考虑多因素气象的电网短期负荷预测建模研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 短期负荷预测的研究现状 | 第13-14页 |
| 1.2.2 大数据在STLF的应用现状 | 第14-16页 |
| 1.3 本文的主要工作 | 第16-18页 |
| 第二章 考虑多因素气象的负荷特性分析 | 第18-39页 |
| 2.1 引言 | 第18页 |
| 2.2 年负荷特性分析 | 第18-19页 |
| 2.3 季节负荷特性分析 | 第19-20页 |
| 2.4 日负荷特性分析 | 第20-22页 |
| 2.5 复杂气象条件影响下的负荷特性 | 第22-29页 |
| 2.5.1 温度的累积效应对负荷的影响 | 第23-26页 |
| 2.5.2 降雨对负荷的影响 | 第26-27页 |
| 2.5.3 突变气象对负荷的影响 | 第27-29页 |
| 2.6 影响负荷变化的其他因素 | 第29-30页 |
| 2.7 数据的预处理 | 第30-36页 |
| 2.7.1 各季数据的筛查 | 第30-32页 |
| 2.7.2 气象数据预处理 | 第32-33页 |
| 2.7.3 负荷数据的标幺化 | 第33-36页 |
| 2.8 相关性分析 | 第36-38页 |
| 2.8.1 相关性分析 | 第36-37页 |
| 2.8.2 各季气象负荷相关性 | 第37-38页 |
| 2.9 本章小结 | 第38-39页 |
| 第三章 基于数据挖掘的气象信息粒化 | 第39-47页 |
| 3.1 引言 | 第39页 |
| 3.2 数据挖掘方法介绍 | 第39-43页 |
| 3.2.1 模糊聚类 | 第39-41页 |
| 3.2.2 粒计算聚类算法 | 第41-42页 |
| 3.2.3 K-means聚类算法 | 第42-43页 |
| 3.3 完全气象因子序列 | 第43-44页 |
| 3.4 基于Fuzzy集的气象信息粒化 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于多策略灵敏度的负荷拐点预测模型 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 空间多元回归分析 | 第47页 |
| 4.3 气象灵敏度分析 | 第47-48页 |
| 4.4 空间滞后修正模型 | 第48-50页 |
| 4.4.1 累积效应修正模型 | 第48-49页 |
| 4.4.2 降雨效应修正模型 | 第49-50页 |
| 4.5 算例分析 | 第50-57页 |
| 4.5.3 空间多元回归建模及预测 | 第50-52页 |
| 4.5.4 滞后修正模型建模及预测 | 第52-54页 |
| 4.5.5 基于灵敏度的空调负荷预测 | 第54-57页 |
| 4.6 本章小结 | 第57-59页 |
| 第五章 基于气象信息粒匹配的短期负荷曲线预测 | 第59-76页 |
| 5.1 引言 | 第59页 |
| 5.2 基于改进K-means聚类的负荷曲线预测 | 第59-62页 |
| 5.2.1 改进的K-means聚类特征日选取 | 第59-60页 |
| 5.2.2 基于气象特征日的曲线修正 | 第60-62页 |
| 5.3 基于多粒度气象信息匹配的负荷曲线预测 | 第62-66页 |
| 5.3.1 多分段曲线的相似性 | 第62-64页 |
| 5.3.2 多粒度气象特征日信息匹配 | 第64-65页 |
| 5.3.3 基波动性的修正判断 | 第65页 |
| 5.3.4 平滑性检验及插值修正 | 第65-66页 |
| 5.4 数据动态更新模型 | 第66-68页 |
| 5.4.1 动态数据流算法 | 第66页 |
| 5.4.2 数据的在线更新 | 第66-68页 |
| 5.5 算例分析 | 第68-75页 |
| 5.5.1 日前负荷曲线预测 | 第68-70页 |
| 5.5.2 气象突变日曲线修正预测 | 第70-72页 |
| 5.5.3 全年预测效果 | 第72-75页 |
| 5.6 本章小结 | 第75-76页 |
| 第六章 结论与展望 | 第76-79页 |
| 6.1 本文工作总结 | 第76-77页 |
| 6.2 工作展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-86页 |
| 攻读学位期间发表的学术论文 | 第86页 |
