一、数据挖掘方法在日负荷预测中的应用（论文文献综述）
蒋正邦[1]（2021）在《基于分层量测数据的负荷聚类分析与概率负荷预测方法研究》文中提出随着覆盖电网各个层级的量测系统的最终建成与不断完善,电力公司积累了来自不同电压等级的海量负荷量测数据,以及对应的用户信息、网络拓扑、地理与气象数据。对海量分层量测数据进行特征挖掘与综合利用,能够为电力相关部门提供更准确实用的负荷聚类以及负荷预测结果,从而优化电力调度决策,保证电力系统的安全稳定运行,提高社会经济效益。本文主要包含基于分层量测数据的负荷聚类与负荷预测两方面内容。在负荷聚类分析方面,丰富的分层量测数据使得可以同时考虑研究对象多种特征进行聚类分析。由此,本文针对多特征聚类问题,提出了一种多目标聚类模型以及一种聚类修正算法,解决了多特征聚类时经常发生的速度慢、精度差、易跌入局部最优的情况。在负荷预测方面,借助不同电压等级的量测数据之间的累加关系,可以提高单个、甚至多个电压等级上的负荷预测精度。由此,本文提出了一种自下而上的概率预测方法和一种分层概率负荷预测优化方法,在提高预测精度的同时,缩窄预测区间,从而避免电力公司等机构对负荷极限值的错误估计。除此之外,本文也针对气象特征对负荷预测的影响、预测输入特征选择等问题进行了研究。具体而言,本文包含以下四部分内容:（1）针对多特征变电站负荷聚类问题,本文首先提出了一种多目标聚类模型,同时考虑变电站的日负荷曲线与其下属负荷构成对其进行聚类。为了求解该多目标模型,本文提出了一种聚类结果修正算法,在对变电站基于日负荷曲线进行聚类并得到原始聚类结果后,采用该算法依据变电站负荷构成修正原始聚类结果。该算法可以用于克服对高维数据聚类时经常发生的速度慢、精度差、易跌入局部最优的问题,同时可以更方便地确定最优聚类类数。（2）针对变电站短期负荷概率预测问题,本文提出了一种自下而上的概率预测方法,首先对中压配变日前负荷进行预测,并获取预测值的概率分布,之后将其累加形成高压变电站负荷预测值的概率分布并形成预测区间。该方法中包括两种分别基于中压出线和中压配变负荷数据的预测框架。对比传统方法,提出的方法能更准确地估计变电站负荷预测结果中的不确定性,并给出较窄的预测区间。（3）针对分层概率负荷预测问题,本文提出了一种基于分层数据累加一致性的分层概率负荷预测方法。该方法以不同电压等级上的预测结果分布之和相等为目标,调整各电压等级不同节点独立生成的概率负荷预测,使得各电压等级上的概率预测符合累加一致性,并能进一步提升各层概率负荷预测的精度。（4）针对考虑气象因素的变电站概率负荷预测问题,本文提出了一种考虑地域气象特征的自下而上概率负荷预测方法。该方法中从底层考虑了不同地域的气象数据以及负荷数据。在底层负荷预测过程中,本文提出了一种基于多目标聚类的相似日选择方法,寻找相同气象条件下的日期作为相似日,并根据相似日进一步选择预测输入特征。结果显示,采用本文提出的输入特征选择方法、并从配网底层而非上层考虑气象信息,能进一步的提高预测精度,缩窄预测区间。
马子涵[2]（2020）在《基于改进二分K-means和集成神经网络的电力用户负荷模式识别》文中提出从“中发9号文”到“三型两网”战略目标,电力市场改革和职能电网建设的步伐在坚定不移的向前推进。电力市场所承载业务越来越复杂多样,同时,大量智能量测设备也在投入使用,导致电力负荷数据网络的规模也在不断扩大,运用有效的数据挖掘技术对这些数据进行分析利用,对电网稳定运行及电力市场健康发展有重要意义。负荷模式识别就是对不同负荷数据进行分析,并依据负荷特点划分出不同类型的负荷模式,然后根据各类别负荷模式制定相应的策略,对电力系统进行负荷分析规划、需求侧控制及响应、负荷预测等工作有着重要的参考价值及意义。负荷模式识别的研究内容主要是对已有负荷曲线的聚类分析以及对未知负荷的分类识别。首先对负荷数据库中的数据集进行聚类分析,得到多种典型负荷并针对不同类型的负荷制定不同的处理方式,再通过不同种类的负荷数据训练出能够识别负荷类型的分类器,对电力网络中量测设备所采集到的新的未知类型的负荷数据进行分类识别,将其划分到某一类负荷中,这样便可以运用针对该类负荷的处理方式来处理新采集到的未知类型负荷。本文针对传统负荷聚类及分类方式中存在的不足进行分析讨论,并提出改进方案,主要内容如下:（1）为解决传统聚类算法处理高维负荷数据时遇到的计算量及存储量的困难,将t-SNE降维技术应用于负荷数据的处理,与常用的PCA降维技术相比效果更好。（2）负荷聚类算法中常用的K-means算法存在两个主要问题,一是初值影响聚类效果,另一个是需要提前确定聚类的类别数量。本文采用基于t-SNE和GSA肘形判据的二分K-means算法,解决了传统K-means算法的两大难题,且聚类质量有明显提升。（3）常用于负荷分类识别的方法往往都是通过大量样本来训练单个分类器用以提高精度,但单个分类器的学习能力终究有限,本文将Adaboost集成学习算法与BP神经网络相结合,通过多个分类器集成学习组合为高精度分类器,提升了分类准确率。（4）研究了典型负荷模式的特点,分析了各类负荷中常见的典型行业的负荷特性。
