部分,对于提高发电设备的利用率和经济调度有着重要意义。本文在对传统负荷预测方法进行评价与比较的基础上,引入虚拟预测的思想,并将其应用于电力系统短期负荷预测的研究。首先以电力负荷大数据趋势加剧为背景,充分考虑历史负荷及多种气象因素,为解决高维数据信息混杂的现象,对相关数据展开筛选与挖掘:采用小波阈值去噪技术处理历史负荷数据,修复异常数据;引入广义灰色绝对关联度作为气象因素的筛选指标,从12个气象因素中筛选得到6个因素,再运用PCA算法对6个气象因素进行降维处理和特征提取,获得有效气象数据样本集。其次,运用BP神经网络、支持向量机、灰色预测等多种不同的预测方法对同一历史时段进行虚拟预测,以离差最大化综合属性值作为评判指标,从6种单项模型中择优遴选出四种模型。最后,以虚拟预测残差平方和最小为目标,建立最优虚拟预测方式下的短期负荷预测综合模型,并应用该模型对真正的“待预测日”进行预测,验证模型和算法的合理性及有效性。
许飞[10]（2020）在《基于机器学习的短期负荷预测》文中提出电力系统负荷预测是保证电力系统安全稳定经济运行的重要基础。按照时间尺度常可以分为长期负荷预测、中长期负荷预测、短期负荷预测和超短期负荷预测。不同时间尺度的负荷预测对电力系统有不同的作用,其中短期负荷预测有利于提高发电设备的利用率和经济调度的有效性,同时有利于帮助电力系统运行人员制定更加合理的调度计划,维持供需平衡和确保电网安全,减少资源浪费和用电成本。随着接入电网的负载不断增加、用电设备种类变得繁多,特别是电动汽车的接入,给电力系统短期负荷预测带来了巨大的挑战。本文为解决海量负荷数据、负荷波动性增强、传统方法效率较低以及循环神经网络占用资源较大等问题,引入了JANET网络进行短期负荷预测,其意义在于JANET网络在保证预测精度和稳定性的同时,能够极大地提高模型的训练和预测效率,本文将通过基于JANET网络的单一模型和组合模型全面证明其优越性。本文首先通过对传统预测方法和人工智能预测方法优缺点的对比分析,选择了更适合短期负荷预测的人工智能方法。进一步通过对各种神经网络优缺点以及适用场合的对比分析,确定本文将使用JANET网络。在进行短期负荷预测时,首先采集了大量的原始负荷数据和气象数据并进行预处理,对这些数据中的异常数据进行修正,并且使用人工补齐方法补全空缺数据、对数据进行归一化、使用独热编码技术对星期类型进行编码;然后,以互信息理论为基础,通过相关性分析,确定了各类影响因素与负荷之间的相关程度,用相关系数表示,并根据系数大小选择影响因素;其次,使用变分模态分解,将电力系统的历史负荷数据看成是时间序列信息并进行分解得到若干个本征模函数,不同的本征模函数分别搭建负荷预测模型;最后,基于南方电网某地区的实际负荷数据,分别搭建了JANET单一网络和基于JANET网络的组合模型,并与BP、GRU、LSTM网络进行仿真对比,仿真结果表明JANET及其组合网络具有更快的收敛速度、更高的预测精度和更强的稳定性。
二、优化灰色模型在负荷预测中的应用（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、优化灰色模型在负荷预测中的应用（论文提纲范文）
（1）基于改进型蚁狮混合优化系统模型负荷可调节能力预测（论文提纲范文）
| 0 引言 |
| 1 GM(1,1)灰色理论模型 |
| 1.1 GM(1,1)模型的基本原理 |
| 1.2 GM(1,1)模型问题分析 |
| 2 蚁狮优化算法及其改进策略 |
| 2.1 蚁狮优化算法 |
| 1)参数设置 |
| 2)位置初始化 |
| 3)初始精英选择 |
| 4)迭代开始 |
| 5)最终精英选择 |
| 2.2 蚁狮优化算法的改进策略 |
| 2.2.1 ALO精英算子 |
| 2.2.2 灰色关联分析 |
| 3 改进型蚁狮混合优化灰色预测模型 |
| 3.1 动态滚动机制 |
| 3.2 Rolling-IALO-GM(1,1)模型 |
| 4 算例分析 |
| 5 结语 |
（2）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 |
