基于机器学习的短期负荷预测开题报告

1. 研究目的与意义

我国社会发展已经进入新时代，经济发展必须要实现从原来的高速发展转化为高质量发展。

要推动形成经济高质量发展，必须要深入贯彻可持续发展战略，充分利用和节约各类资源。

据英国的研究结果表明：短期负荷预测的误差每增加 1%，将导致每年运行成本增加约 1770 万元；在挪威，每增加 1%的短期负荷预测误差将导致455万元~910万元的附加运行成本。

2. 研究内容和预期目标

本文将要以日为单位对某省的短期负荷需求进行预测。据研究，气象因素在短期负荷预测中有至关重要的影响，在气象因素中，温度的影响最为显著。因此，本文将日平均预测温度作为自变量，将日负荷量作为因变量，通过日平均预测温度对日负荷量进行拟合预测。但温度与负荷之间的关系不仅仅是单纯的线性关系，传统的负荷预测方法，例如回归分析法、时间序列法等线性拟合的方法，在短期负荷预测的情况下并不适用。

近年来，神经网络由于其强大的自学习能力和非线性拟合能力，在预测领域受到了越来越多的关注。利用神经网络进行短期负荷预测，有效解决了温度与负荷非线性关系的问题。但神经网络缺乏理论知识支撑，存在局部最优点，并且学习能力过强，容易导致过拟合，不利于模型的泛化。本文将采用基于遗传算法的支持向量机回归的方法对日负荷进行预测。支持向量机回归是基于统计学习理论^[的一种预测方法，经过大量学者的研究，有坚实的理论基础，在非线性拟合预测方面具有显著优势，并且具有推广性强和全局最优等优点。但支持向量机回归模型中的参数对该模型有很重要的影响，不合适的参数会很大程度上降低模型的精确性。因此，本文选用遗传算法对该模型的参数进行优化。

3. 国内外研究现状

负荷预测按照预测的时间跨度不同可以分为长期负荷预测、中期负荷预测和短期负荷预测。其中，长期负荷预测通常以年为单位，预测未来一年所需负荷的总量。准确预测某个地区的年负荷量，对于该地区的经济稳定发展有重要帮助。中期负荷预测通常以月或季度为单位。短期负荷预测通常以小时或天为单位，提高短期负荷预测的精度，能够有效降低电力系统的运行成本，并且能够提高电力系统的稳定性。

当前，有大量国内外学者对负荷预测进行了研究，无论是在理论上还是在实践上都取得了很多重要成果。王成山等人运用各种不同灰色系统（GM）预测模型对城市年用电量进行预测，总结不同灰色系统模型的适用范围。曾思勇和杨文君利用回归分析法预测了某县未来几年的电量需求，并验证了该模型的准确性。周佃民等人利用神经网络对电力系统周、日负荷进行预测，神经网络是一种非线性的拟合方法，对于训练样本较多和预测点在样本空间附件的短期负荷预测有较好的效果。此外，还有时间序列法、指数平滑法、模糊预测法、小波分析法等等，不同的预测方法在各自适用的情况下都能取得较好的效果。

4. 计划与进度安排

1 收集数据

1.1确定时间

1.2确定地点

1.3收集数据

5. 参考文献

[1] liu k. comparison of very short-term loadforecasting technique[j].ieee trans. power systems, 1996,11(2)：877-882.

[2]廖旎焕,胡智宏,马莹莹,卢王允.电力系统短期负荷预测方法综述[j].电力系统保护与控制,2011,39(01):147-152.

[3]黄震. 基于机器学习算法的短期电力负荷预测研究[d].青岛科技大学,2020.