一、陕西电网用电量与气象因子的关系（论文文献综述）
江晓菲[1]（2021）在《中国东部地区极端高温事件未来风险预估及其对用电量的影响》文中提出本文利用CN05.1高分辨率观测数据以及参与第五次耦合模式比较计划（CMIP5）的全球气候模式,对2013年中国中东部地区极端高温事件进行了归因、未来风险预估,并研究了高温对用电量的影响。首先使用不同辐射强迫下的历史模拟试验,对历史时期极端高温变化进行归因,量化人类活动对极端高温发生概率的影响。同时利用分位数映射的偏差订正方法对CMIP5未来预估时期的数据进行订正,在此基础上,预估2013年的极端高温事件在1.5℃和2℃升温下的风险,给出历史时期20年,50年和100年一遇极端高温的发生风险。最后,研究了1995-2017年中国不同省份极端高温日数、极端高温强度和用电量之间的关系,并预估了中国东部不同升温条件下极端高温指数变化时用电量的变化。结果显示:1)2013年中国中东部地区的极端高温事件创造了新的记录,东部地区的大多数极端高温日数都超过25天,同时极端高温强度超过35℃。在自然强迫下,平均每20年中发生一次的极端高温日数（强度）,在全强迫下变为每2年（8年）就发生一次,100年一遇的极端高温的日数（强度）在全强迫下将变为5年（30年）一遇,100年一遇的年最高温度将变为33年一遇。不同重现期（20年,50年和100年一遇）的极端高温日数的风险变化均能够归因于人类活动。2)未来升温1.5℃（2℃）下,2013年极端高温日数和强度的风险将分别增加5.6倍（12.6倍）和3.0倍（6.1倍）,将全球增温控制到1.5℃相对于2.0℃,可以使极端高温日数和强度的发生风险降低将近一半。未来发生风险的概率与极端高温的极端程度有关,极端高温越极端,其在未来发生的风险就越大,极端高温日数发生的风险大于极端高温强度的风险。历史时期20年（100年）一遇的极端高温日数在未来增温1.5℃下将会变为4年（15年）一遇,在增温2℃下变为2年（6年）一遇。3)半度升温对用电量带来了巨大的影响。中国东部地区20年一遇极端高温日数出现时,增温2℃下的年用电量比增温1.5℃时多约502亿千瓦时。用电量受升温背景影响,升温越高用电量越大,相同气候态下,极端高温日数对用电量的影响强于极端高温强度。
边家豪[2]（2021）在《基于注意力机制与粒子群算法优化的CNN-LSTM的异常用电检测方法研究》文中认为电网中的非技术性损失问题是一个长期存在的问题,其中窃电行为尤为严重。由于居民用户用电的随机性比较强,但一般的回归检测方法因预测精度受限而难以检测到这样的随机行为。为了提升居民用户异常用电检测的性能,本文以卷积神经网络与长短期记忆网络的混合网络为基础,结合粒子群算法与注意力机制,研究了一种异常用电检测模型。主要研究内容有以下几个方面:首先,研究了异常用户的窃电行为模式。根据典型的窃电行为,总结出六种窃电模式。通过对这六种窃电模式进行组合,获得四种复合窃电模式。使用这十种窃电模式与居民用户用电数据集,模拟生成十种异常用户用电曲线,建立异常用户用电数据集。在后续的仿真算例中提供数据支撑,用于验证模型对于不同类型异常用户的检测性能。其次,构建了基于注意力机制与粒子群算法优化的卷积神经网络与长短期记忆网络的检测模型。该检测模型对居民用户用电量准确预测,通过实际用电量与预测用电量的异常程度判断异常点。异常用电检测模型包括注意力机制、卷积神经网络与长短期记忆网络。其中,长短期记忆网络可以学习居民用户的用电行为习惯,擅于处理关于时间序列数据的预测问题。另一方面,卷积神经网络能够对模型的输入特征向量进行筛选,充分挖掘数据的潜在关系。同时,为了避免长序列数据中存在的序列信息丢失问题,引入注意力机制用于增强对模型起到关键作用的输入特征,抑制对模型结果关联不大的特征。最后,为了避免人工调参的困难与不当,引入粒子群算法优化模型的超参数。再次,为了验证上述方法的有效性,我们从实践的角度进行分析,采用公开数据集进行仿真验证。其中,数据集来源于麻省大学公开数据集,用于验证用户异常用电检测模型的检测性能与预测性能。同时,为了验证方法的优越性,我们设置了九种常用的检测模型作为对比模型。其中,包含有卷积神经网络与长短期记忆网络的混合模型、注意力机制优化的长短期记忆网络模型、注意力机制优化的卷积神经网络与长短期记忆网络的混合模型、注意力机制与粒子群算法优化的长短期记忆网络模型、长短期记忆网络模型、门控循环单元模型、支持向量机回归模型、随机森林模型与线性回归模型。最后,仿真结果表明针对居民用户异常用电检测方法的研究是可行的。文中所用检测模型相较于其它模型预测精度更高,在检出率与误检率上均有所提升,对电网快速排查异常用户与后续的异常用电检测具有一定的参考价值。
杨蕙嘉[3]（2021）在《输电网项目视角下可再生能源消纳时空特征及驱动模型》文中研究表明随着能源发展变革的不断推进,以风能、太阳能为代表的可再生能源正逐步替代传统化石能源,成为实现健康可持续发展的重要选择。中国可再生能源资源禀赋丰富,电力作为可再生能源开发利用的主要方式,开发利用前景广阔,中国可再生能源产业及市场发展水平处于世界前列。但在可再生能源开发利用快速发展的同时,存在重开发轻消纳、省域发展不平衡不充分等问题,限制了可再生能源的跨越式发展。电网输电项目,尤其是特高压项目,在促进可再生能源大规模优化配置中有重要作用,是实现可再生能源大规模、高比例、高质量、市场化发展的重要基础设施支撑。“十四五”时期是推动我国能源清洁低碳绿色转型的关键窗口期。2020年中国提出了二氧化碳排放力争于2030年前达到峰值,努力争取2060年前实现碳中和的目标。