洪卉[3]（2020）在《基于数据挖掘与改进鲸鱼算法优化支持向量机的短期电力负荷预测》文中认为电力负荷预测是当前人们研究比较多的一个热门课题,精确的电力负荷预测能够保证电网系统的稳定运行,并且对保障电力系统本身的安全性也有着重大的意义。本文主要研究短期电力负荷的预测,包括预处理历史负荷数据、分析负荷的相关影响因素、选取合适的训练集和建立电力负荷预测模型。并采用多种数据挖掘技术来进行研究。首先,对于如何解决电力负荷数据预处理,这里采用改进的模糊C均值聚类算法。针对模糊C均值的聚类中心以及聚类数目的确定采用减法聚类算法进行,以此提取出日负荷特征曲线,然后根据正态分布理论来确定双向检测阈值,利用电力负荷曲线的相似性和平滑性,识别日负荷曲线的异常数据,最后对异常数据进行修正。其次,对负荷进行相关因素的分析和相似日的选取,主要分析负荷本身的周期特性,同时利用灰色关联分析方法来剖析天气因素和负荷之间的关联。选择影响负荷的主要相关因素构成负荷的特征向量,以此为依据选取相似日粗集,最后用模糊聚类灰色关联分析法选取相似日。最后,在前几章方法的条件上,采取改进的鲸鱼算法优化之后的支持向量机模型当做本文的短期电力负荷预测的模型。选取福建省莆田市的电力负荷数据进行短期负荷预测,然后把本文的预测模型与基于支持向量机的电力负荷预测模型作比较。通过算例结果得出以下两个结论:对本文模型与支持向量机模型的对比,得出本文的预测模型预测的精度更高;在将经过预处理之后的数据跟没有处理的数据分别运用本文的模型进行预测,得出经过本文的方法预处理后的数据预测得到的结果精度更好。
危志强[4]（2020）在《基于改进模糊聚类算法的短期负荷预测研究》文中进行了进一步梳理电力系统短期负荷预测是电力调度中的重要内容。准确快速地完成短期负荷预测能够让电力系统经济平隐地运行。因此,如何提高电力系统中的短期负荷预测精度一直是国内外学者研究的重点。传统的短期负荷预测多是对多用户的负荷总体进行预测,但负荷变化与各用户用电特性关系密切,对负荷总体进行预测会损失用户用电行为信息,造成预测准确率下降,此时传统的预测方法不再适用。因此,本文给出一种基于改进模糊聚类算法的短期负荷预测方法。首先应用FCM算法对用户负荷总体进行聚类。传统的FCM算法需要预先知道聚类数目,并且对聚类中心初始值较为依赖。因此本文通过Calinsli-Harabasz指标获取最佳聚类数目,引入磁优化算法寻优获得聚类中心初始值,解决了 FCM算法稳定性差的问题。进一步利用差分进化算法和全局记忆性提高了磁优化算法寻优的稳定性和快速性。然后,在确定聚类数目和聚类中心初始值的FCM算法下进行负荷曲线聚类,获得负荷特性相近的用户群体。以聚类获得的若干负荷变化相近的用户群体为基础,利用GRU网络进行短期负荷预测。针对每个用户群体,采用GRU作为元模型,分别建立GRU短期负荷预测模型,最后将各用户群体的负荷预测值进行叠加得到总体的负荷预测值。仿真结果表明,采用了聚类分析的GRU网络负荷预测精度高于未对用户群体进行聚类分析的预测精度。同时将GRU与Elman和BP两种神经网络的预测效果进行比较,预测结果证明了 GRU对于负荷预测的能力更优。
许飞[5]（2020）在《基于机器学习的短期负荷预测》文中指出电力系统负荷预测是保证电力系统安全稳定经济运行的重要基础。按照时间尺度常可以分为长期负荷预测、中长期负荷预测、短期负荷预测和超短期负荷预测。不同时间尺度的负荷预测对电力系统有不同的作用,其中短期负荷预测有利于提高发电设备的利用率和经济调度的有效性,同时有利于帮助电力系统运行人员制定更加合理的调度计划,维持供需平衡和确保电网安全,减少资源浪费和用电成本。随着接入电网的负载不断增加、用电设备种类变得繁多,特别是电动汽车的接入,给电力系统短期负荷预测带来了巨大的挑战。本文为解决海量负荷数据、负荷波动性增强、传统方法效率较低以及循环神经网络占用资源较大等问题,引入了JANET网络进行短期负荷预测,其意义在于JANET网络在保证预测精度和稳定性的同时,能够极大地提高模型的训练和预测效率,本文将通过基于JANET网络的单一模型和组合模型全面证明其优越性。本文首先通过对传统预测方法和人工智能预测方法优缺点的对比分析,选择了更适合短期负荷预测的人工智能方法。进一步通过对各种神经网络优缺点以及适用场合的对比分析,确定本文将使用JANET网络。在进行短期负荷预测时,首先采集了大量的原始负荷数据和气象数据并进行预处理,对这些数据中的异常数据进行修正,并且使用人工补齐方法补全空缺数据、对数据进行归一化、使用独热编码技术对星期类型进行编码;然后,以互信息理论为基础,通过相关性分析,确定了各类影响因素与负荷之间的相关程度,用相关系数表示,并根据系数大小选择影响因素;其次,使用变分模态分解,将电力系统的历史负荷数据看成是时间序列信息并进行分解得到若干个本征模函数,不同的本征模函数分别搭建负荷预测模型;最后,基于南方电网某地区的实际负荷数据,分别搭建了JANET单一网络和基于JANET网络的组合模型,并与BP、GRU、LSTM网络进行仿真对比,仿真结果表明JANET及其组合网络具有更快的收敛速度、更高的预测精度和更强的稳定性。
赵嫚[6]（2020）在《用户侧用电数据特征提取与异常检测研究》文中研究指明随着国家经济建设和电力系统的快速发展,用户侧用电数据也呈现指数增长。通过数据挖掘技术对这些数据进行分析研究,有助于推动电网智慧化发展。然而,由于输电线路老化、计量设备出现故障以及一些用户为了达到少缴或者不缴电费的目的,在实际的供用电过程中会发生异常用电的现象。若对这些现象不采取及时的应对措施,将会严重的影响电力企业的供电秩序,而且对供电安全和国家的经济也会造成严重的威胁。针对上述的问题,本文通过分析用电数据产生异常的原因、造成用电异常的行为以及现有的电力用户用电数据异常检测方法存在的缺陷,提出了一种融合孤立森林、局部离群因子算法的用电数据异常检测模型。该模型充分考虑了用电数据中可能存在的全局异常点和局部异常点。本文的主要工作内容如下:（1）首先,采用模糊聚类算法将用户用电数据进行了分类,即将具有相同用电行为的电力用户划分到同一类。避免了某个具有用电异常行为的用户隐藏在另外一类正常的用电数据中,导致用电数据异常检测模型出现漏判、错判等情况。