一、电力负荷建模数据库的构建（论文文献综述）
刘诗仑[1]（2021）在《考虑时变特性的居民商业负荷静态模型研究》文中研究指明长久以来,考虑时变性一直是负荷建模中的一个难点,相关的研究也较少。居民商业负荷由于其用户数量多,单个用户负荷小,整体负荷特性表现出较强的随机性,因此建立针对居民商业负荷的时变性模型就更加困难。目前还没有一套完整的理论或方法体系能够准确地对居民商业负荷建立考虑时变性的负荷静态模型。近年来,随着居民、商业负荷占比不断上升,尤其是电动汽车类的新型负荷大量普及,这一问题亟待研究和解决。本文从电力系统负荷建模的基本方法入手,首先分析了主流的三种方法即综合统计法、总体测辨法与故障仿真法,并分析了三种方法各自的适用场景与优缺点。同时分析了多项式模型与幂函数模型两种负荷静态模型,并指出幂函数模型的模型简洁性和拟合效果要优于多项式模型。然后对居民商业负荷近年来的负荷占比、增长速度进行统计整理,对居民商业负荷的特性进行了分析,指出其存在分布密集、数量多、单个容量小等特点。基于变电站母线的综合负荷模型,研究了各种负荷元件的静态特性求取方法,包括机理推导计算法和稳态实验法,并利用稳态实验法对电动汽车直流充电桩的静态特性进行了建模仿真实验。通过分析指出负荷特性的时变性其本质是负荷结构的时变性,据此提出了一种表征负荷结构的参数,并在负荷元件静态系数综合方法的基础上,推导了基于结构特征参数的负荷静态特征系数综合方法。对于根据元件静态特性的负荷元件聚类,提出了一种改进的K-means聚类方法,解决了传统K-means聚类方法对于初值敏感而导致聚类结果不稳定的问题,之后通过算例分析验证了改进K-means聚类方法的有效性。对RNN神经网络进行研究,提出了通过监督学习的方式对负荷结构特征参数进行预测的方法,以解决负荷建模中的时变性问题。同时分析非侵入式负荷监测技术（NILM）,指出其对大量分散用户监测的适用性与其边缘计算能力非常适合用于电力负荷在线建模的信息采集。最后,以上述研究内容为基础提出了一种兼具时效性、长期实用性和模块化的居民商业负荷建模系统,该系统可以对区域进行实时负荷建模与负荷预测,然后分析明确了该系统在电力系统经济调度、无功控制以及需求管理等方面的应用潜力。
刘陆[2]（2021）在《基于QGA和SVM的电力负荷预测研究》文中研究表明电力工业的运行规划,离不开对负荷的精准预测。负荷预测有诸多好处,保证电力系统平稳运行,能对发电的成本加以控制,让发电更具经济价值。因此,需要引入全新的机器学习方法,该方法须具备非线性的学习能力。对比多种预测算法之后,其中支持向量机（SVM）具有诸多优势,是比较适合电力负荷预测的算法,因此本文采用支持向量机方法进行电力负荷预测。本文立足于电力负荷数据的内在规律,并对外界因素进行分析,建立负荷预测模型,分别兼顾准确性和可靠性。随后将预测模型进行优化,进一步提升负荷预测精度。本文完成了如下主要工作:（1）对气温,气候和日期类型等外部因素进行分析,建立了电力负荷预测模型。（2）针对于原始量子进化算法过早收敛以及过早陷入局部最优等缺陷,提出自调整式量子门进化方式以及修正量子态过早收敛策略。该算法以种群中个体较最优个体偏差量为基准,自调整生成量子门。对于量子旋转角基准角的选取,采用指数周期性衰减策略,同时应用修正量子态过早收敛策略来实现算法,降低算法陷入局部最优概率。（3）针对于SVM中超参数穷举取值的随意性以及时间成本冗长的问题,本文提出了利用改进量子进化（QGA）算法对上述模型的参数进行优化,建立了QGA-SVM电力负荷预测模型,从实验最终结果来看,所提出的改进型预测模型能够提升电力负荷预测的精度。（4）在成功改进负荷预测模型的基础上,研发了基于量子进化算法优化SVM的预测系统,从最终运行结果来看,所研发的负荷预测系统初步完成了电力负荷预测的相关工作。
张晓[3]（2021）在《基于Spark的电力负荷预测平台设计与实现》文中研究说明社会经济的发展离不开电网的可靠性保障。电力负荷的精准预测,对确保电力系统对电力稳定调度,保证其经济、安全、可靠的运行起着至关重要的作用,是配电网规划的最为关键部分。随着电网智能化的推进,电网中数据的智能化、信息化程度不断提高,这为电力系统负荷预测提供了海量数据样本,也为达成提高负荷预测准确性的目标奠定了基础。本文是基于大数据分布式计算集群,提出一种基于组合深度学习算法进行电力负荷预测的研究,要求系统的稳定可靠的基础上,运算的速度快、准确率高。主要研究内容如下:（1）基于大数据技术的分布式计算研究针对电网数据海量、异构等特点,构建Hadoop、Spark的大数据分布式集群进行电网大数据的处理。通过部署Hadoop大数据生态圈,实现了电网数据从收集、传输、处理、计算到存储的整个过程。利用基于RDD的Spark及其组件进行电力负荷预测相关数据的处理和最终预测模型的搭建。（2）基于组合深度学习算法的电力负荷预测研究影响电力负荷的因素分为时序因素和非时序因素,因此本文提出了一种同时对时序特征和非时序特征建模的电负荷预测方法——基于预训练GRU-Light GBM的电负荷预测方法。双向循环GRU网络作为时序特征提取器,同时考虑历史时期和未来时期负荷影响因素对预测负荷的影响,充分提取负荷特征数据之间有效潜在关系。将提取到的时序特征与影响电力负荷的非时序特征相结合,放入到对回归预测问题有着不错效果且运算速度快的Light GBM模型中,进行模型训练与预测。特别的,在设计算法思路中本文充分考虑了电网负荷预测是个多周期的任务。不同的时间周期在电网运营的各个环节中都提供重要的信息辅助,因此提出了一种可以适应不同周期负荷预测的算法框架。在算法框架不发生变化的情况下,该变不同维度的特征就可以实现相应的预测,非常高效快捷。（3）负荷历史数据和负荷预测结果的可视化技术研究为了让平台用户更加便捷和直观的了解数据,设计实现电力负荷预测平台,解决电力相关数据的可视化问题。平台通过Java技术搭建基于B/S架构的数据交互和可视化展示平台,提供了便捷的人机交互方式,降低了操作的复杂度。