面对新形势要求,加快能源变革,以可再生能源为主导转变能源生产方式,以电为中心转变能源消费方式,以大电网互联转变能源配置方式,将有力推动构建以新能源为主体的新型电力系统,切实贯彻落实高质量发展战略。面对新形势下的问题与目标,探索实现可再生能源利用水平发展特征及区域协同具有重要意义。本文以电网输电项目建设时序模型为基础,以2015-2019年中国31个省域可再生能源开发利用为研究对象,开展可再生能源开发利用“格局-机理-模拟”的研究,定量刻画研究我国可再生能源消纳的时空格局特征与演化趋势,探讨省域的空间作用与驱动机制,并进行省域演化模拟。本文的主要研究内容及成果包括以下几个方面:（1）构建了中国跨省跨区输电项目空间权重矩阵模型。研究系统梳理中国区域电网与特高压项目的建设发展历程及电力输送特点,基于2015-2019年跨省跨区输电网项目建设投运时序数据,建立输电项目空间权重矩阵,研究其连通性时空演化特征,为后续省域电力经济分析提供基础工具。（2）分析了中国省域可再生能源开发利用格局及时空演化特征。运用空间计量经济分析工具,识别分析中国3 1个省域可再生能源资源禀赋、装机出力、电力消纳的时空分布与匹配特征;研究表明,开发利用格局均分布向东南方向偏移,开发指标呈扩散均衡特征,利用消纳指标呈集聚趋势。基于输电项目空间权重矩阵,研究省域可再生能源消纳水平的空间异质性与依赖性的时序发展特征;空间总体消纳格局由单核极化集聚向多极扩散演化,集聚地区由北部地区向西北地区和东北地区局部省份扩散。针对省域可再生能源消纳在输电项目联通关系下的四类特征,探讨各类型省域动态演化规律及转移路径;不同消纳类型的省域间存在6种转化关系,8条转化路径,各类型转化概率有显着差异,区域增长极的极化与溢出效应依赖电网项目关系在类型转化中发挥关键作用。（3）建立了基于输电项目联通的省域可再生能源消纳影响因素驱动分析模型。通过文献查阅和资料收集,本文从消纳环境因素、基础设施因素、能源结构因素和市场政策因素4个维度,识别分析用电增长率、新能源市场化交易等8个影响因素及其时空特征。基于输电项目空间权重矩阵,以2015-2019年31个省域的空间面板数据,从全国总样本、地区样本、阶段样本三个角度构建影响因素驱动机制分析模型,定量测度各影响因素对省域可再生能源消纳水平的直接效应与间接效应,分析省域内、外生动力作用机制及时空演化特征。结果表明,在输电项目联通关系下,省域经济水平、用电增长潜力、市场化交易因素在省域间具有良好的空间溢出效应,能够逐步发挥溢出驱动作用拉动消纳水平。（4）开展了省域可再生能源消纳动态演化模拟研究。基于电网输电项目联通关系下的省域可再生能源消纳格局特征、空间作用规律、省域消纳特征及其转移概率,设定自然发展与碳达峰政策两类发展情景,运用CLUE-S模型研究不同政策情景下到2025年、2030年省域可再生能源消纳特征的演化特征。两情景下各省域可再生能源消纳类型转移均表现为高值类型演化为主向低值类型演化为主,但在碳达峰情景设定下省域类型转化更为活跃,且低值类型演化起步较早。综合来看,沿“内蒙-华北”“西北-华中”方向继续向华中、华东地区延伸优化电网输电项目的规划布局,畅通并优化现有高消纳地区的拉动作用,培育并激活潜在增长极发展将促进省域可再生能源消纳水平提升。所建立的模型为合理规划省域可再生能源消纳政策提供可靠理论方法和决策工具。本文基于省域电网输电项目关系建模,以系统性、时序性的空间经济思维围绕省域可再生能源开发利用开展“格局-机制-模拟”研究,是对能源电力领域理论体系与实践应用领域的创新与补充。研究成果从电网项目和省域规划视角为可再生能源开发利用提供政策建议和研究工具,为制定可再生能源开发利用战略政策与电网输电项目规划布局提供理论与实证参考。
郭海燕[4]（2021）在《基于累积贡献率的负荷特征提取与短期负荷预测研究》文中研究指明由于电力交易市场的需求和智能电网的普及,电力系统采集到的用户用电量波动的原因从单一因素向复杂化、多样化因素综合作用的方向发展。为了保证电力系统对用户用电量的精准把握,短期负荷预测工作变得尤为重要,特别是针对负荷特征的抽取以及预测方法的研究。作为电力系统的关键环节,短期负荷预测为电力企业制定合理的输配电计划,拉动社会经济效益,在保障居民、商业及工业用电供应等方面具有重要的意义。所以短期负荷预测一直以来都是电力行业的重点研究内容,科学技术的进步也催生了多种针对短期负荷预测领域的研究方法。本文所做具体研究内容为:（1）针对原始负荷数据集由于采集设备故障或人为录入失误导致的数据缺失,对原始负荷数据首先采用多重插补法进行缺失值修补;为配合构建短期负荷预测模型的输入要求,采用Z-score方法进行标准化处理。（2）针对传统负荷特征提取过程中,由于按照一般经验设置累积贡献率阈值而导致的负荷特征抽取不合理问题。首先,利用肘部原理优化经过PCA算法处理后的累积贡献率阈值,分别按照优化后阈值以及经验值设置累积贡献率,并确定了两种不同的负荷特征组合。其次,构建基于BP神经网络的特征优化模型,通过特征优化模型的输出误差验证,经过肘部原理优化后的累积贡献率阈值比一般经验值更合理,特征优化模型的误差更低。（3）针对本文优化的累积贡献率阈值构建的负荷特征,为验证优化后负荷特征作为短期负荷预测模型的输入时,与真实数据之间的误差。采用全局寻优能力较强的模拟退火算法、人工鱼群算法分别构建基于SA-BP及AF-BP的短期负荷预测模型。将PSO-GRNN以及Attention-LSTM模型作为对比,以优化后的负荷特征作为输入,从输出结果误差、误差函数下降过程、拟合效果等方面进行对比。实验证明,经过肘部原理优化后的负荷特征作为模型输入时,基于SA-BP以及AF-BP的短期负荷预测准确率均有一定提高,其中基于SA-BP短期负荷预测模型的效果更好。