（2）通过分析用电数据在时序上的特点和其本身具有的规律,本文从统计性、趋势性、变动性、负荷形态四个用电指标对用电数据进行了特征提取,并利用主成分分析方法将提取到的不同类别用户的用电特征集进行了特征降维,消除了特征变量之间的关联关系,进而提高了用电异常检测模型的运行效率。（3）利用孤立森林算法不需要计算有关距离、密度、调节参数少、运行速度快、系统开销小和局部离群因子算法在局部异常数据检测时区分精度较高的特点,构建了基于孤立森林和局部离群因子算法的用电数据异常检测模型。该模型全面考虑了用电数据集中可能存在的全局异常点和局部异常点,为用电数据异常检测提供了一种新的方法。（4）最后,利用ROC曲线、P-R等相关指标对本文构建的用电异常检测模型与其他单一检测模型进行了对比分析,结果表明本文构建的融合多个方法的异常检测模型异常检测的能力明显高于其他单一的模型,证明了本文所提方法在用电数据异常检测方面的可行性和适用性。
马含[7]（2020）在《智能电网环境下微电网负荷预测》文中认为负荷预测为智能电网的运行提供了可靠的理论支撑,它是基于历史数据进行规律总结与拓展,对未来数据的一个定性合理推测。但是随着发展的步伐数据也变得更加庞杂,传统的负荷预测方法已不能再满足要求。拥有自学习的人工神经以及组合算法为电力系统中算法的匮乏雪中送炭。但算法的理论依据不同产生的预测精度就会有差异,海量的数据也使计算复杂度增加,在一定程度上减缓了算法的计算速度。因此,研究如何提升计算速度以及拥有更优的预测精度成为了时代热议话题。基于影响负荷的多重因素以及负荷特点,本文提出了一种改进LSSVM训练的RBF神经网络预测模型。本文中的主要工作有:（1）基于负荷数据的特点分析以及负荷影响因素的判断,利用灰色关联度算法进行实时数据的关联性系数计算,依据大小确定预测模型的输入变量。该方法很好的筛选了能够影响负荷数据的因素,在一定程度上减少了数据的复杂性。同时也利用该方法对输入的数据进行了相似度的划分,得到预测模型的训练样本集。（2）提出混沌蚁群算法优化LSSVM。LSSVM算法具有良好的泛化能力与寻优能力,但是其参数的设置往往都是通过人工经验输入,注入过多的主观性。针对这种情况,结合混沌蚁群算法较优的组合搜索能力,将其应用到LSSVM的参数寻优中。首先基于蚂蚁行为的混沌性将混沌理论引入到蚁群算法中,然后将LSSVM的组合参数作为蚂蚁的位置,构造目标函数,利用群间的沟通能力交换最优位置的信息,直到达到最优值或到达设定次数。使其不易陷入局部最优,提升预测模型的性能。（3）基于RBF神经网络与LSSVM的相似性,提出利用LSSVM输出回归机确定RBF神经网络的训练模型。RBF神经网络的性能是由参数设定与中心函数来共同决定的。经过LSSVM训练过后会输出回归机。由最优回归机确定RBF神经网络的参数设计与机构设计,使RBF神经网络的网络结构有着更好的结构模型。最后,使用MATLAB对本文提出的优化算法进行实时数据的模拟仿真,仿真结果表明,与传统的LSSVM或RBF神经网络相比,本文改进的LSSVM对RBF神经网络的训练,有着更高的负荷预测的精度与更快的计算速度,在仿真平台进行了实时数据的对比进行结果的误差对比。
朱云丰[8]（2019）在《基于改进BP神经网络的微电网短期负荷预测》文中认为微电网短期负荷预测是微电网安全、节能和高效运行的保证,它有助于微电网的优化调度和能量管理。微电网负荷随机性强容易受到外界因素影响而产生较大的波动,从而导致对其预测时预测的效果往往都不太理想。所以,本文针对如何提高微电网短期负荷预测的精度而展开研究。面对微电网预测中历史数据会出现异常数据的现象,对收集的数据进行辨识、补全和修正处理,并对相关数据进行了归一化。分析了微电网负荷的特性,并重点研究微电网负荷在日周期和周周期时间维度上的变化规律。针对数据之间存在联系和隐含信息的问题,提出利用数据挖掘技术对其进行分析的方法。采用相关性分析方法对数据进行研究,根据微电网负荷的特性曲线,确定各个影响因素与负荷之间的依存关系和相关程度。使用主成分分析方法对历史数据考虑较多因素而导致数据维数众多的问题进行降维,去除数据间的冗余信息得到维度较少的处理数据,并将其作为改进模型的输入数据,提高预测模型的预测效果。本文选取的微电网的负荷与外界影响因素之间有很强的相关性,考虑到BP神经网络具有很好的逼近效果和自适应能力,首先建立考虑多种影响因素的BP神经网络预测模型。其次针对BP神经网络存在预测效果不佳、算法收敛速度慢以及容易陷入局部最优解等问题,提出了一种思维进化算法和BP神经网络相结合的方法,通过优化网络的权值以及阈值来改善BP神经网络算法的不足,进而达到提高预测效果的目的。最后结合主成分分析方法建立了PCA-MEA-BP神经网络的微电网短期负荷预测模型,通过MATLAB仿真,验证了本文所改进的BP神经网络预测模型对微电网短期负荷的预测精度要优于传统的BP和GA-BP神经网络,预测负荷值与实际值更加吻合。
