线性回归短期负荷预测论文

《线性回归短期负荷预测论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、线性回归短期负荷预测毕业论文目录摘要IABSTRACTII第1章绪论11.1选题背景与意义11.1.1选题的背景11.1.2选题的意义11.2国内外研究负荷预测的现状11.2.1传统预测方法21.2.2人工智能预测方法21.3本文的主要研究工作4第2章电力负荷预测的概论52.1电力负荷预测的分类52.1.1按预测周期分类52.1.2按行业分类52.1.3按负荷预测特性分类52.2负荷预测的特点52.3电力系统负荷预测的基本原理62.4负荷预测的基本步骤7第3章线性回归模型在短期负荷预测中的应用93.1短期负荷预测的基

2、本模型93.1.1影响负荷变化的因素93.1.2负荷预测模型的要求103.1.3短期负荷预测基本模型113.2线性回归模型的概念与特点113.2.1线性回归模型的概念113.2.2线性回归的特点123.3一元线性回归模型133.4多元线性回归模型143.4.1多元线性回归的定义143.4.2多元线性回归模型的数学表达143.5线性回归模型的建立15303.6算例分析153.6.1确定预测内容153.6.2资料搜集153.6.3基础资料分析253.6.4建立负荷预测模型253.6.5进行负荷预测25第4章总结28参考文

3、献29致谢3030第1章绪论1.1选题背景与意义1.1.1选题的背景近些年来，随着电力市场改革的深入开展，用电用户的负荷对电力系统输送的电能质量的要求也越来越高。由于电能不能大量的储存，这就要求发电出力应该与电力负荷的变化保持动态平衡。否则，轻则影响供电的质量，重则危及系统的安全与稳定。因此，对负荷的变化与特性进行预测估计是电力系统运行与发展的重要内容。1.1.2选题的意义电力负荷预测是电力市场的重要组成部分。电力系统负荷预测是指，在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套

4、系统地处理过去与未来负荷的数学方法，在满足一定精度的意义下，确定未来某特定时刻或某些特定时刻的负荷数值[1]。因此负荷预测有着重要意义：（1）负荷预测是经济调度的主要依据；（2）负荷预测是电力生产规划的基础；（3）负荷预测是电力市场顺利发展的必需数据；（4）负荷预测是电力系统安全分析的主要因素之一；（5）短期负荷预测有利于无功优化的实施；（6）短期负荷预测是实现变压器目标节能控制的重要手段；（7）负荷预测是实现电网科学管理和调度的重要方面。随着电力市场的逐步建立，对负荷预测水平的要求与日俱增。提高负荷预测技术水平有利

5、于计划用电管理，有利于减少能耗和降低发电成本，有利于合理安排电网运行方式和建立机组检修计划，有利于提高电力系统的经济效益和社会效益。因此，电力负荷预测的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一。相应的，怎样利用现有的资料，使用正确的预测理论和方法,建立相应的预测模型,提高电力负荷预测的精度已成为电力企业的重要研究课题之一。对于不同的负荷类型，采用的预测理论和方法也不同，本文着重研究短期负荷预测。1.2国内外研究负荷预测的现状目前，国内外关于短期电力负荷预测的研究主要集中在三个方面：负荷预测的影响因

6、素、负荷预测的数学模型和负荷预测算法的研究与改进。和前面两个方面相比较，第三方面的研究最为深入，已经涌现出了各种不同的预测模型和算法，并且随着预测技术和数学理论的逐渐发展，负荷预测的新方法也如雨后春笋般纷纷涌现。将负荷预测的算法综合起来可分为两类：传统预测方法和人工智能方法。传统方法有趋势外推法、回归分析法、时间序列法、最小二乘法等等。人工智能方法有专家系统预测30法、神经网络预测法、灰色系统法、遗传规划算法、模糊预测法、支持向量机、小波分析法、组合优化算法等等。传统预测方法的原理比较简单，理论较成熟，但其采用的数学

7、模型过于简单，不能及时、准确地估计和调整其参数，因此不能反映负荷的突然变化，从而使得预测的精度难以提高。而人工智能方法虽然数学模型较复杂，但其预测的精度较高，能够满足当今社会的要求。下面简单介绍负荷预测的算法：1.2.1传统预测方法1、趋势外推法趋势分析法又称之为趋势曲线分析、曲线拟合或曲线回归，它是迄今为止研究最多，也最为流行的定量预测方法[2]。常用的趋势模型有线性趋势模型、多项式趋势模型、指数趋势模型、逻辑斯蒂模型、龚帕兹(GomPerts)模型等等。趋势分析法的优点是只需要历史数据，所需的数据量较少;缺点是如

8、果负荷出现变动，会引起较大的误差。在很多情况下，选择合适的趋势曲线，确实也能给出较好的预测结果，不同的模型给出的结果相差会很大，使用的关键是根据地区发展情况，选择适当的模型。2、回归分析方法一般来讲，电力网络负荷同其所在地区的经济、政治、气候等因素存在某种因果关系。这种因果关系往往无法用精确的数学表达式来描述，只有通过对大量观察数据的统计处理，