于萌[5]（2020）在《基于虚拟预测的电力系统短期负荷预测研究》文中研究说明当前我国经济发展处于新常态,电力改革向纵向推进,电力负荷增长存在较大的波动性与不确定性,负荷预测能为电网规划提供可靠决策依据,对电网高效运营十分重要。短期负荷预测是负荷预测工作的重要组成部分,对于提高发电设备的利用率和经济调度有着重要意义。本文在对传统负荷预测方法进行评价与比较的基础上,引入虚拟预测的思想,并将其应用于电力系统短期负荷预测的研究。首先以电力负荷大数据趋势加剧为背景,充分考虑历史负荷及多种气象因素,为解决高维数据信息混杂的现象,对相关数据展开筛选与挖掘:采用小波阈值去噪技术处理历史负荷数据,修复异常数据;引入广义灰色绝对关联度作为气象因素的筛选指标,从12个气象因素中筛选得到6个因素,再运用PCA算法对6个气象因素进行降维处理和特征提取,获得有效气象数据样本集。其次,运用BP神经网络、支持向量机、灰色预测等多种不同的预测方法对同一历史时段进行虚拟预测,以离差最大化综合属性值作为评判指标,从6种单项模型中择优遴选出四种模型。最后,以虚拟预测残差平方和最小为目标,建立最优虚拟预测方式下的短期负荷预测综合模型,并应用该模型对真正的“待预测日”进行预测,验证模型和算法的合理性及有效性。
祝聪聪[6]（2020）在《基于多因素和多维度的电力需求预测方法及应用研究》文中提出安全、稳定的电网环境是社会经济快速发展的重要保障,科学有效的电力需求预测是进行电力市场营销、电力系统规划、电力市场分析和电力企业决策的重要基础。国内外致力于研究电力需求的研究者很多,经过多年的研究,电力需求预测已经有很多方法和理论基础,一直以来在进行电力需求预测的过程中,寻找并确定影响电力需求的因素及机理一直是需要研究的热点问题,并且随着经济的发展和科技的进步,影响因素也随之变化。众多外部环境和内部因素都会影响电力需求,加大了复杂环境下电力需求预测的困难。基于此,本文立足于经济转型、能源转型及电力市场化改革背景下的电力需求预测问题,开展了下述研究工作:（1）在分析短期及长期电力需求影响因素的基础上,运用计量经济学工具探讨了我国部分省市经济发展因素与电力消费相关性,为后文构建电力需求预测模型时选取影响因素提供了依据;（2）从电力负荷相关特性的角度出发,考虑经济运行指标及月度气象指标等众多影响因素,构造基于SSA-LSSVM的预测模型进行短期（月度）的电力需求预测。（3）结合了人均用电水平法与产值单耗法两种方法的思想,沿用Kaya恒等式的分析方法以及情景分析法,构建了基于Kaya恒等式的考虑多因素的长期电力需求预测模型。（4）以某省为研究样本,通过收集相关历史数据和未来发展情景,利用本文构建的多因素、多维度的电力需求预测模型,分别对其电力需求进行了短期预测和长期预测,对模型和方法的科学性和有效性进行了验证。研究结果表明:（1）经济社会发展因素:GDP、产业结构和城镇化率与电力消费量之间的相关性较强,是影响电力需求的关键因素;（2）通过对S省长期电力需求的预测结果来看,在一产电力强度按照历史趋势、二产电力强度加速下降、三产电力强度下降趋势,城乡居民人均收入-人均GDP弹性、人均生活用电量-人均收入弹性均加速趋势的情境下,电力需求能达到该省的未来规划。综上,本文研究成果对制定相关电力发展政策有一定的参考价值,能够为能源电力需求预测及电力规划提供更为科学合理的建议。本文的主要创新点在于:（1）结合我国实际情况,从短期和中长期两个维度分别分析了影响电力需求预测的主要因素,明确了电力需求与各影响因素的内在联系,为构建于多因素多维度的电力需求预测模型奠定了基础;（2）从经济发展与电力负荷相关特性的角度出发,利用X-12-ARIMA法将数据分解为趋势项、周期项和波动项,利用SSA-LSSVM方法,构建了基于宏观经济主要运行指标和气象因素的月度负荷预测模型。为短期电力需求预测提供了有效工具。（3）将情景分析引入到所建立的Kaya长期电力需求预测模型中,设定各影响因素可能的不同发展情景,然后分情景进行预测,提高了预测结果的可靠性和科学性。
刘定[7]（2020）在《可再生能源消纳市场风险管理模型及其决策仿真研究》文中认为2019年我国风电、光伏累计装机超4.1亿千瓦,二者合计发电量占比达8.5%,以风光为代表的可再生能源正由补充型电源向主力型电源转变。但是,可再生能源消纳仍然面临挑战。经过5年的新一轮电力体制改革,我国电力市场建设初显成效,完整电力市场即将形成,绿色电力证书和配额制呼之欲出。但市场各参与主体的角色及利益格局仍在调整,相应的机制和政策还在完善。随着可再生能源政策由补贴退坡向平价上网过渡,辅以技术和市场两方面的措施,是进一步促进可再生能源消纳的关键。此外,近年来人工智能等技术迅速发展,改变着电力系统的数据生产形式,变革着电力系统的数据处理能力。在此背景下,本文提出基于先进信息技术研究可再生能源消纳市场风险管理及其决策仿真,主要研究内容如下:（1）构建市场风险动力学模型,进行市场风险致因分析。本文首先提纲挈领地构建了可再生能源消纳宏观和微观市场风险动力学模型,厘清了市场促进可再生能源消纳的逻辑过程。然后基于动力学模型进行市场风险致因分析,初步探讨了关键风险和风险因素之间的影响关系,形成了原因型风险（双侧随机性风险、市场有效性风险）影响结果型风险（经济风险、供需风险、调峰风险等）,进而影响可再生能源消纳的分析框架。（2）构建双侧随机性风险管控模型,实现对关键风险因素的有效预测。本文根据关键风险因素时间序列的不同特点和预测需求,提出了多种不同的预测和修正:针对REC价格,设计了 AdaBoost-ELM回归模型,提出采用ARIMA模型进行预测,然后采用集成学习方法进行预测误差修正。