（3）基于新型累加灰色模型的可再生能源消耗量预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 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 灰色预测模型的研究现状 |
| 1.2.2 基于新信息优先原理的灰色生成算子 |
| 1.2.3 可再生能源预测领域研究现状 |
| 1.2.4 研究评述 |
| 1.3 主要研究内容及方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 创新点 |
| 1.3.4 技术路线 |
| 第2章 平滑累加灰色模型 |
| 2.1 传统GM(1,1)模型及其局限性 |
| 2.2 平滑累加灰色模型构建及求解 |
| 2.2.1 模型构建 |
| 2.2.2 参数求解 |
| 2.3 平滑累加灰色模型性质分析 |
| 2.3.1 建模条件分析 |
| 2.3.2 初始值利用 |
| 2.3.3 解的稳定性分析 |
| 2.4 案例分析 |
| 2.4.1 案例背景 |
| 2.4.2 模型选择及参数设置 |
| 2.4.3 试验结果 |
| 2.5 本章小结 |
| 第3章 阻尼累加灰色模型 |
| 3.1 阻尼累加灰色模型 |
| 3.1.1 阻尼累加灰色生成算子 |
| 3.1.2 模型构建 |
| 3.1.3 阻尼参数求解 |
| 3.2 模型性质分析 |
| 3.2.1 灰色建模条件分析 |
| 3.2.2 解的扰动界 |
| 3.2.3 还原误差分析 |
| 3.3 灰色生成算子比较分析 |
| 3.3.1 预测效果比较 |
| 3.3.2 累加算子运算 |
| 3.4 案例分析 |
| 3.5 本章小结 |
| 第4章 欧盟可再生能源消耗量预测 |
| 4.1 基本情况 |
| 4.1.1 欧盟资源利用情况 |
| 4.1.2 主要可再生能源介绍 |
| 4.1.3 数据来源 |
| 4.2 模型构建及求解 |
| 4.3 可再生能源总消耗量预测 |
| 4.4 各类主要可再生能源消耗预测 |
| 4.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和参加科研情况 |
| 致谢 |
| 作者简介 |
| 附录 |
（4）基于神经网络的短期负荷预测模型（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 智能电网和短期负荷预测的研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 行业内研究现状 |
| 1.2.1 经典预测方法 |
| 1.2.2 现代预测方法 |
| 1.3 论文研究内容及结构 |
| 第二章 短期负荷预测与人工神经网络 |
| 2.1 短期负荷预测 |
| 2.1.1 基本负荷预测类型及特点 |
| 2.1.2 负荷特性分析 |
| 2.1.3 影响短期负荷预测的主要因素 |
| 2.1.4 短期负荷预测的具体实施步骤 |
| 2.2 神经网络 |
| 2.2.1 神经网络结构及原理 |
| 2.2.2 卷积神经网络 |
| 2.2.3 循环神经网络 |
| 第三章 基于卷积残差网络的短期负荷预测模型 |
| 3.1 深度残差网络介绍 |
| 3.2 基于卷积残差网络的短期负荷预测模型结构 |
| 3.2.1 模型的输入以及基础结构 |
| 3.2.2 卷积残差网络 |
| 3.2.3 Dropout与批量归一化 |
| 3.2.4 卷积核的选择 |
| 3.2.5 激活函数 |
| 3.3 模型实施细节 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集介绍 |
| 3.4.2 不同宽度和深度下模型的表现 |
| 3.4.3 不同残差块结构和卷积核尺寸对模型的影响 |
| 3.4.4 捷径连接类型对比 |
| 3.4.5 Dropout对模型的影响 |