袁晨光[4]（2021）在《电-气综合能源系统优化运行和市场竞价策略研究》文中研究说明随着页岩革命带来的天然气价格大幅降低和涡轮技术的突破,燃气发电在电力系统中的地位愈来愈重要,电力系统与天然气系统之间的耦合程度也日益紧密。同时,以风电为主的可再生能源大规模并网,要求电力系统具有更加充足的灵活性资源以提高风电利用率。燃气发电机的快速响应能力可以为电力系统提供充足的灵活性资源,为解决风电的消纳问题提出新的解决思路。然而,燃气发电机的快速响应能力导致管道输气量的变化愈加频繁,为推动能源市场的发展,促进能源市场的协同运行,趋于与电力市场同步的天然气市场改革已成为一种被广泛认同的能源市场改革趋势。在上述研究背景下,如何利用燃气发电机的快速响应能力解决风电等可再生能源的消纳问题以及燃气发电机在新的能源市场环境下的竞价策略研究具有重要意义,故本文展开了如下工作:1)首先阐述燃气-蒸汽联合循环机组复杂的运行特性,并引入模式转移矩阵,构建基于模式模型的燃气-蒸汽联合循环机组运行模型。然后以燃气-蒸汽联合循环机组作为电力和天然气系统的耦合元件,建立计及备用调度和天然气传输约束的含高比例风电电力系统的机组组合模型,充分发掘燃气-蒸汽联合循环机组的快速响应能力以解决风电的消纳问题。最后,采用凹凸过程算法将天然气网络中非凸的Weymouth方程转化为带有惩罚项的二阶锥约束,并将所提机组组合模型转化为迭代的混合整数二阶锥规划。2)建立燃气机组在电-气综合能源市场中的双层竞价策略模型。首先,以最大化燃气机组收益为上层模型提出一种燃气机组在电-气综合能源市场中的策略性报价方法。然后,基于节点边际价格理论,分别建立同步出清的电力市场模型和天然气市场模型作为下层模型。最后,将下层模型的KKT条件作为上层模型的约束条件,并采用big-M法将所提双层竞价策略模型转换为单层混合整数二阶锥规划问题。3)采用一个由修改的IEEE5节点电力系统与7节点天然气系统组成的5-7节点电-气综合能源系统作为算例,分别对计及备用调度和天然气传输约束的含高比例风电电力系统的机组组合问题和燃气机组在电-气综合能源市场中的双层竞价策略问题进行优化分析。算例结果表明,本文所提机组组合模型能够保证在天然气网络供气量充足的基础上,提高电力系统对风电的利用率并降低系统的运行成本;同时,本文所提双层竞价策略模型在新的能源市场环境中表现出更强的适应力,保证燃气机组在更复杂的电-气综合能源市场中做出最优决策。最后,分别以24-14节点电-气综合能源系统和118-14节点电-气综合能源系统进一步验证本文所提模型在较大规模的系统中的实用性与计算效率。
陈晓芳[5]（2021）在《基于在线自适应最小二乘支持向量机的电力负荷预测研究》文中研究指明近年来新能源电力大量并网,增加了电源侧供电的随机性和间歇性,再加上电网智能化的发展,各项调控应用亟需电力负荷预测数据作为基础研究数据,因此对电力负荷预测提出了更高地要求。负荷预测影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、调度计划和能源商业化。精准的电力负荷预测可以经济合理地安排发电计划和电力调度,对有效降低发电成本有着重要作用。基于机器学习的电力负荷预测是通过利用机器学习方挖掘电力负荷数据的输入/输出关系而建立的数据驱动模型。在此基础上,本文提出一种基于偏最小二乘（PLS）和在线自适应最小二乘支持向量机（OALSSVM）的电力负荷预测方法,采用PLS进行特征变量选择,将特征变量输入到OALSSVM建立了电力负荷预测模型。通过实际数据验证,所提PLS变量特征计算方法能够有效地压缩电力负荷建模变量,降低模型复杂程度,所提OALSSVM电力负荷模型能够随着工况迁移准确地预测负荷,具有较高泛化能力和工程应用价值。本文首先分析了国内外电力负荷预测的研究现状,指出了目前电力负荷预测研究存在的问题。在此基础上,提出了本课题研究的主要内容和方法以及研究的意义。然后通过对比分析主流机器学习电力负荷预测方法的原理和优缺点,提出了一种在线自适应的数据预测方法,即OALSSVM算法,结合该算法的建模原理给出了基于OALSSVM的电力负荷预测流程。接着提出了基于PLS方法的电力负荷建模变量特征选择方法,通过阐述PLS算法原理指出该算法可以计算自变量对因变量的贡献值,依据变量贡献值和预测模型交叉验证确定影响电力负荷的变量特征集。最后将PLS变量选择结果输入到OALSSVM,提出基于PLS-OALSSVM的电力负荷预测方法,采用某地区实际电力负荷数据对文中所提的方法进行验证。并在此基础上建设了电力负荷预测系统。