针对光伏发电出力,提出基于LSTM进行预测。针对负荷和线损,设计了具有卷积、循环、循环跳跃和自回归组件深度网络LSMNet进行预测。（3）构建市场有效性风险解析模型,实现对关键风险因素间关系的量化分析。本文以国际先进电力市场为例,研究了其价格形成机理。首先,针对德国电力现货市场,基于时间序列模式,研究了电价与双侧随机性及预测误差的关系。然后,针对美国新英格兰地区电力现货市场,基于符号动力学和复杂网络理论,分析了 LMP与可再生能源发电之间的联合演变规律。（4）构建结果型风险决策模型,实现市场参与主体的风险优化。本文将可再生能源发电量和负荷预测作为决策变量,结果型风险作为决策目标,构造了相应的多目标决策问题。然后,基于西班牙电力市场数据模拟电力市场关键风险因素分布,获得模型参数。最后,设计了 MNSGA算法进行决策求解。相比现有EMO算法,MNSGA可以在实现较好优化效果的同时保持效率上的优势。（5）设计市场风险管理和决策仿真系统,实现本文理论成果的转化应用。考虑配额义务承担主体,设计了企业级云应用和分布式应用集成方案;针对企业级云应用,设计了风险管理模块的架构,探索了云服务模式的应用;针对轻量级分布式应用,采用Tangle分布式账本实现了 P2P电力交易仿真,验证了区块链技术在电力市场中应用价值。本文紧紧围绕电力市场调节促进可再生能源消纳这一核心问题,从双侧随机性风险管控、市场有效性风险解析、结果型风险多目标决策等角度对市场风险管理和决策仿真进行了深入研究,设计了M-HITS、MNSGA等创新算法,提出了时间序列多元分析的方法体系,构建了市场风险管理多种相关模型,并对国内外电力市场进行了实证研究,在理论和实践上均取得了一定创新成果,对可再生能源消纳、电力市场风险管理等具有重要的参考意义。
秦超[8]（2020）在《综合能源系统电-气-热多能源优化及风险研究》文中提出随着人们对能源的需求越来越多样化,可再生能源的大规模开发利用,以及分布式能源系统技术的进步,包括电力、天然气、热能、风能、太阳能等多种能源形式的综合能源系统正日益受到世界各国的青睐。综合能源系统的提出和发展,提升了能源综合利用效率,促进了多种能源梯级利用、互补互济,解决了能源供求不均衡等问题。电转气技术、分布式能源发电技术以及特高压输电技术的进步,为从园区、城市到区域等各层级综合能源系统的发展奠定了基础,而在综合能源系统的技术经济分析、风险驱动因素的识别与度量等领域有待进一步研究。因此,本文以综合能源系统为研究对象,对系统中的电/气/热多种异质能源转换优化,与传统供能模式的经济环境效益对比分析,以及综合能源系统的风险分析及度量开展研究。优化了可再生能源的接入电网的消纳问题,实现了能源跨区域的协调优化,也为Copula方法解决能源市场风险和各异质能源的耦合风险提供了新的视角,本文的主要研究内容如下:（1）在论文研究背景的基础上,阐述了研究目的与研究意义,随后对本文的主要研究内容分角度开展国内外研究现状及文献综述,最后给出了论文的技术路线、研究难点、关键问题以及论文创新点。论文第二章基于综合能源系统中所包括的电力、天然气与热力的能源消费、价格走势与市场状况,开展相关性分析、平稳性分析以及分位数回归分析,为下文的综合能源系统电-气-热多能源优化及风险研究奠定研究基础。（2）研究综合能源系统电-气-热能源转换优化。综合能源系统将电力、天然气、热力供能网与可再生能源发电相结合,以提升可再生能源发电消纳与平滑负荷需求曲线。由于系统中可再生能源发电出力波动,需求负荷的波动等造成系统因素的不确定性,需充分考虑供给侧风电消纳与需求侧电负荷波动,将优化的多目标设计为系统燃料成本最小,系统弃风电量最小以及电能需求侧峰谷负荷方差最小,结合电力、天然气、热力网络系统约束,构建电-气-热综合能源系统多目标优化模型。（3）研究综合能源系统天然气消费结构优化。在天然气供应能力紧缺情况下,重点考虑气-电转换与气-热转换情形下综合能源系统消费结构的整体优化。在天然气供应不确定性和燃气机组调峰能力约束情况下,综合考虑天然气成本、供给侧风电消纳与天然气供应不确定性三个目标函数,并结合效用理论对天然气消费的社会效用与用户效用计算,构建考虑供应不确定性和调峰能力约束的天然气消费结构多目标优化分配模型。（4）对计及地热能的综合供热系统展开经济环境效益分析。为了更加充分有效地进行资源合理配置,促进可再生能源消纳,推进寒冷地区清洁取暖,在综合能源系统框架下,以热能作为主要着力点,优化了计及地热能的综合供热系统。按照燃气调峰比例以及地热供暖所占基本热负荷比例进行情景分析,对比分析不同情景下的综合供热系统与燃煤锅炉集中供热的环境经济效益。并分别根据能源价格因素、燃气调峰锅炉调峰比例、地源热泵供热的基本热负荷比例对热源展开敏感性分析,以及据此探讨燃气锅炉调峰比例对综合供热系统的经济成本影响。（5）分析了综合能源系统电-气-热多能源故障风险。首先识别资金流、能量流、信息流在内的综合能源系统风险源,以物理实体构成、商业主体运营、虚拟价值分析构建综合能源系统资金-能量-信息风险框架。其次,在风险框架内,开展市场层风险的时序性分析、物理层风险的相关性分析以及信息层风险的稳定性分析。再次,分别研究电力系统、天然气系统以及热力系统的可靠性,分析评估综合能源系统故障风险,并以故障树分析法和灰色关联分析法分析电力系统故障原因。（6）对综合能源系统电-气-热多能源市场与耦合风险进行度量。影响能源市场以及综合能源系统中能源生产、传输、转换的风险驱动因素复杂,例如,能源的价格波动与供需不确定往往会给综合能源系统中能源转换和能量耦合带来风险,本文以能源市场收益率和各类型机组出力作为度量综合能源系统市场风险与能量耦合风险的切入点。首先收集综合能源系统中各风险因子变动的时间序列与各能源机组出力曲线,其次,采用非参数核估计方法确定综合能源系统中各风险因子与机组出力的边缘分布,再次,采用极大似然估计法与最小欧氏距离选择最优Copula函数描述各风险因子之间,以及机组出力之间的非线性的相依结构。最后,通过Copula-CVaR模型测度综合能源系统的市场风险与能量耦合风险。