| 3.4.6 激活函数性能分析 |
| 3.4.7 卷积残差网络与几类主流机器学习模型性能对比 |
| 3.4.8 卷积残差网络在不同季节的预测效果 |
| 3.5 本章小结 |
| 第四章 基于残差LSTM网络的短期负荷预测模型 |
| 4.1 残差LSTM网络模型结构 |
| 4.1.1 Res Net Plus网络介绍 |
| 4.1.2 LSTM简介 |
| 4.1.3 维度加权单元 |
| 4.1.4 集成方法 |
| 4.2 模型实施细节 |
| 4.3 实验结果与分析 |
| 4.3.1 不同模型结构的表现 |
| 4.3.2 残差LSTM网络与几类主流机器学习模型性能对比 |
| 4.3.3 残差LSTM网络在不同年份和季节上的表现 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 下一步的研究计划 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间已发表的论文 |
| 攻读硕士期间参加的科研项目 |
（5）武威地区短期负荷预测研究（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 国内外研究现状 |
| 1.2.1 基于统计学的短期负荷预测方法分析 |
| 1.2.2 基于机器学习的短期负荷预测方法分析 |
| 1.2.3 组合预测研究现状 |
| 1.3 本文章节安排 |
| 第2章 电力负荷特性分析及数据预处理 |
| 2.1 电力负荷分类及特性分析 |
| 2.1.1 电力负荷分类 |
| 2.1.2 短期电力负荷特性分析 |
| 2.2 短期负荷影响因素分析 |
| 2.3 负荷特征选择 |
| 2.4 负荷数据预处理 |
| 2.4.1 缺失值处理 |
| 2.4.2 异常值处理 |
| 2.5 负荷预测评价指标 |
| 2.6 本章小结 |
| 第3章 短期负荷预测模型建立与仿真 |
| 3.1 长短期记忆网络短期负荷预测模型 |
| 3.1.1 循环神经网络 |
| 3.1.2 长短期记忆神经网络 |
| 3.1.3 LSTM模型搭建 |
| 3.2 CatBoost短期负荷预测模型 |
| 3.2.1 梯度提升决策树 |
| 3.2.2 CatBoost算法 |
| 3.2.3 CatBoost模型搭建 |
| 3.3 LSTM和CatBoost互补性分析 |
| 3.4 本章小结 |
| 第4章 组合模型的短期负荷预测 |
| 4.1 基于固定权重的组合预测模型 |
| 4.1.1 权重计算 |
| 4.1.2 基于固定权重的组合预测模型框架图 |
| 4.2 基于RBF神经网络的组合预测模型 |
| 4.2.1 RBF神经网络 |
| 4.2.2 基于RBF神经网络的组合预测模型框架图 |
| 4.2.3 RBF神经网络组合预测模型建模 |
| 4.3 组合模型预测算例分析 |
| 4.3.1 基于固定权重的组合预测结果 |
| 4.3.2 基于RBF神经网络的组合预测结果 |
| 4.3.3 各组合模型对比分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
（6）多目标优化组合模型在电力负荷与发电量预测中的研究与应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 研究背景和意义 |
| 1.2 电力负荷预测方法研究现状 |
| 1.3 各能源发电量预测方法研究现状 |
| 1.4 本文主要工作及章节结构 |
| 第二章 基于多目标优化算法的组合预测方法 |
| 2.1 预测模型 |
| 2.2 多目标优化算法 |
| 2.2.1 标准的多目标蜻蜓优化算法(MODA) |
| 2.2.3 改进的多目标蜻蜓优化算法(MMODA) |
| 2.2.4 .策略一:精英反向学习策略 |
| 2.2.5 .策略二:指数步长策略 |
| 2.3 多目标优化算法组合预测模型流程 |
