论文总字数：25156字

摘 要

如今我国的电力系统不断的发展与壮大，有效的电力负荷预测研究成为了电网工作中越来越关键的环节。准确的负荷预测结果有利于保证电力系统的安全性与稳定性，为电力系统的生产建设、经济计划、合理运行等工作提供支持与决策。在电力系统的短期负荷预测(Short-term Load Forecast, STLF)中，选择准确的时间序列模型非常重要，传统的负荷预测模型无法提取到非线性的序列数据中相邻数据之间的强关联。针对这一问题，本文提出一种基于长短期记忆神经网络(Long Short Term Memory, LSTM)的电力负荷预测方法。

本文首先对实验数据集进行数据预处理，之后进行特征工程，采用封装法和嵌入法相结合的特征选择方法选择最佳特征组合，基于主成分分析方法对数据降维，然后建立基于LSTM网络的预测模型并对模型进行调参，选择最优的时间滞后步数和神经网络层数等参数。本文使用LSTM网络模型对常熟市的电力负荷进行短期预测，得出预测结果后与传统机器学习模型的预测结果进行比较分析，实验结果表明LSTM网络对于处理时间序列数据具有较好的适用性，其预测模型的准确度更高，预测效果更好，同时在实验过程中探究天气特征对电力负荷的影响。

关键词：深度神经网络；长短期记忆网络；短期负荷预测；特征选择；机器学习

ABSTRACT

Nowadays, China's power system continues to develop and expand, effective load forecasting research has become a more and more critical part of power grid work. Accurate load forecasting results are beneficial to ensure the safety and stability of the power system, and provide support and proposal for the power system's production and construction, economic planning, and reasonable operation. In the short-term load forecasting (STLF) of power systems, it is very important to select an accurate time series model, the traditional model cannot take into account the strong correlation between adjacent data in non-linear sequence data. Based on this problem, this paper proposes a power load forecasting method based on Long Short Term Memory (LSTM).

In this paper, we preprocessed the experimental data set first and carried out the feature engineering. We chose best features using wrapper and embedded feature selection methods and used principal component analysis method to reduce the data's dimension. Then the prediction model based on the LSTM network was established and we adjusted the model to select optimal parameters such as time lag steps and neural network layers. In this paper, we used LSTM network model to predict the electric load of Changshu City, then we compared the prediction results with those of traditional machine learning model. The experimental results show that the LSTM network has better applicability for processing time series data, and its prediction model has higher accuracy and better prediction effect. At the same time, the influence of weather characteristics on the electrical load was explored during the experiment.

KEY WORDS: deep neural network; long short-term memory (LSTM); short-term load forecasting; feature selection; machine learning

目 录

摘 要 I

ABSTRACT II

第一章 绪论 1

1.1 研究背景 1

1.2 短期负荷预测国内外研究现状 2

1.3 研究目标与内容 3

1.4 论文组织结构 3

第二章 LSTM神经网络原理 5

2.1 循环神经网络 5

2.2 长短期记忆网络 6

2.2.1 LSTM单元结构 6

2.2.2 LSTM单元计算公式 7

2.2.3 LSTM网络结构 9

第三章 数据预处理 11

3.1 数据集介绍 11

3.2 数据采集 12

3.2.1 处理缺失数据 12

3.2.2 数据归一化 13

3.3 特征工程 13

3.3.1 特征选择 14

3.3.2 特征提取 17

第四章 基于LSTM网络的负荷预测 19

4.1 预测精度评价指标 19

4.2 LSTM网络模型结构 19

4.2.1 单变量多模型预测 19

4.2.2 多变量单模型预测 20

4.3 LSTM模型实验结果分析 22

4.4 与其它模型实验对比分析 23

4.4.1 支持向量回归模型 23

4.4.2 决策回归树模型 24

4.4.3 随机森林回归模型 25

4.4.4 神经网络回归模型 26

4.4.5 实验比较分析 26

第五章 结语 28

参考文献 29

致 谢 31

第一章 绪论

1.1 研究背景

当今智能电网时代下，随着电网系统飞速发展，实时监测技术、传感器技术与大数据存储技术日趋成熟，电力系统管理迈入现代化，电力数据的数据量与复杂度也呈指数增长。对于有效发掘海量数据背后的价值以及高效合理地应用电力大数据成为电力系统中一个迫切需要解决的问题。对于准确高效的负荷预测研究也越来越受到人们的关注，并已发展为现代电力系统管理中的重要领域。

电力负荷预测指在保证预测结果达到准确度标准的基础上，对未来某一时间段的电力负荷值或电力负荷曲线进行预测的方法，这要求该方法能够充分分析历史电力负荷数据，发现负荷数据本身的相关性和某些来自外界的影响因素之间的关系，进而探索出负荷数据的周期性与变化规律，最终实现预测的目的。

剩余内容已隐藏，请支付后下载全文，论文总字数：25156字