畅浩天[9]（2020）在《基于用电量的多维数据融合的宏观经济预测方法研究》文中研究指明宏观经济是一个综合衡量国家或地区经济发展水平的重要指标,它也能够从一定程度上帮助我国更好地检验第一个一百年目标的完成情况。研究宏观经济的变化趋势,做出精确的短期宏观经济预测能够帮助政府、企业和个人快速做出正确的经济决策。宏观经济本身具有复杂性,受诸多因素影响,其中用电量是一种非常重要的影响因素,但是仅考虑一种影响因素得到的经济预测模型的预测效果往往不尽人意,因此在当今这个大数据时代,需要使用大数据及信息技术的先进方法,综合考虑多种影响因素,融合多维数据中隐含的宏观经济信息,才能更加精准地把握宏观经济发展趋势,得到更加准确的宏观经济预测结果。因此,在结合过往宏观经济研究成果的基础上,综合考虑时代的变迁,使宏观经济预测模型顺应当今时代的发展特征。本文选取用电量作为基础因素、气象作为影响用电量进而影响宏观经济的扰动因素、在线社交网络作为顺应社会发展的时代因素,以LSTM（长短期记忆）神经网络为基础,通过PSO（粒子群）算法进行优化,搭建多维数据输入的深度学习模型,研究三种因素与宏观经济的关联关系,并通过这三种因素的指标数据获得更加准确的宏观经济预测结果。文章以全社会用电量作为用电量的代表指标,以平均温度、平均相对湿度、降水量作为气象代表指标,微博新用户数作为在线社交网络代表指标,以GDP（国内生产总值）作为宏观经济的代表指标,对各因素与GDP的关系进行分析,并进一步地对PSO-LSTM深度学习神经网络模型进行验证。结果表明:用电量与GDP之间有着极强的线性相关关系以及双向的Granger因果关系,微博新用户数与GDP之间有着较强的线性相关关系以及从GDP到微博新用户数的单向Granger因果关系,三种气象指标与GDP之间均存在着双向的Granger因果关系。在用电量预测GDP的基础上,进一步融合微博新用户数、平均温度、平均相对湿度和降水量的数据,可以有效地提高GDP的预测精度,获得精度更高的GDP预测值,且本模型对在线社交活动越活跃的省份的经济预测效果越好。
周冰钰[10]（2019）在《面向用户互动用电行为分析的电力负荷聚类算法研究》文中进行了进一步梳理随着信息化建设在电力系统领域的不断深入,电力数据采集的种类规模日益呈现大数据化。同时,新一代智能电网正在积极探索多元信息泛在连接,朝着数字化和互动化的方向发展。互动电网既是下一代全球电网的基本模式,也是中国电网现代化的核心。电力用户作为电力系统产业链的终端,是电网深层次综合化智能发展的关键因素,针对未来电力建设过程中需要准确掌握用户互动用电特性的必然要求,对用户用电行为关联信息进行多维挖掘意义重大。然而,传统的面向用电用户电力负荷聚类技术已无法满足建立在高速双向通信网络基础上的不断智能升级电网其泛在连接、灵活创新、开放共享、融合互动等日趋迫切的新需求。基于上述思路,本文研究了综合考虑用户用电行为关联特性因子多维指标评价的聚类分析模型,并提出了面向用户互动关联因子调节潜力指标的两种改进聚类算法,并主要工作如下:（1）基于数据挖掘技术在用户用电负荷聚类方面的应用,针对电力负荷数据特征和用电负荷关联因子进行了用电负荷特性综合研究分析,并对现有的常见聚类算法进行建模分析,综合比较各经典算法性能。（2）考虑用电用户实际用电和主客观条件意愿综合信息因子提取和定义多维信息中的若干指标,制定了基于用户用电行为关联特性因子多维度指标评价分析体系。针对多维指标,采用主客观综合赋权方法对其进行赋权,并提出面向用户用电行为关联特性因子多维指标的改进TOPSIS综合评价精细化聚类模型。（3）基于用户用电行为关联特性因子多维指标,深入面向用户互动维度,制定了综合关联因子调节潜力指标并进行聚类算法研究,针对传统算法的不足提出改进策略,并应用自组织中心K-means算法和概率重构中心K-means算法两种改进算法面向用户互动关联因子调节潜力指标进行聚类分析和性能对比。
二、陕西电网用电量与气象因子的关系（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、陕西电网用电量与气象因子的关系（论文提纲范文）
（1）中国东部地区极端高温事件未来风险预估及其对用电量的影响（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1.研究目的和意义 |
| 1.2.国内外研究进展 |
| 1.3.问题的提出 |
| 1.4.本文主要研究内容 |
| 第二章 资料和方法 |
| 2.1 资料 |
| 2.2 数据处理 |
| 第三章 中国东部极端高温的人类活动归因 |
| 3.1 引言 |
| 3.2 2013 年我国东部极端温度特征 |
| 3.3 历史时期不同强迫下中国东部极端高温的归因 |
| 3.4 历史时期不同强迫下中国东部极端高温风险变化 |
| 3.5 小结 |
| 第四章 全球不同增温阈值下中国东部极端高温风险预估 |
| 4.1.引言 |
| 4.2.CMIP5 极端高温模拟的偏差订正 |
| 4.3.增温1.5℃、2℃下2013年中国东部极端高温变化的预估 |