| 2.4 本章小结 |
| 第三章 电力负荷预测与分析 |
| 3.1 实验设计 |
| 3.1.1 实证分析一:基于ICEEMDAN的混合模型与组合模型比较分析 |
| 3.1.2 实证分析二:与基于不同数据预处理方法的组合预测模型进行比较分析 |
| 3.1.3 实证分析三:与基于不同多目标优化算法的组合预测模型进行比较分析 |
| 3.1.4 实证分析四:2019 年电力负荷预测结果 |
| 3.2 讨论 |
| 3.2.1 组合模型的预测意义分析:Dibold-Mariano(DM)检验 |
| 3.2.2 预测不确定性分析 |
| 3.2.3 计算效率分析:运行时间 |
| 3.2.4 组合预测模型对各季节电力负荷的预测分析 |
| 3.3 本章小结 |
| 第四章 不可再生能源发电量预测 |
| 4.1 实证及结果分析 |
| 4.1.1 实证分析一:组合预测模型与基于数据预处理方法的混合模型进行比较分析 |
| 4.1.2 实证分析二:组合预测模型对天然气发电量的预测及分析 |
| 4.1.3 实证分析三:组合预测模型对核能发电量的预测及分析 |
| 4.2 讨论 |
| 4.2.1 DM假设检验 |
| 4.2.2 预测有效性分析 |
| 4.2.3 所提出组合模型的提升百分比分析 |
| 4.2.4 运行时间 |
| 4.3 本章小结 |
| 第五章 新能源发电量预测 |
| 5.1 实证及结果分析 |
| 5.1.1 实证分析一:太阳能发电量预测分析 |
| 5.1.2 实证分析二:风能发电量预测分析 |
| 5.1.3 实证分析三:水能发电量预测分析 |
| 5.1.4 实证分析四:其他能源发电量预测分析 |
| 5.2 讨论 |
| 5.2.1 所建立组合预测模型的预测有效性分析 |
| 5.2.2 所采用多目标优化算法的参数寻优能力测试 |
| 5.2.3 所建立组合预测模型及各个基准模型的运行时间比较分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 在学期间的研究成果 |
| 致谢 |
（7）白银市售电量预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 售电量预测的作用及意义 |
| 1.2 研究现状 |
| 1.3 本文研究的主要内容 |
| 1.4 本章小结 |
| 第2章 白银市售电量特性分析 |
| 2.1 白银市售电量结构 |
| 2.2 白银市售电量影响因素 |
| 2.3 白银市售电量数据预处理 |
| 2.4 售电量影响因子归一化处理 |
| 2.5 本章小结 |
| 第3章 时间序列法在白银市售电量预测中的应用 |
| 3.1 时间序列法基本理论概述 |
| 3.2 预测误差评价方法 |
| 3.3 时间序列法实证分析 |
| 3.4 本章小结 |
| 第4章 白银市售电量预测数学模型的建立 |
| 4.1 白银市售电量预测线性模型的构建 |
| 4.1.1 ARMA售电量预测模型 |
| 4.1.2 ARIMA售电量预测模型 |
| 4.2 白银市售电量预测组合模型的构建 |
| 4.2.1 灰色模型(Greg Model) |
| 4.2.2 灰色神经网络售电量预测模型 |
| 4.2.3 差分灰色神经网络售电量预测模型 |
| 4.3 本章小结 |
| 第5章 基于数据聚类的白银市月度售电量预测 |
| 5.1 白银市售电量聚类 |
| 5.2 聚类预测效果评价与改进措施 |
| 5.3 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读研究生期间所发表的学术论文 |
（8）基于机器学习的电力负荷预测方法与智慧校园应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 全文缩写与中文含义对照表 |
| 全文符号与中文含义对照表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力负荷预测的分类 |
