【摘 要】
：
由于影响用电负荷行为的不确定性和不可控因素,很难准确预测用电负荷。不准确的负荷预测会导致不安全的规划和糟糕的电力系统管理,从而导致重大的财务损失。已经提出了许多增强电力负荷预测（ELF）的努力,但尚未达到预期的结果。为了提高预测精度,最近开发了机器学习模型。各种单一模型技术被首次使用,但基于其性能准确性的有效性并不好。此外,即使单个模型实际上被认为是某些预测领域的现代技术,任何单个模型也永远无法有
论文部分内容阅读
由于影响用电负荷行为的不确定性和不可控因素,很难准确预测用电负荷。不准确的负荷预测会导致不安全的规划和糟糕的电力系统管理,从而导致重大的财务损失。已经提出了许多增强电力负荷预测（ELF）的努力,但尚未达到预期的结果。为了提高预测精度,最近开发了机器学习模型。各种单一模型技术被首次使用,但基于其性能准确性的有效性并不好。此外,即使单个模型实际上被认为是某些预测领域的现代技术,任何单个模型也永远无法有效地执行所有任务。此外,过拟合和欠拟合对模型性能不佳有很大影响。为了消除这些缺点并提高性能准确性,我们提出了一种新颖的集成学习框架。该框架由极端梯度提升（XGBoost）和轻梯度提升机（LGBM）的混合体组成,用于通过减少偏差和方差的贡献来最小化预测误差来处理不良预测问题,从而改善电力负荷预测。XGBoost和LGBM的混合体的存在由高级有效模型的组合构成,以构建强大的预测器。本文首先介绍了基于bagging和Boosting的集成机器学习模型。然后分别根据训练和测试结果比较了随机森林、极端梯度提升（XGBoost）、光梯度提升机（LGBM）和自适应提升（Ada Boost）。然后,结合预测结果较好的第一和第二集成学习模型来优化负荷预测。为了验证模型的可靠性,我们使用了美国宾夕法尼亚州、新泽西州和马里兰州互联电网的数据集。为了评估模型的效率,使用了标准的机器学习性能指标,包括平均绝对百分比误差（MAPE）、平均绝对误差（MAE）和均方根百分比误差（RMSPE）。在相同的测试条件下,所提出的模型XGBoost和LGBM的混合动力分别以1.54%、1.32%和188.16MW（兆瓦）的MAPE、RMSPE和MAE优于其基准模型。在这项研究中,实现了以下目标和贡献:（1）我们探索了各种集成学习模型,并实施了一个由XGBoost和LGBM混合组成的新框架,以提高电力负荷预测的准确性。这通过安全的电力系统运行、大幅节省运营和维护成本以及安全的电力规划相关活动来显示其重要性。（2）尽管近年来引入了许多用于负载预测的机器学习模型,但其中只有少数取得了最先进的结果。本文旨在处理这些差距,包括尽量减少单个模型的不准确负荷预测的负面影响。（3）此外,在适当的预测条件下消耗电力可以节省任何国家的经济,并改善国家的短期和长期规划。得到的结果是令人满意的。然而,仍然需要先进的改进来优化负荷预测。因此,我们未来的工作将考虑引入其他替代功能以进一步改进。
其他文献
现有配电自动化系统远程实时监测数据较少,以至于故障发生后的快速定位、及时处理故障的方法有限。而结合先进传感技术与通信技术的故障定位方法能够进一步完善当前配电自动化系统的功能。因此,研究无线传感网络（Wireless Sensor Network,WSN）在配电网故障定位中的应用,对于减少配电网的电能损耗、提高系统的供电可靠性等具有重要的意义和价值。本文围绕WSN定位算法在配电网故障节点定位中的应用
随着智能电网的全面建设以及全球化战略的推进,电力领域积累了大量对行业发展具有重大价值的非结构化中英文本数据。如何从海量的非结构化电力文本数据中自动挖掘所需要的结构化信息,成为电力行业文本数据挖掘的重点研究方向,对智能电网的建设具有重要的研究意义和应用价值。关系抽取技术作为自然语言处理中一项关键性技术,能够从非结构化文本数据中识别出实体对之间的语义关系,将非结构化文本转化为结构化数据进行存储。本文旨