| 4.4.增温1.5℃、2℃下中国东部极端高温的风险变化 |
| 4.5.小结 |
| 第五章 极端高温对用电量的影响 |
| 5.1 引言 |
| 5.2 历史时期中国区域极端高温指数与用电量相关性 |
| 5.3 不同升温背景下中国东部极端高温指数对用电量的影响 |
| 5.4 小结 |
| 第六章 总结与讨论 |
| 6.1 全文总结 |
| 6.2 创新与特色 |
| 6.3 存在的问题和展望 |
| 致谢 |
| 作者简介 |
| 参考文献 |
（2）基于注意力机制与粒子群算法优化的CNN-LSTM的异常用电检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 基于统计学模型的检测方法研究 |
| 1.2.2 基于博弈论的检测方法研究 |
| 1.2.3 基于数据驱动的检测方法研究 |
| 1.2.4 当前研究现况的分析 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第2章 面向异常检测的智能算法浅析 |
| 2.1 长短期记忆网络 |
| 2.2 门控循环单元网络 |
| 2.3 支持向量机回归 |
| 2.4 随机森林算法 |
| 2.5 线性回归算法 |
| 2.6 算法特性对比 |
| 2.7 本章小结 |
| 第3章 居民用户用电数据集的构建 |
| 3.1 异常用户数据集的构建 |
| 3.1.1 窃电模式分析 |
| 3.1.2 异常用户数据集 |
| 3.2 数据预处理 |
| 3.2.1 数据清洗 |
| 3.2.2 数据归一化 |
| 3.3 本章小结 |
| 第4章 居民用户异常用电检测模型建立 |
| 4.1 卷积神经网络 |
| 4.2 注意力机制 |
| 4.3 粒子群算法 |
| 4.4 异常用电检测模型结构 |
| 4.4.1 检测模型简介 |
| 4.4.2 检测模型结构 |
| 4.5 异常用电检测模型构建 |
| 4.5.1 检测模型整体框图 |
| 4.5.2 检测模型检测流程 |
| 4.6 其它异常用电检测模型 |
| 4.7 本章小结 |
| 第5章 算例仿真与分析 |
| 5.1 仿真设置 |
| 5.1.1 评价指标 |
| 5.1.2 参数设置 |
| 5.2 预测性能分析 |
| 5.3 检测性能分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
（3）输电网项目视角下可再生能源消纳时空特征及驱动模型（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外相关研究现状 |
| 1.2.1 可再生能源开发利用评价研究 |
| 1.2.2 区域可再生能源影响机制研究 |
| 1.2.3 区域可再生能源规划优化研究 |
| 1.2.4 相关文献研究评述 |
| 1.3 研究内容、技术路线及创新点 |
| 1.3.1 研究内容及技术路线 |
| 1.3.2 研究创新点 |
| 第2章 相关基础理论研究 |
| 2.1 能源资源流动与空间结构理论 |
| 2.1.1 能源资源流动 |
| 2.1.2 区域空间结构基础理论 |
| 2.1.3 区域空间结构模式 |
| 2.2 空间计量经济学理论 |
| 2.2.1 空间依赖性与异质性理论 |
| 2.2.2 空间权重矩阵的构建原理 |
| 2.2.3 空间计量经济学模型 |
| 2.3 区域规划理论 |
| 2.3.1 区域规划的属性与特点 |
| 2.3.2 区域协调发展机制 |
| 2.3.3 区域规划模拟方法 |
| 2.4 本章小结 |
| 第3章 中国输电项目格局时空演进特征及空间建模 |
| 3.1 中国输电项目发展历程 |
| 3.1.1 区域电网项目建设发展历程 |
| 3.1.2 特高压项目建设发展历程 |
| 3.2 输电项目建设运行情况 |
| 3.2.1 输电项目电压等级及输电特点 |
| 3.2.2 输电项目输送可再生能源技术特点 |
| 3.2.3 我国跨区跨省输电布局情况 |
| 3.3 输电项目空间权重矩阵建模及特征 |
| 3.3.1 电网输电项目空间权重矩阵的建立 |
| 3.3.2 电网输电项目空间权重矩阵时空演进特征 |
| 3.4 本章小结 |
| 第4章 省域可再生能源消纳空间格局及演化特征 |
| 4.1 空间统计研究数据及方法 |
| 4.1.1 研究数据 |
| 4.1.2 研究方法 |
| 4.2 省域可再生能源开发利用格局分析 |
| 4.2.1 水力开发利用格局分析 |
| 4.2.2 风力开发利用格局分析 |
| 4.2.3 光伏开发利用格局分析 |
| 4.3 省域可再生能源消纳的空间匹配特征 |
| 4.3.1 发电量与消纳量空间匹配特征 |
| 4.3.2 发电量占比与消纳量占比空间匹配特征 |
| 4.3.3 消纳量与消纳量占比空间匹配特征 |
| 4.4 省域可再生能源消纳水平的空间演化格局分析 |
| 4.4.1 省域可再生能源消纳水平的空间特征检验 |
| 4.4.2 省域可再生能源消纳水平的空间异质性演化分析 |
| 4.4.3 省域可再生能源消纳水平的空间依赖性演化分析 |
| 4.5 本章小结 |
| 第5章 基于输电项目的省域可再生能源消纳驱动模型 |
| 5.1 省域可再生能源消纳影响因素识别 |
| 5.1.1 消纳环境因素 |
| 5.1.2 基础设施因素 |
| 5.1.3 电源结构因素 |
| 5.1.4 政策环境因素 |
| 5.2 省域可再生能源消纳驱动模型构建 |
| 5.2.1 空间驱动模型设定 |