| 1.2.2 机器学习研究现状 |
| 1.2.3 智慧校园电力管理现状 |
| 1.3 论文主要工作及框架 |
| 第2章 相关概念及技术 |
| 2.1 引言 |
| 2.2 电力负荷预测方法 |
| 2.2.1 传统预测方法 |
| 2.2.2 组合预测方法 |
| 2.3 机器学习模型 |
| 2.3.1 支持向量回归机 |
| 2.3.2 人工神经网络 |
| 2.3.3 长短时记忆网络 |
| 2.4 信号分解算法 |
| 2.4.1 经验模态分解算法 |
| 2.4.2 变分模态分解算法 |
| 2.4.3 加法自回归移动平均分解算法 |
| 2.5 本章小结 |
| 第3章 基于快照反馈的短期电力负荷组合预测方法 |
| 3.1 引言 |
| 3.2 基于VMDSF-CSLSTM的短期电力负荷预测方法 |
| 3.2.1 基于快照反馈机制的改进VMD算法 |
| 3.2.2 基于循环滑窗策略的LSTM预测模型 |
| 3.2.3 VMDSF-CSLSTM短期负荷预测模型 |
| 3.3 基于VMDSF-CSLSTM的可行性试验 |
| 3.3.1 实验逻辑说明 |
| 3.3.2 实验数据说明及分析 |
| 3.3.3 实验结果分析 |
| 3.4 基于VMDSF-CSLSTM校园短期电力负荷预测的应用 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于多时序协同模型的电力峰值负荷预测方法 |
| 4.1 引言 |
| 4.2 基于ARIMA-CSLSTM模型的电力峰值负荷预测方法 |
| 4.3 基于ARIMA-CSLSTM的可行性试验 |
| 4.3.1 实验数据说明 |
| 4.3.2 实验结果分析 |
| 4.4 基于ARIMA-CSLSTM校园楼宇峰值负荷预测的应用 |
| 4.4.1 实验数据说明 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第5章 智慧校园电力负荷预测系统设计与实现 |
| 5.1 引言 |
| 5.2 系统需求分析 |
| 5.3 系统设计 |
| 5.3.1 系统架构设计与开发环境 |
| 5.3.2 系统功能设计 |
| 5.3.3 数据库表结构设计 |
| 5.4 系统主要功能实现 |
| 5.4.1 权限管理 |
| 5.4.2 电力负荷查询与分析模块 |
| 5.4.3 电力负荷短期预测模块 |
| 5.4.4 电力负荷峰值预测模块 |
| 5.5 系统测试 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介、攻读硕士学位期间的学术成果及科研项目 |
（9）基于虚拟预测的电力系统短期负荷预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统负荷预测方法的分析评价与比较 |
| 1.2.2 预测效果的分析与考核指标 |
| 1.2.3 虚拟预测思想的研究与应用 |
| 1.3 本文主要研究内容 |
| 第2章 影响短期负荷预测因素的相关数据预处理 |
| 2.1 基于小波去噪技术处理历史负荷数据 |
| 2.1.1 小波阈值去噪技术的原理及步骤 |
| 2.1.2 阈值估计方法 |
| 2.1.3 阈值函数的选取及优化 |
| 2.1.4 去噪技术的性能指标评价 |
| 2.2 多气象因素数据挖掘 |
| 2.2.1 灰色关联分析的理念与原理 |
| 2.2.2 基于广义灰色绝对关联度多种气象因素评估与筛选 |
| 2.2.3 基于PCA的气象因素数据降维 |
| 2.3 本章小结 |
| 第3章 构建短期负荷预测单项模型 |
| 3.1 BP神经网络预测模型 |
| 3.2 支持向量机预测模型 |
| 3.3 灰色GM(1,1)预测模型 |
| 3.4 二次滑动平均预测模型 |
| 3.5 三次指数平滑预测模型 |
| 3.6 点对点倍比预测模型 |
| 3.7 本章小结 |
| 第4章 预测决策与综合模型构建 |