孙彬[9]（2019）在《某地区天然气短期负荷的特性研究及预测应用》文中研究指明城市燃气发展至今,燃气企业累计了初具规模的原始数据,这部分珍贵的数据需要通过分析处理,提取有价值信息,并最终服务于企业的生产与发展。天然气负荷的分析与预测就是挖掘原始数据价值的一种途径,负荷分析的目的在于了解天然气用户用气习性、特点和需求等,指导企业实际的运行生产;负荷预测基于负荷分析,采用现阶段较先进的负荷预测技术,对用户用气需求做出预测,负荷预测对企业未来的调度或规划具有重要的指导作用。本文基于某区天然气用户一年内的实测数据,开展了负荷分析和短期负荷预测等研究,并最终开发出了一款简便的负荷预测软件。在进行负荷分析时,采用Pearson数据检测技术对影响因子和用户负荷的相关度进行了检测分析,确定了显着影响用户负荷的四大因子:最低气温、平均气温、日期类型和气候情况。基于负荷分析结果,本文继续开展负荷预测研究,重点将KPCA理论应用于FOA-LSSVM模型的优化,测试发现,KPCA能够较好地优化模型的预测性能,KPCA-FOA-LSSVM模型的预测精度远远高于其他三种智能负荷预测模型,模型预测最大误差能够被实际管网所接受,并且模型本身具有良好的泛化能力。最优负荷预测模型确定后,成功开发了一款搭载最优模型的负荷预测软件,该软件载入原始数据后,能够自动完成数据规整、KPCA、LSSVM模型参数寻优、训练和更新预测等过程,用户界面友好,操作方便,具有良好的推广性。
何明秀[10]（2019）在《基于数据挖掘的公共建筑能耗预测模型构建与优化》文中提出随着能源问题与环境问题的日益凸显,可持续发展已成为一种趋势。在世界范围内,建筑能耗与交通、工业能耗并驾齐驱,占全球能源消费总量的近三分之一,且有逐年上升的趋势。建筑能耗粗放管理使得我国建筑节能存在巨大潜力,而建筑能耗的预测与分析是建筑节能工作中的重要部分。本文以上海市多栋公共建筑为依托,对基于机器学习方法的公共建筑能耗预测建模方法与流程进行了总结分析,并对比了K近邻、支持向量机、人工神经网络与随机森林四种建模方法在不同建筑、不同季节的能耗预测结果。建模过程可以分为数据采集与整理、数据分析与预处理、训练集与测试集的划分、模型输入变量的筛选与优化、模型参数的选择、模型训练与结果输入以及模型的评价与验证等七个步骤。对模型训练集的测试发现,不同建模方法所需的最小训练样本量有所不同,但总体而言,对商场建筑能耗的合理预测需要至少1至2周的历史数据用于训练。在模型的敏感性分析过程中,发现参数对模型性能影响明显。以支持向量回归模型中的惩罚因子为例,仅改变该参数,可使模型误差从23.7%降低至8.3%。此外,时间输入对模型性能的影响也较为明显。对多栋不同定位的商场建筑能耗对比分析表明,当历史能耗数据不作为输入变量时,基于K近邻法建立的模型通常能有较好的预测结果。而加入前一小时能耗作为模型输入,可以显着降低建筑能耗预测的平均绝对百分比误差,最高可减小7%。支持向量回归模型更适用于较短期的能耗预测,其一周能耗预测误差可低至2.6%;而人工神经网络模型在较长期的能耗预测中更有优势,两个月逐时能耗预测的平均绝对百分比误差可低至2.7%。同时,建筑能耗预测的精度也会受到季节以及建筑本身能耗曲线特性的影响。此外,本文提出遗传算法与人工神经网络算法相结合的方法,优化了人工神经网络模型内的各项参数,使得建筑能耗预测精度有了进一步的提高。以上海某办公建筑为例,优化后的模型使得日逐时能耗预测误差从5.1%降低至4.8%,月整体预测误差从7.7%降低至6.8%。
二、数据挖掘方法在日负荷预测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据挖掘方法在日负荷预测中的应用（论文提纲范文）
（1）基于分层量测数据的负荷聚类分析与概率负荷预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 智能电网背景下的负荷特性分析与负荷预测 |
| 1.2 电力数据量测技术与量测数据现状 |
| 1.2.1 电力量测技术概述 |
| 1.2.2 多层电力量测数据 |
| 1.3 负荷特性分析及其研究现状 |
| 1.3.1 负荷特性分析的意义 |
| 1.3.2 负荷聚类算法研究现状 |
| 1.3.3 用户负荷聚类分析研究现状 |
| 1.3.4 变电站负荷聚类分析研究现状 |
| 1.4 负荷预测及其研究现状 |
| 1.4.1 负荷预测的意义 |
| 1.4.2 负荷预测模型研究现状 |
| 1.4.3 负荷预测方法研究现状 |
| 1.5 本文的选题意义及主要工作 |
| 1.5.1 目的及意义 |
| 1.5.2 主要工作 |
| 第2章 基于分层量测数据与多目标聚类模型的变电站负荷特性分析 |
| 2.1 概述 |
| 2.2 同时考虑负荷曲线与负荷构成的变电站多目标聚类模型 |
| 2.2.1 负荷曲线与负荷构成 |
| 2.2.2 聚类模型的目标函数 |
| 2.2.3 权重法处理多目标模型 |
| 2.3 两阶段聚类修正算法 |
| 2.3.1 类与类之间的元素转移 |
| 2.3.2 类的分裂和聚合 |
| 2.3.3 两阶段聚类修正算法流程 |
| 2.4 测试算例分析 |
| 2.4.1 配电变压器负荷聚类 |
| 2.4.2 算例的构造 |
| 2.4.3 构造变电站聚类结果 |
| 2.4.4 算法性能评价 |
| 2.5 实际算例分析 |
| 2.5.1 实际算例简介 |
| 2.5.2 秋季聚类结果 |
| 2.5.3 其它季节的聚类结果 |
| 2.6 本章小结 |
| 第3章 基于分层量测数据的自下而上输电变电站概率负荷预测方法 |
| 3.1 概述 |
| 3.2 自下而上的变电站短期概率负荷预测框架 |
| 3.2.1 自下而上预测框架的数据来源 |
| 3.2.2 基于中压出线负荷数据的自下而上预测框架 |
| 3.2.3 基于中压配变数据的自下而上预测框架 |
| 3.2.4 中压配变负荷的聚类结果 |
| 3.2.5 中压负荷概率预测 |
| 3.3 基于前馈神经网络的概率负荷预测 |
| 3.3.1 前馈神经网络 |
| 3.3.2 预测误差的构成 |
| 3.3.3 预测误差的估计 |
| 3.4 基于自下而上预测框架的变电站负荷预测 |
| 3.4.1 累加误差估计 |