温露露[6]（2021）在《能源互联网环境下基于负荷特征的需求响应策略研究》文中研究表明能源互联网是能源系统的重要发展趋势,也是推动能源生产和消费革命的重要手段。然而能源互联网环境下电力供需形势更加复杂,供给侧可再生能源比例不断提高,分布式与集中式供能协同发展,冷、热、电、气等多种能源系统相互耦合;需求侧用电终端种类日益增多,用电模式多种多样,用电负荷快速增长,负荷特征复杂多变。因此,能源互联网环境下电力的供需不匹配问题十分突出。需求响应作为一种重要的电力需求侧管理方法,是促进电力供需平衡和保障能源系统安全的重要手段。然而传统的需求响应策略较为简单,无法满足用户个性化和多样化的用能需求。能源互联网环境下,海量、高维、异构的电力消费数据得以采集,这为更加精准有效地挖掘用户的电力负荷模式和更加全面深入地分析用户的电力负荷特征提供了重要支撑,进而有助于设计精准化和多元化的需求响应策略。为此,本文重点研究了能源互联网环境下基于负荷特征的需求响应策略问题,基于对用户负荷特征的有效识别,构建了基于负荷特征的激励型需求响应模型、价格型需求响应模型和综合需求响应模型,并为用户设计了灵活有效的需求响应策略,进而为保障能源系统的安全可靠、经济高效运行提供了理论支撑。本文的具体研究内容和创新点如下:（1）数据驱动的负荷特征识别方法。为了有效识别用户的电力负荷模式及其特征,提出了一种基于改进K-means的负荷曲线聚类算法和一种基于动态时间规整的负荷曲线聚类方法,并给出了相应的负荷曲线聚类过程和步骤。其次,为了精准掌握用户电力负荷的变化趋势及其特征,提出了一种基于深度学习的短期负荷预测方法,并给出了具体的步骤,同时还提出了一种负荷预测结果修正方法,进一步提高了负荷预测的精度,为多样化需求响应策略的精准设计奠定了基础。（2）基于负荷特征的激励型需求响应策略。在分析了用户的电力负荷趋势及其特征的基础上,根据用户负荷特征的差异,构建了一种基于负荷特征的激励型需求响应模型。该模型以参与需求响应各主体总收益的最大化为目标函数,同时考虑了电力供需两侧的不确定性。利用强化学习方法对需求响应模型进行求解,从而为用户提供个性化的激励型需求响应策略。此外,通过实验,比较分析了两种不同情景下的激励型需求响应策略的实施效果,验证了所提出的激励型需求响应模型的有效性。（3）基于负荷特征的价格型需求响应策略。在对用户电力负荷特征识别并确定用户类型的基础上,针对不同类型用户构建了差异化的价格型需求响应模型。该模型利用博弈论方法对参与需求响应各主体间的动态交互进行建模,并采用逆向归纳法证明了纳什均衡解的存在,进而求解得到了最优的动态电价策略。进一步考虑了可再生能源的不确定性对价格型需求响应策略的影响,通过真实数据集对所提出的价格型需求响应模型进行了验证。（4）基于负荷特征的综合需求响应策略。能源互联网环境下,冷、热、电、气等多能资源可以相互耦合和转换,为了提高综合能源利用效率,提出了一种多能互补综合需求响应机制。以分时电价为引导信号,构建了一种基于负荷特征的综合需求响应模型,进一步把该模型转换为混合整数线性规划问题,并求解得到了相应的综合需求响应策略,最后通过仿真实验,分析了不同情景下的综合需求响应策略对能源系统经济性和可靠性的影响。通过以上研究,本文丰富和发展了能源互联网环境下的电力需求侧管理理论体系,同时也为促进电力供需平衡、提高能源利用效率以及推动碳达峰、碳中和的实现提供了重要理论支撑。随着能源互联网的快速发展与建设,用户对能源服务质量的要求不断提高,综合能源服务将成为今后的重要研究方向。
刘文翰[7]（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。
朱常荣[8]（2020）在《基于机器学习的智能电网短期电力负荷预测研究》文中研究指明随着智能电网的发展,准确的电力负荷预测变得越来越重要,因为它可以帮助电力公司更好地进行负荷调度并减少过多的电力生产。智能电网中的日常运营和规划需要提前一天对其客户进行负荷预测。然而,电力负荷预测是一项具有挑战性的任务,因为它依赖于外部因素,如气象和外生变量,其困难之处在于影响因素繁多,且规律变化万千无从寻觅。本文先阐述了短期电力负荷预测的背景及意义,机器学习应用于智能电网负荷预测的研究现状。再对某地区电力负荷的周期性、节假日进行了分析,进而通过仿真分析了负荷与部分气象因素的关系,得到了几个相关性较高的影响负荷预测的因素。然后为克服目前负荷预测精度低的局限性,通过对历史负荷数据的预处理和对影响负荷预测相关因素的归一化处理,建立了最小二乘支持向量机（LSSVM）模型。由于LS-LVM对大样本数据的训练难以实施,因此建立了BP神经网络模型和RBF神经网络模型。由于神经网络模型的固有缺点使得最终预测结果欠佳,因此建立了基于深度置信网络（DBN）的负荷预测模型。该模型先利用多层的受限玻尔兹曼机对输入变量进行特征提取,然后通过顶层BP神经网络单元对负荷进行预测。最后,通过对某一地区的负荷及相关数据进行实验仿真。仿真结果表明,与常规神经网络模型进行比较,提出的DBN模型预测精度较高,并且泛化性能最好。