| 4.1 多属性预测决策 |
| 4.1.1 多属性决策的理论基础 |
| 4.1.2 基于离差最大化综合属性值的多属性预测决策 |
| 4.2 最优虚拟预测方式下的短期负荷预测综合模型 |
| 4.2.1 综合预测模型的基本假定 |
| 4.2.2 最优虚拟预测方式的综合模型 |
| 4.3 本章小结 |
| 第5章 算例分析 |
| 5.1 算例数据与说明 |
| 5.2 历史负荷数据处理 |
| 5.3 气象数据处理 |
| 5.3.1 广义灰色关联度计算 |
| 5.3.2 PCA数据降维及仿真 |
| 5.4 单项模型预测效果与仿真 |
| 5.5 预测决策 |
| 5.6 最优虚拟预测方式下综合模型预测与仿真 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（10）基于机器学习的短期负荷预测（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 负荷的传统预测方法 |
| 1.2.2 负荷的现代预测方法 |
| 1.2.3 国内外特征选取的应用现状 |
| 1.3 论文的研究内容 |
| 1.4 论文的结构安排 |
| 第二章 人工神经网络对比分析 |
| 2.1 人工神经网络基本理论 |
| 2.2 反向传播神经网络 |
| 2.3 卷积神经网络 |
| 2.4 循环神经网络 |
| 2.4.1 基本循环神经网络 |
| 2.4.2 长短时记忆网络 |
| 2.4.3 JANET神经网络 |
| 2.5 本章小结 |
| 第三章 短期负荷预测的数据分析理论与应用 |
| 3.1 数据采集和评估 |
| 3.1.1 数据采集 |
| 3.1.2 数据评估 |
| 3.2 数据预处理 |
| 3.3 相关性分析与特征选取 |
| 3.3.1 相关性分析方法 |
| 3.3.2 气象因子与历史负荷相关性分析实例 |
| 3.3.3 多因素与历史负荷相关性分析实例 |
| 3.3.4 相关性计算和特征选取 |
| 3.3.5 预测结果评估 |
| 3.4 本章小结 |
| 第四章 基于VMD和 JANET的短期负荷预测 |
| 4.1 基于变分模态的负荷分解 |
| 4.1.1 经验模态分解的原理 |
| 4.1.2 变分模态分解的原理 |
| 4.1.3 历史负荷数据模态分解的方法步骤 |
| 4.1.4 EMD和 VMD分解对比分析 |
| 4.2 JANET单一网络算例分析 |
| 4.3 基于JANET网络的组合模型算例分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读博士/硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、优化灰色模型在负荷预测中的应用（论文参考文献）
- [1]基于改进型蚁狮混合优化系统模型负荷可调节能力预测[J]. 李彬,陈达理,祁兵,孙毅,陈宋宋. 电力信息与通信技术, 2022(01)
- [2]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)
- [3]基于新型累加灰色模型的可再生能源消耗量预测研究[D]. 刘连义. 河北工程大学, 2021(08)
- [4]基于神经网络的短期负荷预测模型[D]. 盛子聿. 西南大学, 2021(01)
- [5]武威地区短期负荷预测研究[D]. 杨海兰. 兰州理工大学, 2021(01)
- [6]多目标优化组合模型在电力负荷与发电量预测中的研究与应用[D]. 魏文浩. 兰州大学, 2021(09)
- [7]白银市售电量预测模型研究[D]. 薛丽. 兰州理工大学, 2020(02)
- [8]基于机器学习的电力负荷预测方法与智慧校园应用研究[D]. 刘文翰. 湘潭大学, 2020
- [9]基于虚拟预测的电力系统短期负荷预测研究[D]. 于萌. 南昌大学, 2020(01)
- [10]基于机器学习的短期负荷预测[D]. 许飞. 华南理工大学, 2020(02)