| 3.4.2 中压负荷预测结果的概率分布 |
| 3.4.3 中压负荷预测结果的累加 |
| 3.4.4 自下而上概率负荷预测框架的流程 |
| 3.5 算例分析 |
| 3.5.1 算例简介 |
| 3.5.2 前馈神经网络的参数确定 |
| 3.5.3 基于中压出线负荷数据的高压变电站负荷预测 |
| 3.5.4 累加误差对预测结果的影响 |
| 3.5.5 自下而上预测方法在不同季节中的表现 |
| 3.5.6 基于中压配变负荷数据的高压变电站负荷预测 |
| 3.6 本章小结 |
| 第4章 考虑负荷数据累加一致性的分层概率负荷预测方法 |
| 4.1 概述 |
| 4.2 分层概率负荷预测 |
| 4.3 基于长短期记忆网络的概率预测方法与预测结果分布 |
| 4.3.1 基于长短期记忆网络的概率预测方法 |
| 4.3.2 长短期记忆网络产生的负荷预测结果的概率分布 |
| 4.3.3 长短期记忆网络产生的负荷预测结果的相关性 |
| 4.4 基于负荷数据累加一致性的概率负荷预测结果优化 |
| 4.4.1 负荷数据之间的累加一致性 |
| 4.4.2 累加误差 |
| 4.4.3 分层负荷预测结果的优化 |
| 4.4.4 预测区间的产生 |
| 4.4.5 考虑负荷数据累加一致性的概率分层负荷预测方法流程 |
| 4.5 算例分析 |
| 4.5.1 算例简介 |
| 4.5.2 长短期记忆网络的参数确定 |
| 4.5.3 经过优化的概率分层负荷预测结果 |
| 4.5.4 优化方法与其他常用的负荷概率预测方法的性能比较 |
| 4.6 本章小结 |
| 第5章 基于分层量测数据与地域气象特征的变电站负荷概率预测方法 |
| 5.1 概述 |
| 5.2 负荷气象数据相关性分析 |
| 5.2.1 气象数据情况简介 |
| 5.2.2 气象数据与负荷数据相关性分析 |
| 5.3 基于多目标聚类的负荷预测中输入特征的选取 |
| 5.3.1 基于气象数据的相似日选择 |
| 5.3.2 基于负荷气象数据的多目标聚类 |
| 5.4 考虑气象特征的自下而上的概率负荷预测方法 |
| 5.5 算例分析 |
| 5.5.1 算例简介 |
| 5.5.2 前馈神经网络的参数确定 |
| 5.5.3 夏季预测结果比较 |
| 5.5.4 秋季预测结果比较 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作小结 |
| 6.2 不足与展望 |
| 参考文献 |
| 攻读博士期间已有成果目录 |
（2）基于改进二分K-means和集成神经网络的电力用户负荷模式识别（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 负荷模式识别研究概述 |
| 1.2.2 负荷聚类、分类识别研究现状 |
| 1.2.3 负荷模式识别相关应用的研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 研究内容 |
| 1.3.4 技术路线 |
| 2 负荷模式识别相关理论概述 |
| 2.1 负荷模式定义 |
| 2.2 电力大数据环境下的数据挖掘技术 |
| 2.2.1 数据挖掘概念和功能 |
| 2.2.2 数据预处理 |
| 2.2.3 负荷模式识别常用方法 |
| 2.3 本章小结 |
| 3 基于t-SNE和 GSA肘形判据的二分K-means负荷聚类方法研究 |
| 3.1 K-means算法的分析与改进 |
| 3.1.1 K-means算法原理及缺陷 |
| 3.1.2 二分K-means算法 |
| 3.2 二分K-means算法的改进优化 |
| 3.2.1 基于GSA算法与肘形判据的聚类个数选定 |
| 3.2.2 数据降维技术 |
| 3.3 基于t-SNE和 GSA肘形判据的二分K-means算法流程 |
| 3.4 实例应用分析 |
| 3.4.0 负荷数据预处理 |
| 3.4.1 传统K-means算法的负荷聚类效果及缺陷分析 |
| 3.4.2 基于改进二分K-means算法的负荷聚类有效性分析 |
| 3.5 本章小结 |
| 4 基于改进Ada Boost集成神经网络的负荷分类识别研究 |
| 4.1 BP神经网络分类器 |
| 4.1.1 BP神经网络的结构 |
| 4.1.2 BP神经网络学习流程 |
| 4.2 分类器的集成学习 |
| 4.2.1 集成学习基本理论 |
| 4.2.2 AdaBoost集成学习算法 |
| 4.2.3 集成学习存在的问题 |
| 4.3 基于改进Ada Boost集成BP网络的负荷分类算法 |
| 4.4 实例应用分析 |
| 4.4.1 基于改进Ada Boost集成BP神经网络的负荷分类算法有效性分析.. |
| 4.4.2 基于聚类与分类识别的负荷模式分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（3）基于数据挖掘与改进鲸鱼算法优化支持向量机的短期电力负荷预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 电力负荷数据的预处理 |
| 2.1 电力负荷数据的分类 |
| 2.1.1 电力负荷数据的分类 |
| 2.1.2 电力异常负荷数据分类 |
| 2.2 异常数据的辨识与修正 |
| 2.2.1 用改进模糊C均值算法提取电力负荷曲线 |
| 2.2.2 异常数据的辨识 |
| 2.2.3 异常数据的修正 |
| 2.3 电力负荷数据预处理流程 |
| 2.4 数据处理结果分析 |
