融合数据预处理的机器学习在电力预测中的应用研究

摘要

预测属于一类内容复杂、规模庞大的非线性优化问题，在电力系统中占有重要地位，也决定了电力系统经济运行的基础。近几年，很多国家纷纷致力于风功率发电预测，但由于影响风功率的因素不确定的特点，大多研究领域都是短期风功率预测。尽管在风力发电领域已经存在很多成熟的预测方法，但是由于风功率序列的随机性和不可控性的特点，建立在历史数据上的统计模型已经很难得到精确的预测结果。因此，更加精确高效的预测模型和数据预处理技术对短期风功率预测具有重要的应用价值。
　　目前出现了多种电力预测技术，并且成功地应用于不同种类的电力预测中。模型算法大致分成两类:基于统计模型和基于机器学习，这些算法大多是融合了数据预处理以及模型组合的方法。本文针对短期风功率预测重点讨论了各类研究中所涉及的规划模型及算法策略之间的联系以及各自的局限性，进一步分析了浅层网络和深层网络各自的优缺点，在此理论基础上建立了一个具有三个隐含层的深度模型SAE—BP，并与传统的BP模型、SVM模型进行了实验对比分析。实验结果表明，本文提出的SAE BP模型平均绝对百分比误差MAPE相比其他两个模型降低了10％-30％;提出的基于粒子群优化算法的SAE BP模型参数优化方法，很好地解决了基于人工经验设置复杂参数的困难。提出的一种基于相似度和趋势相似度样本分类方法，用预测日的最优相似日创建模型的参考向量，有效地解决了模型多步预测精度低的缺点，验证了本文提出的数据预处理方法相比人工经验处理的方法更加有效。研究结果对短期风功率的预测有一定的应用指导意义。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景和意义

1．2 国内外研究现状

1．3 本课题研究内容

1．4 论文的组织结构

第2章 相关理论与关键技术研究

2．1 常用预测模型

2．1．1 支持向量机预测模型

2．1．2 神经网络预测模型

2．2 深度预测模型

2．2．1 CNNs深度模型

2．2．2 RBM限制波尔兹曼机

2．2．3 DBN深度模型

2．2．4 SAE深度模型

2．3 本章小结

第3章 基于SAE_BP的风功率预测模型的研究

3．1 基于堆叠自编码器的预测模型

3．1．1 SAE_BP模型结构和训练算法

3．1．2 SAE_BP模型的构造和训练过程

3．1．3 带有稀疏性限制的SAE

3．2 基于粒子群优化算法的预测模型

3．3 实验结果

3．3．1 基于人工经验的样本构造

3．3．2 模型预测精度

3．3．3 实验结果与分析

3．4 本章小结

第4章 改进样本构造方法的深度模型研究

4．1 风功率数据序列分组

4．1．1 基于相似度的样本选取

4．1．2 基于前趋势相似度的样本选取

4．2 基于复合函数的样本构造

4．3 实验结果与分析

4．4 本章小结

第5章 风功率预测软件实现

5．1 C#与MATLAB混合编程

5．1．1 开发工具介绍

5．1．2 SAE_BP模型在Matlab中的相关设置

5．1．3 SAE_BP模型在Visual Stdio中的相关设置

5．2 基于深度学习的预测模型的实现框架

5．3 预测模型软件界面

5．4 本章小结

第6章 结论与展望

6．1 本文工作总结

6．2 未来工作及展望

参考文献

攻读硕士学位期间参加的科研工作

致谢