残差自修正深度学习集成神经网络在短期电力负荷预测中的应用
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 一、绪论 | 第11-20页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 负荷预测模型研究现状 | 第12-16页 |
| 1.2.2 残差修正法在电力负荷预测的研究现状 | 第16-18页 |
| 1.3 本文主要工作 | 第18页 |
| 1.4 本文结构安排 | 第18-20页 |
| 二、电力系统负荷数据的分析及处理 | 第20-36页 |
| 2.1 负荷数据的时间序列特性分析 | 第20-24页 |
| 2.1.1 负荷数据的时间序列分解 | 第20-21页 |
| 2.1.2 负荷数据的自相关分析 | 第21-22页 |
| 2.1.3 负荷数据受现实因素影响下的特性 | 第22-24页 |
| 2.2 缺失值补充 | 第24-26页 |
| 2.3 电力负荷异常数据的处理 | 第26-31页 |
| 2.3.1 基于负荷数据的异常检测法 | 第27-29页 |
| 2.3.2 改进的用于负荷数据的异常检测法 | 第29-31页 |
| 2.4 数据归一化 | 第31-32页 |
| 2.5 预测结果的误差标准 | 第32-33页 |
| 2.6 算例分析 | 第33-35页 |
| 2.7 本章小结 | 第35-36页 |
| 三、基于深度学习神经网络的负荷预测模型 | 第36-46页 |
| 3.1 LSTM原理简介 | 第36-39页 |
| 3.2 GRU原理简介 | 第39-40页 |
| 3.3 LSTM和GRU负荷预测模型的建立 | 第40页 |
| 3.4 算例分析 | 第40-45页 |
| 3.4.1 LSTM和GRU和传统模型的比较实验 | 第41-43页 |
| 3.4.2 LSTM和GRU和传统模型的比较实验 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 四、基于深度学习改进的残差修正集成负荷预测模型 | 第46-57页 |
| 4.1 对LSTM和GRU预测结果的残差特性分析 | 第47-50页 |
| 4.1.1 残差平稳性检验 | 第47-48页 |
| 4.1.2 残差的自相关性分析 | 第48-49页 |
| 4.1.3 残差预测模型的选择 | 第49-50页 |
| 4.2 基于深度学习的改进残差修正集成神经网络 | 第50-54页 |
| 4.3 算例分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 五、结论和展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间科研成果 | 第62页 |