| 2.5 本章小结 |
| 第3章 影响电力负荷的因素分析 |
| 3.1 电力负荷的周期性研究 |
| 3.2 天气因素对短期电力负荷预测的影响分析 |
| 3.3 本章小结 |
| 第4章 基于模糊灰色聚类法的相似日选取 |
| 4.1 相似日 |
| 4.2 模糊聚类法选择相似日粗集 |
| 4.3 基于模糊灰色关联分析法相似日选取 |
| 4.4 模糊灰色聚类提取相似日算法 |
| 4.5 应用算例 |
| 4.6 本章小结 |
| 第5章 短期电力负荷预测模型 |
| 5.1 支持向量机 |
| 5.1.1 支持向量机理论 |
| 5.1.2 支持向量机核函数的选取 |
| 5.2 改进鲸鱼优化算法 |
| 5.3 改进鲸鱼算法优化支持向量机的负荷预测模型 |
| 5.4 实验结果与分析 |
| 5.4.1 电力负荷预测的误差分析 |
| 5.4.2 预测结果模型对比体系 |
| 5.4.3 预测模型结果与分析 |
| 5.4.4 预测结果模型对比分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 致谢 |
| 参考文献 |
（4）基于改进模糊聚类算法的短期负荷预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 研究现状 |
| 1.2.1 负荷聚类分析研究现状 |
| 1.2.2 短期负荷预测研究现状 |
| 1.3 主要工作和内容安排 |
| 第2章 负荷特性分析与负荷预测相关理论基础 |
| 2.1 聚类算法 |
| 2.1.1 聚类分析方法 |
| 2.1.2 模糊C均值聚类算法 |
| 2.1.3 聚类算法评价指标 |
| 2.2 神经网络 |
| 2.2.1 循环神经网络 |
| 2.2.2 长短期记忆网络(LSTM) |
| 2.2.3 门控循环单元网络(GRU) |
| 2.3 负荷预测 |
| 2.3.1 电力负荷预测的影响因素 |
| 2.3.2 负荷数据预处理 |
| 2.3.3 预测性能分析 |
| 2.4 本章小结 |
| 第3章 基于改进FCM算法的用户聚类分析 |
| 3.1 磁优化算法(MOA) |
| 3.1.1 磁优化算法简介 |
| 3.1.2 改进磁优化算法(MOA) |
| 3.2 基于改进磁优化算法的FCM算法(MOA FCM) |
| 3.2.1 IMOA FCM算法的实现 |
| 3.3 实例分析 |
| 3.3.1 数据预处理及参数选择 |
| 3.3.2 最佳聚类数的获取 |
| 3.3.3 聚类结果及评价 |
| 3.4 本章小结 |
| 第4章 基于GRU网络的短期负荷预测 |
| 4.1 基于GRU的预测模型设计和编码 |
| 4.1.1 影响因素的归一化与量化处理 |
| 4.1.2 预测模型结构 |
| 4.2 负荷实例预测与分析 |
| 4.2.1 模型搭建环境介绍 |
| 4.2.2 GRU模型参数设置 |
| 4.2.3 测试结果与分析 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（5）基于机器学习的短期负荷预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 负荷的传统预测方法 |
| 1.2.2 负荷的现代预测方法 |
| 1.2.3 国内外特征选取的应用现状 |
| 1.3 论文的研究内容 |
| 1.4 论文的结构安排 |
| 第二章 人工神经网络对比分析 |
| 2.1 人工神经网络基本理论 |
| 2.2 反向传播神经网络 |
| 2.3 卷积神经网络 |
| 2.4 循环神经网络 |
| 2.4.1 基本循环神经网络 |
| 2.4.2 长短时记忆网络 |
| 2.4.3 JANET神经网络 |
| 2.5 本章小结 |
| 第三章 短期负荷预测的数据分析理论与应用 |
| 3.1 数据采集和评估 |
| 3.1.1 数据采集 |
| 3.1.2 数据评估 |
| 3.2 数据预处理 |
| 3.3 相关性分析与特征选取 |
| 3.3.1 相关性分析方法 |
| 3.3.2 气象因子与历史负荷相关性分析实例 |
| 3.3.3 多因素与历史负荷相关性分析实例 |
| 3.3.4 相关性计算和特征选取 |
| 3.3.5 预测结果评估 |
| 3.4 本章小结 |
| 第四章 基于VMD和 JANET的短期负荷预测 |
| 4.1 基于变分模态的负荷分解 |
| 4.1.1 经验模态分解的原理 |
| 4.1.2 变分模态分解的原理 |
| 4.1.3 历史负荷数据模态分解的方法步骤 |
| 4.1.4 EMD和 VMD分解对比分析 |
| 4.2 JANET单一网络算例分析 |
| 4.3 基于JANET网络的组合模型算例分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读博士/硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）用户侧用电数据特征提取与异常检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力数据研究现状 |
| 1.2.2 用电异常检测研究现状 |
| 1.3 研究内容和章节安排 |
| 1.4 本章小结 |
| 第二章 用电数据异常检测模型构建和模型评价方法 |
| 2.1 电力用户用电数据挖掘 |
| 2.1.1 数据挖掘操作流程 |
| 2.1.2 用电数据采集 |