孙甜甜[9]（2020）在《含广义负荷的负荷建模与技术支持系统》文中指出电力系统仿真是电力系统规划、调度与控制的基础,电力负荷模型的准确性直接影响电力系统的仿真结果。随着电网大规模的发展、智能电网进程的不断深入,分布式负荷电源的大量并网,电力负荷的时变性、分散性、不确定性等问题日益突出,传统的负荷模型结构与建模方法已难以准确地描述负荷特性。本文主要对含抽水蓄能电站的广义负荷建模技术支持系统进行研究,具体内容如下:（1）为解决变速型抽水蓄能电站并网后的负荷建模问题,在深入分析变速型抽水蓄能电站运行原理和内部构成的基础上,提出了变速型抽水蓄能电站的广义负荷建模方法;研究抽水蓄能电站变速型发电电动机的运行机理,对其动态特性进行了深入分析,构建含变速型抽水蓄能电站变速型发电电动机的广义负荷模型;搭建仿真系统研究其对电力系统稳定性的影响,验证了所提方法的有效性。（2）为解决基于AIMM的负荷建模中马尔科夫转移矩阵元素固定存在的不足,提出了一种马尔科夫转移概率自适应调整的方法;已知某时刻负荷模型的更新权重和上一时刻的权重,两者的差值反应了模型与实际情况的匹配程度的变化,利用该差值来调整模型之间的转移概率;建立了 Markov转移概率自适应调整的算法,该算法实现转移概率矩阵的自适应调整,且满足马尔科夫转移矩阵元素的两个基本条件;基于马尔科夫转移概率自适应的AIMM负荷建模与基于AIMM的负荷建模对比分析,仿真验证了所提方法的有效性。（3）针对目前存在的负荷建模系统软件的不足之处,开发出新型负荷建模技术支持系统。该系统基于B/S与C/S相结合的模式,以Visual Studio 2013为开发工具,采用C#和C++作为编程语言相结合,运用MFC、数据库通信技术、ASP.NET网页开发技术进行系统开发,并根据系统的体系结构和功能设计,分别实现了后台负荷模型数据库的管理与采用负荷建模方法（统计综合法、总体测辨法、改进AIMM算法）进行负荷建模的功能。通过实际应用,证明了本文搭建的负荷建模技术支持系统具有技术先进、功能强大、人机界面良好、操作简洁等特点,促进了负荷建模的实用化进程。
张涛[10]（2020）在《基于负荷曲线聚类与Adaboost-CART组合模型的电力负荷预测研究》文中研究说明随着我国智能电网快速发展,在保证高压侧输配电安全可靠的前提下,低压侧管理系统因其能对用户电能实时、有效的控制而受到越来越多的关注。准确的负荷预测是管理系统对负荷进行规划的前提,也为节能优化提供有力的数据依据。相对大电网而言,低压侧用户的负荷受外界因素影响大,波动性强等特点,传统单一模型的预测方法可能不能完全反映低压侧负荷的变化规律和特点,使得预测不一定能得到满意的结果。组合预测模型能综合更多信息,具有更强的自适应能力,可望获得更好的预测精度而得到了国内外越来越多的研究。本文基于高校节能监管系统建设项目,以低压侧用户中的高校用电为背景,为提高负荷预测精度展开研究,主要的完成的工作如下:（1）研究了负荷预测模型特征的构造。在特征工程上考虑两个方面,一个是时空影响因素,如星期属性、时间属性、是否工作日。另一个是气象影响因素,如温度、湿度、风速、气象指数等。由于可能存在相关特征和冗余特征问题,为此结合特征递归清除算法和随机森林算法对特征进行选择,最终确定了14个特征作为预测模型的输入特征。（2）对于负荷曲线聚类中常用k-means算法的初始聚类中心选取问题,以数据对象间的相似度矩阵均值作为密度半径来计算各聚类对象的密度值大小,之后根据最大密度值、最大差异度和最小紧密度作为初始聚类中心的选取标准。对于最佳聚类数k值确定问题,设计了一种基于SSE的肘形判据,实现自动准确地选取最佳聚类数目。（3）以聚类分析结果为基础,建立基于集成树算法的预测模型。在带入聚类分析结果后,随机森林、GBDT和XGboost的R2值分别上升了0.2、0.64和0.64,而RMSE值也分别下降了6.6、16.26和18.74。并且对于任意预测模型中的任意一天,在带入聚类分析结果后预测精度均有较好的提升。（4）提出了一种基于Adaboost-CART的组合预测模型。利用CART回归树将三个集成树模型进行非线性优化组合,避免了传统组合模型中加权系数的复杂求取问题。结合Adaboost算法训练CART,可以自适应的调整各预测模型在CART中的组合形式,使预测精度得到进一步提高。实验结果表明,该方法较单预测模型和传统组合预测模型有更高的预测精度。Adaboost-CART组合预测模型的R2值为0.935,高于最优单一模型的0.920和传统组合模型的0.922,RMSE值为47.61,低于最优单一模型的52.22和传统组合模型的52.10。实验结果表明,用本文的研究方法对节能监管平台采集数据进行建模预测,具有优良的预测效果。可为系统管理提供有效保障,也能为节能优化提供有力的数据依据。
二、电力负荷建模数据库的构建（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、电力负荷建模数据库的构建（论文提纲范文）
（1）考虑时变特性的居民商业负荷静态模型研究（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 电力系统负荷建模研究历程 |
| 1.2.2 电力系统负荷建模研究现状 |
| 1.2.3 电力系统负荷建模研究目前存在的问题 |
| 1.3 本文的主要研究内容 |
| 第2章 电力负荷建模基本理论与居民商业负荷特点分析 |
| 2.1 引言 |
| 2.2 电力负荷建模的基本方法 |
| 2.2.1 综合统计法 |
| 2.2.2 总体测辨法 |
| 2.2.3 故障仿真法 |