| 5.2.2 数据处理与变量检验 |
| 5.3 全国省域可再生能源消纳空间驱动效应分析 |
| 5.3.1 全国样本空间模型参数估计与检验 |
| 5.3.2 全国空间驱动效应分析 |
| 5.4 地区省域可再生能源消纳空间驱动效应分析 |
| 5.4.1 地区样本空间模型参数估计与检验 |
| 5.4.2 地区空间驱动效应分析 |
| 5.5 分阶段省域可再生能源消纳空间驱动效应分析 |
| 5.5.1 阶段样本空间模型参数估计与检验 |
| 5.5.2 阶段空间驱动效应分析 |
| 5.6 省域可再生能源消纳影响因素驱动机制总结 |
| 5.7 本章小结 |
| 第6章 基于CLUE-S的省域可再生能源消纳演化模拟模型 |
| 6.1 模拟模型构建方法 |
| 6.1.1 模拟模型概念结构 |
| 6.1.2 模拟模型步骤方法 |
| 6.2 模拟模型参数设定 |
| 6.2.1 消纳类型转移规则 |
| 6.2.2 驱动因子回归分析 |
| 6.2.3 发展情景目标设定 |
| 6.3 模拟模型结果分析 |
| 6.3.1 模拟消纳结果精度验证 |
| 6.3.2 消纳情景模拟结果分析 |
| 6.4 模拟模型结论建议 |
| 6.5 本章小结 |
| 第7章 研究成果和结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（4）基于累积贡献率的负荷特征提取与短期负荷预测研究（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 负荷预测起源 |
| 1.2.2 不同累积贡献率阈值下外部因素 |
| 1.2.3 历史负荷数据的影响 |
| 1.2.4 负荷预测方法的选取 |
| 1.3 目前存在的问题 |
| 1.4 本文创新点 |
| 1.5 本文主要工作 |
| 第二章 负荷特征分析与数据预处理 |
| 引言 |
| 2.1 负荷预测理论基础 |
| 2.1.1 负荷预测类型 |
| 2.1.2 负荷预测的特点分析 |
| 2.2 负荷特征分析 |
| 2.2.1 气象因素 |
| 2.2.2 经济因素 |
| 2.2.3 综合因素分析 |
| 2.3 负荷预测方法 |
| 2.3.1 线性模型 |
| 2.3.2 非线性模型 |
| 2.3.3 组合预测模型 |
| 2.4 负荷数据预处理 |
| 2.4.1 数据来源 |
| 2.4.2 缺失值处理 |
| 2.4.3 数据归一化 |
| 2.5 确定误差评估指标 |
| 2.5.1 均方根误差 |
| 2.5.2 平均绝对百分比误差 |
| 2.6 本章小结 |
| 第三章 不同累积贡献率阈值下的负荷特征优化 |
| 引言 |
| 3.1 特征选择原理 |
| 3.2 PCA特征选择算法 |
| 3.2.1 PCA算法思想 |
| 3.2.2 PCA求取主成分 |
| 3.2.3 确定信息贡献率 |
| 3.2.4 肘部法则原理 |
| 3.3 累积贡献率优化实验 |
| 3.3.1 负荷特征信息贡献率实例分析 |
| 3.3.2 累积贡献率阈值分析 |
| 3.4 神经网络概述及基本原理 |
| 3.4.1 神经网络简介 |
| 3.4.2 神经网络原理 |
| 3.5 基于BP神经网络的特征优化实验 |
| 3.5.1 BP神经网络模型 |
| 3.5.2 确定BP神经网络各层参数 |
| 3.5.3 BP神经网络特征优化模型各层设计 |
| 3.5.4 不同贡献率阈值下特征优化实例分析 |
| 3.6 本章小结 |
| 第四章 基于SA-BP及 AF-BP神经网络的短期负荷预测 |
| 引言 |
| 4.1 构建SA-BP神经网络的短期负荷预测模型 |
| 4.1.1 模拟退火基本原理 |
| 4.1.2 确定模拟退火算法最优解 |
| 4.1.3 构建SA-BP短期负荷预测模型 |
| 4.2 构建AF-BP神经网络短期负荷预测对比模型 |
| 4.2.1 人工鱼群基本原理 |
| 4.2.2 确定人工鱼群算法最优解 |
| 4.2.3 构建AF-BP短期负荷预测模型 |
| 4.3 确定模型评估方法 |
| 4.3.1 L1 误差函数 |
| 4.3.2 L2 误差函数 |
| 4.4 基于SA-BP及 AF-BP神经网络模型实例分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读学位期间发表论文目录) |
（5）基于虚拟预测的电力系统短期负荷预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统负荷预测方法的分析评价与比较 |
| 1.2.2 预测效果的分析与考核指标 |
| 1.2.3 虚拟预测思想的研究与应用 |
| 1.3 本文主要研究内容 |
| 第2章 影响短期负荷预测因素的相关数据预处理 |
| 2.1 基于小波去噪技术处理历史负荷数据 |
| 2.1.1 小波阈值去噪技术的原理及步骤 |
| 2.1.2 阈值估计方法 |
| 2.1.3 阈值函数的选取及优化 |
| 2.1.4 去噪技术的性能指标评价 |
| 2.2 多气象因素数据挖掘 |
| 2.2.1 灰色关联分析的理念与原理 |
| 2.2.2 基于广义灰色绝对关联度多种气象因素评估与筛选 |
| 2.2.3 基于PCA的气象因素数据降维 |
| 2.3 本章小结 |
| 第3章 构建短期负荷预测单项模型 |
| 3.1 BP神经网络预测模型 |
| 3.2 支持向量机预测模型 |
| 3.3 灰色GM(1,1)预测模型 |