| 2.2 用电数据异常原因和异常检测模型构建 |
| 2.2.1 用电异常产生的原因 |
| 2.2.2 常用的异常检测方法 |
| 2.2.3 基于用电数据的异常检测模型 |
| 2.3 模型评价方法 |
| 2.3.1 混淆矩阵 |
| 2.3.2 ROC曲线和AUC |
| 2.3.3 P-R曲线 |
| 2.4 本章小结 |
| 第三章 基于用电数据的用户分类和特征降维 |
| 3.1 用电数据预处理 |
| 3.1.1 用电数据清洗 |
| 3.1.2 用电数据缺失值处理 |
| 3.1.3 用电数据标准化 |
| 3.2 基于FCM的电力用户分类 |
| 3.2.1 FCM聚类算法 |
| 3.2.2 聚类数目选择 |
| 3.2.3 聚类有效性评价 |
| 3.2.4 实验结果 |
| 3.3 用电数据特征选择和特征降维 |
| 3.3.1 用电数据特征选择 |
| 3.3.2 主成分分析 |
| 3.3.3 用电数据特征降维 |
| 3.4 本章小结 |
| 第四章 基于孤立森林和LOF的用电数据异常检测 |
| 4.1 孤立森林算法 |
| 4.2 局部离群因子(LOF)算法 |
| 4.3 基于孤立森林和LOF的用电数据异常检测 |
| 4.3.1 孤立树数目的选取 |
| 4.3.2 采样数ψ的选取 |
| 4.3.3 近邻数k的选取 |
| 4.4 实验结果及与其他方法的对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录 A 硕士期间发表的论文专利及软着 |
（7）智能电网环境下微电网负荷预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 负荷特性研究现状 |
| 1.2.2 短期负荷预测研究现状 |
| 1.3 本文的章节安排 |
| 1.4 本文的主要内容和创新点 |
| 第二章 智能电网负荷分析 |
| 2.1 数据挖掘在智能电网负荷的分析 |
| 2.1.1 挖掘过程以及方法 |
| 2.1.2 负荷聚类分析 |
| 2.1.3 负荷预测 |
| 2.2 智能电网负荷数据 |
| 2.2.1 负荷数据特点 |
| 2.2.2 负荷数据基本分类 |
| 2.3 负荷数据指标分析 |
| 2.3.1 负荷数据指标的分类 |
| 2.3.2 日负荷数据指标及分析 |
| 2.4 影响负荷数据相关因素 |
| 2.4.1 气候因素 |
| 2.4.2 时间因素 |
| 2.4.3 随机因素 |
| 2.5 本章小结 |
| 第三章 改进LSSVM的负荷预测 |
| 3.1 引言 |
| 3.2 LSSVM和蚁群算法 |
| 3.2.1 LSSVM基本原理及模型 |
| 3.2.2 蚁群算法 |
| 3.3 改进LSSVM的参数寻优 |
| 3.3.1 设置算法初始值 |
| 3.3.2 选择路径 |
| 3.3.3 信息素更新 |
| 3.3.4 初始最优解的混沌优化 |
| 3.3.5 最优位置的混沌寻找 |
| 3.3.6 参数寻优 |
| 3.4 基于改进后的仿真分析 |
| 3.4.1 负荷数据处理 |
| 3.4.2 聚类分析确定输入变量 |
| 3.4.3 实例应用 |
| 3.5 本章小结 |
| 第四章 基于LSSVM改进RBF神经网络的负荷预测 |
| 4.1 引言 |
| 4.2 RBF神经网络 |
| 4.2.1 RBF神经网络的数学模型 |
| 4.2.2 RBF神经网络模型参数分析 |
| 4.3 改进RBF神经网络的结构与训练 |
| 4.3.1 样本归类 |
| 4.3.2 结构设计 |
| 4.3.3 参数设计 |
| 4.3.4 改进RBF神经网络的训练 |
| 4.4 仿真结果以及误差分析 |
| 4.4.1 仿真结果分析 |
| 4.4.2 误差对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 硕士攻读期间的主要研究成果 |
（8）基于改进BP神经网络的微电网短期负荷预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 微电网理论 |
| 1.3 课题研究现状 |
| 1.3.1 短期负荷预测方法研究现状 |
| 1.3.2 微电网负荷预测研究现状 |
| 1.4 本文内容与结构安排 |
| 第2章 微电网数据预处理及负荷特性分析 |
| 2.1 数据预处理 |
| 2.1.1 突变数据的辨识 |
| 2.1.2 缺失数据的补全 |
| 2.1.3 数据的修正处理 |
| 2.1.4 数据的归一化处理 |
| 2.2 微电网负荷特性分析 |
| 2.2.1 微电网负荷的特点 |
| 2.2.2 负荷预测的分类 |
| 2.2.3 负荷预测的误差分析及指标 |
| 2.3 微电网负荷在时间维度的规律性 |
| 2.3.1 负荷日规律性 |
| 2.3.2 负荷周规律性 |
| 2.4 本章小结 |
| 第3章 基于数据挖掘技术的微电网数据分析 |
| 3.1 相关性分析 |
| 3.2 微电网负荷与影响因素的相关性分析结果 |
| 3.2.1 温度的影响 |
| 3.2.2 日类型的影响 |
| 3.2.3 湿度的影响 |
| 3.3 主成分分析(PCA) |
| 3.4 数据的主成分分析结果 |
| 3.5 本章小结 |
| 第4章 基于BP神经网络的微电网负荷预测模型 |
| 4.1 人工神经网络的概念 |
| 4.1.1 人工神经网络的特点 |
| 4.1.2 人工神经网络的原理 |
| 4.2 BP神经网络算法 |