| 2.3 电力负荷建模的静态模型 |
| 2.3.1 多项式模型 |
| 2.3.2 幂函数模型 |
| 2.3.3 两种模型的比较 |
| 2.4 居民商业负荷特点分析 |
| 2.5 负荷特性的时变性 |
| 2.6 本章小结 |
| 第3章 元件负荷特性及其综合 |
| 3.1 引言 |
| 3.2 简单元件的负荷特性计算 |
| 3.2.1 纯电阻性负荷 |
| 3.2.2 恒定阻抗型负荷 |
| 3.3 稳态实验法 |
| 3.4 电动汽车充电桩负荷特性分析 |
| 3.5 等值电动机负荷 |
| 3.6 负荷静态特征系数的综合 |
| 3.6.1 同一母线上负荷静态特征系数的综合 |
| 3.6.2 基于负荷结构特征的负荷静态特征系数的综合 |
| 3.7 基于改进K-means聚类算法的负荷特性分类 |
| 3.7.1 K-means聚类算法 |
| 3.7.2 改进K-means聚类算法 |
| 3.7.3 算例分析 |
| 3.8 本章小结 |
| 第4章 考虑时变性的静态负荷模型及其应用 |
| 4.1 引言 |
| 4.2 基于RNN神经网络的时变性负荷模型 |
| 4.3 负荷状态信息的采集 |
| 4.4 基于考虑时变性负荷模型的居民商业负荷建模系统 |
| 4.4.1 负荷建模系统运行原理及特点 |
| 4.4.2 负荷建模系统的应用场景 |
| 4.5 算例分析 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（2）基于QGA和SVM的电力负荷预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的负荷预测方法 |
| 1.2.2 基于机器学习的负荷预测方法 |
| 1.3 主要内容 |
| 1.4 结构安排 |
| 2 电力负荷预测分析 |
| 2.1 负荷数据的选取和预处理 |
| 2.1.1 异常点的修正 |
| 2.1.2 缺失数据补充 |
| 2.2 负荷特征分析 |
| 2.2.1 负荷预测特征 |
| 2.2.2 负荷变化周期性 |
| 2.2.3 电力负荷影响因素 |
| 2.3 负荷预测分类和基本步骤 |
| 2.3.1 负荷预测分类 |
| 2.3.2 负荷预测基本步骤 |
| 2.4 本章小结 |
| 3 基于支持向量机的负荷预测方法研究 |
| 3.1 基于支持向量机负荷预测方法的理论背景 |
| 3.1.1 支持向量机基础理论 |
| 3.1.2 支持向量机的结构原理 |
| 3.1.3 负荷预测精度的评价指标 |
| 3.1.4 样本归一化方法 |
| 3.2 基于支持向量机的预测模型 |
| 3.3 本章小结 |
| 4 改进型量子进化算法优化支持向量机的负荷预测方法的研究 |
| 4.1 进化算法 |
| 4.2 量子进化算法 |
| 4.2.1 量子进化算法原理 |
| 4.2.2 量子进化算法流程 |
| 4.2.3 量子进化算法理论基础的改进趋势 |
| 4.3 改进型量子进化算法 |
| 4.4 改进型量子进化算法性能验证 |
| 4.5 支持向量机预测效果的评价指标 |
| 4.6 基于改进型量子进化算法优化支持向量机预测模型 |
| 4.6.1 预测方法及步骤 |
| 4.6.2 实验分析 |
| 4.7 本章小结 |
| 5 电力负荷预测系统的设计与展示 |
| 5.1 系统功能 |
| 5.2 系统软件架构 |
| 5.3 系统运行流程 |
| 5.4 系统界面展示 |
| 5.4.1 系统登录功能 |
| 5.4.2 数据维护模块 |
| 5.4.3 负荷预测模块 |
| 5.4.4 可视化模块 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者在读期间研究成果 |
| 致谢 |
（3）基于Spark的电力负荷预测平台设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统统计学的电力负荷预测方法 |
| 1.2.2 人工智能深度学习的电力负荷预测方法 |
| 1.3 研究内容 |
| 1.4 论文的整体结构和内容安排 |
| 第2章 相关技术的综述 |
| 2.1 分布式集群相关技术 |
| 2.1.1 Hadoop技术 |
| 2.1.2 Spark技术 |
| 2.2 预测算法相关技术 |
| 2.2.1 GRU(Gate Recurrent Unit) |
| 2.2.2 Light GBM |
| 2.3 B/S交互式可视化平台相关技术 |
| 2.3.1 SSM |
| 2.3.2 可视化展示框架ECharts |
| 2.4 本章小结 |
| 第3章 基于预训练GRU-Light GBM的电力负荷预测的算法模型原理 |
| 3.1 数据的预处理 |
| 3.2 基于预训练GRU-Light GBM的电力负荷预测的算法模型原理 |
| 3.2.1 算法总体架构设计 |
| 3.2.2 GRU网络 |
| 3.2.3 反向传播算法 |
| 3.2.4 神经网络的优化算法 |
| 3.2.5 GRU网络的预训练 |
| 3.2.6 Light GBM预测模型 |
| 3.2.7 模型整体训练 |
| 3.3 短期电力负荷预测 |