准确、灵敏地检测出配电网的故障是配电网持续安全运行的前提。采用的故障检测技术先进与否,决定了能否及时识别故障以避免故障进一步扩展,从而避免给社会、经济、生活带来消极的影响。由于我国配电网系统的中性点广泛采用小电流接地方式,当发生单相接地故障时,故障电流小,即存在故障特征难以识别的问题,这使得传统检测方法的准确率并不高。现实中配电网线路分支多且连接复杂、故障条件多变以及数据传输时出现的数据缺失、数据
输电线路作为电力系统中电能传输的重要组成部分,覆冰会引起导线舞动和杆塔倒塌等危害电力系统安全运行的事故,对各行业生产工作造成负面影响。因此,及时对线路覆冰状态进行检测、覆冰厚度进行测量,成为保障输电线路安全运行的一项重要手段。传统输电线路覆冰检测方法多为人工观测、模拟导线法或称重法实现覆冰状态检测,针对传统方法存在的劳动强度大、结果准确度不高、不能及时获取覆冰数据等问题,本文提出一种基于双目视觉的
随着电动汽车充电需求的快速增长,传统的中心化充电交易管理系统因存在建设成本高、利用率低、维护困难等缺点,已成为了目前电动汽车产业发展的主要瓶颈。因此,构建利用私有充电站进行商业化运营的新型充电交易管理系统,成为了突破这一瓶颈的有力途径,目前已受到学术界和工业界的广泛关注。在这类开放式、分布式的网络中,如何在缺乏中心节点的情况下,管理和约束交易双方的行为,是确保充电交易管理系统正常运营的关键。围绕此
电力业务意图文本分类旨在通过一定的分类体系或标准对用户意图文本进行自动分类标记,是搭建电力业务智能对话系统和推进国家电网信息化的重要组成部分。随着大数据和深度学习在电力行业的广泛应用,电网运行效率和服务质量得到极大提升,然而,现有电力业务意图文本分类模型仍存在准确率不佳和缺乏领域针对性等问题。本文针对电力业务对话意图文本分类数据集,重点研究了多种神经网络在意图文本分类中的应用,分析了卷积神经网络、
随着全球环境的问题愈发严峻,可以有效利用分布式新能源发电的微电网系统受到了各个国家的广泛关注。微电网的数据安全与系统的稳定运行息息相关,微电网系统的电力交易、发电预测、经济调度等功能都取决于其所用数据的可靠性。然而,微电网系统通常使用集中式的存储机制。集中式的存储机制容易发生单点故障,不法分子对数据中心的攻击可能会导致大量数据的泄露或篡改。这严重威胁了微电网系统的数据安全。因此,寻找新兴技术来保护
随着智慧城市建设的逐步深入,各类基于物联网的信息化基础设施正在被快速部署并应用到日常生活中,其中智慧水务的建设是非常关键的一环。但是,国内水务公司在抄表时多数采用的仍是传统人工抄表方式,耗费了大量的人力及时间成本,而且这种周期性的抄表方式更无法实时监测用水信息,其智能化水平亟需进一步提升。因此,本文设计了一种用水事件驱动的水表智能采集装置,通过在旧式机械水表上安装该装置,不仅能够实时记录用户各阶段
中长期电力负荷预测为大地理区域的电力系统规划提供了数据支撑,对促进经济社会高质量发展具有重要意义。电力负荷的预测主要有两个关键部分,一个是模型的建立,另一个是数据的选取和处理。而后者又是实现精准建模的重要一环。尤其是在对中长期电力负荷预测时,良好的数据对建立精准预测模型和获得精确的预测结果都将产生积极的影响。但由于时间跨度大,相关历史数据的规模会成倍增长,这给数据的处理和应用带来极大困难。因此,本
随着信息化技术在电机行业中的应用,互联网中积累了大量电机领域工业技术文档和科研文献,如何从这些海量的非结构化文本数据中自动获取所蕴含的电机专业知识,成为电机领域文本挖掘重要的研究方向,对促进电机领域信息化发展具有重要的研究意义和理论价值。命名实体识别是解决此类问题的关键技术,其目的是识别非结构化文本数据中的专有名词并对其进行分类。目前,电机领域命名实体识别研究还处于起步阶段,相关工作较少,存在着标