| 4.2.1 BP神经网络算法理论 |
| 4.2.2 BP神经网络算法学习步骤 |
| 4.3 基于BP神经网络的微电网短期负荷预测 |
| 4.3.1 BP神经网络模型设计 |
| 4.3.2 算例分析 |
| 4.4 本章小结 |
| 第5章 基于PCA-MEA-BP神经网络的微电网负荷预测模型 |
| 5.1 思维进化算法(MEA) |
| 5.1.1 思维进化算法原理 |
| 5.1.2 思维进化算法步骤 |
| 5.2 基于PCA-MEA-BP神经网络的微电网短期负荷预测 |
| 5.2.1 BP神经网络算法的不足与改进 |
| 5.2.2 预测模型的建立 |
| 5.2.3 算例分析 |
| 5.2.4 对比分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
（9）某地区天然气短期负荷的特性研究及预测应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和方法 |
| 2 负荷预测技术介绍 |
| 2.1 负荷预测模型介绍 |
| 2.2 优化算法介绍 |
| 2.3 本章小结 |
| 3 负荷特性分析 |
| 3.1 总负荷工况分析 |
| 3.2 各类用户日负荷特性分析 |
| 3.3 各类用户小时高峰负荷特性分析 |
| 3.4 本章小结 |
| 4 负荷预测技术研究 |
| 4.1 日负荷跟踪预测研究 |
| 4.2 节假日日负荷预测研究 |
| 4.3 小时高峰负荷预测研究 |
| 4.4 本章小结 |
| 5 负荷预测软件的开发 |
| 5.1 负荷预测GUI总体设计 |
| 5.2 GUI Callback编码 |
| 5.3 GUI预测和软件开发 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1 (攻读硕士学位期间发表的论文及参加项目情况) |
（10）基于数据挖掘的公共建筑能耗预测模型构建与优化（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 建筑能耗预测发展现状 |
| 1.2.1 物理模型 |
| 1.2.2 数据驱动模型 |
| 1.2.3 混合模型 |
| 1.3 本文的主要研究工作 |
| 第二章 基于数据挖掘的建筑能耗建模方法及其对比 |
| 2.1 K近邻法 |
| 2.2 人工神经网络 |
| 2.3 支持向量回归 |
| 2.4 随机森林 |
| 2.5 建模方法对比与应用场景分析 |
| 2.6 本章小结 |
| 第三章 基于数据挖掘的建筑能耗预测模型构建与验证 |
| 3.1 建模过程概述 |
| 3.2 数据的采集与整理 |
| 3.2.1 建筑基本信息 |
| 3.2.2 能耗数据 |
| 3.2.3 气象数据 |
| 3.3 数据分析与预处理 |
| 3.4 训练集对模型性能影响分析 |
| 3.5 输入变量的筛选与优化 |
| 3.5.1 皮尔森相关性分析 |
| 3.5.2 带入模型检验 |
| 3.6 模型参数的选择 |
| 3.6.1 K近邻模型 |
| 3.6.2 支持向量回归模型 |
| 3.6.3 人工神经网络模型 |
| 3.6.4 随机森林模型 |
| 3.7 模型误差对比分析 |
| 3.8 本章小结 |
| 第四章 基于数据挖掘的商场建筑能耗预测及对比分析 |
| 4.1 商场基本信息 |
| 4.2 商场建筑能耗数据分析 |
| 4.3 商场I冬夏季能耗预测对比分析 |
| 4.4 商场II冬季能耗预测对比分析 |
| 4.5 商场III冬夏季能耗预测对比分析 |
| 4.6 商场IV六月能耗预测结果及比较 |
| 4.7 商场建筑能耗预测模型对比 |
| 4.8 本章小结 |
| 第五章 基于数据挖掘的办公建筑能耗模型与优化 |
| 5.1 遗传算法 |
| 5.2 办公楼建筑能耗预测模型的建立 |
| 5.2.1 办公建筑基本信息 |
| 5.2.2 数据处理与分析 |
| 5.2.3 输入变量对模型性能的影响分析 |
| 5.3 GA-ANN算法及其应用 |
| 5.4 本章小结 |
| 第六章 总结及展望 |
| 6.1 研究工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
四、数据挖掘方法在日负荷预测中的应用（论文参考文献）
- [1]基于分层量测数据的负荷聚类分析与概率负荷预测方法研究[D]. 蒋正邦. 浙江大学, 2021(09)
- [2]基于改进二分K-means和集成神经网络的电力用户负荷模式识别[D]. 马子涵. 西安理工大学, 2020(01)
- [3]基于数据挖掘与改进鲸鱼算法优化支持向量机的短期电力负荷预测[D]. 洪卉. 南昌大学, 2020(01)
- [4]基于改进模糊聚类算法的短期负荷预测研究[D]. 危志强. 南昌大学, 2020(01)
- [5]基于机器学习的短期负荷预测[D]. 许飞. 华南理工大学, 2020(02)
- [6]用户侧用电数据特征提取与异常检测研究[D]. 赵嫚. 昆明理工大学, 2020(05)
- [7]智能电网环境下微电网负荷预测[D]. 马含. 昆明理工大学, 2020(04)
- [8]基于改进BP神经网络的微电网短期负荷预测[D]. 朱云丰. 南昌大学, 2019(02)
- [9]某地区天然气短期负荷的特性研究及预测应用[D]. 孙彬. 华中科技大学, 2019(03)
- [10]基于数据挖掘的公共建筑能耗预测模型构建与优化[D]. 何明秀. 上海交通大学, 2019(06)