| 3.3.1 特征提取网络预训练 |
| 3.3.2 负荷预测网络整体训练 |
| 3.3.3 不同模型对比 |
| 3.4 长期的电网负荷预测 |
| 3.5 中期的电网负荷预测 |
| 3.6 超短期的电网负荷预测 |
| 3.7 算法小结 |
| 第4章 电力负荷预测平台设计与实现 |
| 4.1 平台总体技术架构设计 |
| 4.1.1 分布式计算集群技术方案 |
| 4.1.2 基于B/S架构的数据交互和可视化展示平台技术方案 |
| 4.2 数据库设计 |
| 4.2.1 用户相关的表的设计 |
| 4.2.2 特征相关的表的设计 |
| 4.2.3 电力数据相关的表的设计 |
| 4.3 平台功能模块设计与实现 |
| 4.3.1 用户管理功能模块设计与实现 |
| 4.3.2 电力负荷预测数据可视化功能模块设计与实现 |
| 4.3.3 历史电力负荷数据可视化功能模块 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 进一步工作展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）电-气综合能源系统优化运行和市场竞价策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 电-气综合能源系统概念及发展现状 |
| 1.2.2 CCGT建模以及机组组合研究现状 |
| 1.2.3 电-气综合能源市场研究现状 |
| 1.2.4 发电机组竞价策略研究现状 |
| 1.3 本文主要研究工作 |
| 第2章 电-气综合能源系统建模 |
| 2.1 引言 |
| 2.2 电力系统模型 |
| 2.3 天然气系统模型 |
| 2.3.1 天然气源 |
| 2.3.2 节点气压约束 |
| 2.3.3 天然气被动管道模型 |
| 2.3.4 压缩机模型 |
| 2.3.5 节点气流量平衡方程 |
| 2.4 本章小结 |
| 第3章 计及备用调度和天然气传输约束的UC模型 |
| 3.1 引言 |
| 3.2 CCGT工作原理与数学模型 |
| 3.2.1 CCGT的工作原理 |
| 3.2.2 CCGT数学模型 |
| 3.3 计及备用调度和天然气传输约束的UC模型 |
| 3.3.1 目标函数 |
| 3.3.2 机组的运行约束 |
| 3.3.3 系统的旋转备用约束 |
| 3.3.4 综合能源网络约束 |
| 3.4 模型转化与求解 |
| 3.5 算例分析 |
| 3.5.1 5-7节点IEGES |
| 3.5.2 24-14节点IEGES |
| 3.5.3 CCP算法的计算效率与性能分析 |
| 3.6 本章小结 |
| 第4章 GFU在 IEGEM中的双层竞价策略模型 |
| 4.1 引言 |
| 4.2 GFU在IEGEM中的双层竞价策略框架 |
| 4.3 IEGEM模型的构建 |
| 4.3.1 电力市场出清模型的构建 |
| 4.3.2 天然气市场出清模型的构建 |
| 4.4 GFU在 IEGEM中的双层竞价策略模型 |
| 4.5 模型转化与求解 |
| 4.5.1 基于罚函数法的Weymouth方程SOCR方法 |
| 4.5.2 双层模型转为单层MPEC模型 |
| 4.5.3 MPEC模型中非线性项的线性化 |
| 4.6 算例分析 |
| 4.6.1 5-7节点IEGES |
| 4.6.2 118-14节点IEGES |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）基于在线自适应最小二乘支持向量机的电力负荷预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状及发展动态 |
| 1.3 本文主要内容 |
| 第2章 在线自适应最小二乘支持向量机算法原理 |
| 2.1 主流机器学习电力负荷建模算法对比 |
| 2.2 在线自适应最小二乘支持向量机算法 |
| 2.3 电力负荷预测流程 |
| 2.4 本章小结 |
| 第3章 电力负荷建模特征变量选择方法 |
| 3.1 电力负荷特征变量选择原理 |
| 3.1.1 PLS算法 |
| 3.1.2 电力负荷变量贡献值计算 |
| 3.2 变量选择方法实例验证 |
| 3.3 电力负荷变量选择 |
| 3.4 本章小结 |
| 第4章 基于PLS-OALSSVM的电力负荷预测验证及应用 |
| 4.1 PLS-OALSSVM建模算法原理 |
| 4.2 基于PLS-OALSSVM的电力负荷建模 |
| 4.2.1 研究对象分析 |
| 4.2.2 电力负荷特征变量贡献值计算 |
| 4.2.3 电力负荷预测模型结构 |
| 4.2.4 电力负荷建模效果 |
| 4.2.5 电力负荷预测算法对比 |
| 4.3 基于PLS-OALSSVM的电力负荷预测应用 |
| 4.3.1 电力负荷预测系统部署方案 |
| 4.3.2 电力负荷预测系统建设方案 |
| 4.3.3 电力负荷预测人机界面效果 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（6）能源互联网环境下基于负荷特征的需求响应策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 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 能源互联网系统管理的相关研究 |
| 1.2.2 负荷特征识别的相关研究 |
| 1.2.3 需求响应策略的相关研究 |
| 1.3 研究内容与论文结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 第二章 数据驱动的负荷特征识别方法 |
| 2.1 引言 |
| 2.2 负荷特征识别基本方法 |
| 2.2.1 聚类分析过程与方法 |
| 2.2.2 神经网络相关方法 |
| 2.3 基于改进K-means算法的负荷曲线聚类 |
| 2.3.1 问题分析 |
| 2.3.2 负荷曲线聚类过程 |
| 2.3.3 实验结果与分析 |
| 2.4 基于动态时间规整的负荷曲线聚类 |
| 2.4.1 问题分析 |
| 2.4.2 负荷曲线聚类过程 |
| 2.4.3 实验结果与分析 |
| 2.5 基于深度学习的负荷预测 |
| 2.5.1 问题分析 |
| 2.5.2 预测方法与步骤 |
| 2.5.3 实验结果与分析 |
| 2.6 本章小结 |
| 第三章 基于负荷特征的激励型需求响应策略 |
| 3.1 引言 |
| 3.2 需求响应模型构建 |
| 3.2.1 售电公司收益模型 |
| 3.2.2 电力用户收益模型 |
| 3.3 模型求解方法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于负荷特征的价格型需求响应策略 |
| 4.1 引言 |
| 4.2 需求响应模型构建 |
| 4.2.1 用户收益模型 |
| 4.2.2 售电公司收益模型 |
| 4.3 模型求解方法 |
| 4.3.1 电力用户的纳什均衡 |
| 4.3.2 售电公司的纳什均衡 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于负荷特征的综合需求响应策略 |
| 5.1 引言 |
| 5.2 综合能源系统物理建模 |
| 5.3 综合需求响应模型构建 |
| 5.3.1 目标函数 |
| 5.3.2 约束条件 |
| 5.4 模型求解方法 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间的学术活动及成果情况 |
（7）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 |
（8）基于机器学习的智能电网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 课题研究的背景及意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的意义 |
| 1.2 国内外研究现状 |
| 1.3 课题的主要研究内容 |
| 第二章 智能电网 |
| 2.1 智能电网产生的背景 |
| 2.2 智能电网的发展趋势 |
| 2.3 本章小结 |
| 第三章 电力负荷预测研究 |
| 3.1 电力负荷预测的概念及分类 |
| 3.2 电力负荷特性分析 |
| 3.3 短期负荷预测的影响因素 |
| 3.3.1 温度 |
| 3.3.2 降雨 |
| 3.3.3 其他因素 |
| 3.4 负荷预测误差分析 |
| 3.4.1 几种误差分析方法 |
| 3.5 本章小结 |
| 第四章 基于机器学习预测算法的研究 |
| 4.1 最小二乘支持向量机(LS-SVM) |
| 4.1.1 LS-SVM方法基本原理 |
| 4.1.2 LS-SVM预测模型的建立 |
| 4.2 人工神经网络 |
| 4.2.1 人工神经网络的训练方法 |
| 4.2.2 BP神经网络 |
| 4.2.3 BP神经网络负荷预测 |
| 4.3 RBF神经网络 |
| 4.3.1 RBF神经网络算法 |
| 4.3.2 RBF神经网络训练过程 |
| 4.4 深度置信网络(DBN)预测算法 |
| 4.4.1 受限玻尔兹曼机 |
| 4.4.2 受限玻尔兹曼机模型结构 |
| 4.4.3 受限玻尔兹曼机的学习训练 |
| 4.4.4 DBN的结构 |
| 4.4.5 DBN训练过程 |
| 4.4.6 DBN预测模型的建立 |
| 4.5 实际地区日负荷预测仿真实例 |
| 4.5.1 实验算例 |
| 4.5.2 预测结果及误差分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间的研究成果 |
（9）含广义负荷的负荷建模与技术支持系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 负荷建模的研究现状及发展趋势 |
| 1.2.1 负荷建模方法 |
| 1.2.2 负荷模型结构 |
| 1.2.3 负荷建模系统的构建趋势 |
| 1.3 抽水蓄能电站负荷建模 |
| 1.4 存在的问题 |
| 1.5 本文的主要工作 |
| 第二章 含变速型抽水蓄能电站的广义负荷建模 |
| 2.1 引言 |
| 2.2 变速型抽水蓄能机组 |
| 2.2.1 运行原理 |
| 2.2.2 变速抽水蓄能机组数学模型 |
| 2.3 负荷模型的构建 |
| 2.4 仿真分析 |
| 2.4.1 抽水蓄能电站运行特性 |
| 2.4.2 短路故障下暂态特性 |
| 2.4.3 模型的有效性验证 |
| 2.5 本章小结 |
| 第三章 AIMM负荷建模的转移概率自适应调整 |
| 3.1 转移概率自适应调整的基本原理 |
| 3.2 基于转移概率自适应的AIMM负荷建模 |
| 3.3 仿真分析 |
| 3.4 本章小结 |
| 第四章 负荷建模技术支持系统的开发 |
| 4.1 系统的开发思路与体系结构 |
| 4.2 系统功能设计 |
| 4.2.1 实现功能 |
| 4.2.2 后台数据库与前台界面通信 |
| 4.3 系统开发的相关技术 |
| 4.3.1 基于C/S与B/S的系统开发 |
| 4.3.2 基于MySQL后台数据库 |
| 4.3.3 数据库访问技术 |
| 4.4 本章小结 |
| 第五章 系统的实现 |
| 5.1 基于B/S体系下系统的实现 |
| 5.2 基于C/S体系下系统的实现 |
| 5.2.1 系统主界面 |
| 5.2.2 负荷模型数据库管理模块 |
| 5.2.3 负荷模型的建立模块 |
| 5.3 本章小结 |
| 第六章 工作与展望 |
| 6.1 主要研究成果 |
| 6.2 工作展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 攻读期间学术论文与科研 |
| 学位论文评阅及答辩情况表 |
（10）基于负荷曲线聚类与Adaboost-CART组合模型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 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力负荷曲线聚类研究现状 |
| 1.2.2 负荷预测方法的研究现状 |
| 1.3 论文主要研究内容及基本框架 |
| 第二章 负荷特征建模及数据预处理 |
| 2.1 负荷特性分析与建模 |
| 2.1.1 负荷特性分析 |
| 2.1.2 训练样本特征构建 |
| 2.2 数据预处理 |
| 2.2.1 数据的采集 |
| 2.2.2 异常数据处理 |
| 2.2.3 基于RF-RFE的后向迭代特征选择方法 |
| 2.3 本章小结 |
| 第三章 基于改进k-means聚类的用电模式识别 |
| 3.1 k-means算法分析 |
| 3.2 k-means算法初始聚类中心优化 |
| 3.3 基于SSE肘形判据的k值获取方法 |
| 3.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于集成树算法的电力负荷预测 |
| 4.1 集成树算法 |
| 4.2 预测模型结构设计 |
| 4.3 预测模型超参数寻优 |
| 4.3.1 两层Grid Search CV参数寻优算法 |
| 4.3.2 随机森林算法超参数寻优 |
| 4.3.3 GBDT算法超参数寻优 |
| 4.3.4 XGboost算法超参数寻优 |
| 4.4 预测结果与分析 |
| 4.5 本章小结 |
| 第五章 基于Adaboost-CART的组合预测模型 |
| 5.1 单一模型传统组合方法 |
| 5.2 Adaboost-CART组合预测模型 |
| 5.2.1 Adaboost算法 |
| 5.2.2 Adaboost-CART组合预测模型建模 |
| 5.3 实验结果与分析 |
| 5.3.1 UCI数据集实例分析 |
| 5.3.2 本文数据集实例分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
四、电力负荷建模数据库的构建（论文参考文献）
- [1]考虑时变特性的居民商业负荷静态模型研究[D]. 刘诗仑. 华北电力大学(北京), 2021(01)
- [2]基于QGA和SVM的电力负荷预测研究[D]. 刘陆. 西安建筑科技大学, 2021(01)
- [3]基于Spark的电力负荷预测平台设计与实现[D]. 张晓. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(08)
- [4]电-气综合能源系统优化运行和市场竞价策略研究[D]. 袁晨光. 东北电力大学, 2021(09)
- [5]基于在线自适应最小二乘支持向量机的电力负荷预测研究[D]. 陈晓芳. 湖北工业大学, 2021
- [6]能源互联网环境下基于负荷特征的需求响应策略研究[D]. 温露露. 合肥工业大学, 2021(02)
- [7]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
- [8]基于机器学习的智能电网短期电力负荷预测研究[D]. 朱常荣. 昆明理工大学, 2020(05)
- [9]含广义负荷的负荷建模与技术支持系统[D]. 孙甜甜. 山东大学, 2020(10)
- [10]基于负荷曲线聚类与Adaboost-CART组合模型的电力负荷预测研究[D]. 张涛. 福建工程学院, 2020(02)