| 3.4 二次滑动平均预测模型 |
| 3.5 三次指数平滑预测模型 |
| 3.6 点对点倍比预测模型 |
| 3.7 本章小结 |
| 第4章 预测决策与综合模型构建 |
| 4.1 多属性预测决策 |
| 4.1.1 多属性决策的理论基础 |
| 4.1.2 基于离差最大化综合属性值的多属性预测决策 |
| 4.2 最优虚拟预测方式下的短期负荷预测综合模型 |
| 4.2.1 综合预测模型的基本假定 |
| 4.2.2 最优虚拟预测方式的综合模型 |
| 4.3 本章小结 |
| 第5章 算例分析 |
| 5.1 算例数据与说明 |
| 5.2 历史负荷数据处理 |
| 5.3 气象数据处理 |
| 5.3.1 广义灰色关联度计算 |
| 5.3.2 PCA数据降维及仿真 |
| 5.4 单项模型预测效果与仿真 |
| 5.5 预测决策 |
| 5.6 最优虚拟预测方式下综合模型预测与仿真 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（6）基于多因素和多维度的电力需求预测方法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力需求影响因素的相关研究 |
| 1.2.2 电力需求短期预测方法相关研究 |
| 1.2.3 电力需求中长期预测方法研究 |
| 1.3 本文主要内容和技术路线 |
| 1.3.1 论文研究的主要内容 |
| 1.3.2 论文研究的技术路线 |
| 第2章 经济社会发展因素与电力需求关联关系分析 |
| 2.1 短期电力需求影响因素分析 |
| 2.2 长期电力需求影响因素分析 |
| 2.3 我国部分省市经济发展因素与电力消费相关性分析 |
| 2.3.1 我国典型省市经济社会发展主要指标特点 |
| 2.3.2 我国典型省市电力电量消费主要指标特点 |
| 2.3.3 经济社会发展与电力消费相关性分析 |
| 2.4 本章小结 |
| 第3章 基于SSA-LSSVM的多因素月度电力负荷预测模型构建 |
| 3.1 模型构建的思路 |
| 3.2 月度电力负荷预测模型的构建 |
| 3.2.1 季节分解 |
| 3.2.2 协整及格兰杰因果检验 |
| 3.2.3 SSA-LSSVM原理 |
| 3.3 本章小结 |
| 第4章 基于Kaya恒等式的多因素长期电力需求预测模型构建 |
| 4.1 长期电力需求预测模型构建的思路 |
| 4.2 基于Kaya恒等式的长期电力需求预测模型构建 |
| 4.2.1 Kaya恒等式及其含义 |
| 4.2.2 Kaya因素分解法 |
| 4.2.3 基于Kaya恒等式的长期电力需求预测模型 |
| 4.3 电力需求预测模型情景确定方法 |
| 4.3.1 情景分析方法介绍 |
| 4.3.2 Kaya恒等式情景确定方法 |
| 4.4 本章小结 |
| 第5章 实例分析 |
| 5.1 数据来源 |
| 5.2 短期电力需求预测结果分析 |
| 5.2.1 数据分解及变量筛选结果 |
| 5.2.2 月度负荷预测结果 |
| 5.3 长期电力需求预测结果分析 |
| 5.3.1 参数确定 |
| 5.3.2 电力需求预测结果 |
| 5.4 本章小结 |
| 第6章 研究成果与结论 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（7）可再生能源消纳市场风险管理模型及其决策仿真研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 可再生能源发电及其并网消纳 |
| 1.2.2 电力市场及其风险管理 |
| 1.2.3 人工智能及其在能源电力领域中的应用 |
| 1.2.4 文献综述结论 |
| 1.3 研究内容和技术路线 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文技术路线 |
| 1.4 主要创新点 |
| 第2章 基础理论 |
| 2.1 系统动力学方法 |
| 2.1.1 系统动力学的基本概念 |
| 2.1.2 系统动力学适用性分析 |
| 2.2 时间序列预测方法 |
| 2.2.1 时间序列预测ARIMA模型 |
| 2.2.2 时间序列预测神经网络模型 |
| 2.3 集成学习方法 |
| 2.4 区块链技术 |
| 2.5 本章小结 |
| 第3章 基于系统动力学的市场风险致因分析 |
| 3.1 可再生能源消纳市场风险分析 |
| 3.1.1 可再生能源消纳面临的问题 |
| 3.1.2 可再生能源消纳市场风险识别 |
| 3.2 宏观市场风险动力学模型 |
| 3.2.1 模型设计 |
| 3.2.2 配额政策决策影响多情景分析 |
| 3.2.3 市场有效性影响多情景分析 |
| 3.3 微观市场风险动力学模型 |
| 3.3.1 模型设计 |
| 3.3.2 预测能力影响多情景分析 |
| 3.4 本章小结 |
| 第4章 基于预测的双侧随机性风险管控模型 |
| 4.1 双侧随机性风险及其管控策略 |
| 4.2 基于ARIMA的REC价格预测模型 |
| 4.2.1 REC价格序列预测需求分析 |
| 4.2.2 单条REC价格序列预测结果 |
| 4.3 基于集成学习的REC价格预测误差修正模型 |
| 4.3.1 基于集成学习的预测误差修正方法设计 |
| 4.3.2 多条REC价格序列预测误差修正 |
| 4.4 基于LSTM的光伏发电出力预测模型 |
| 4.4.1 光伏发电出力预测需求分析 |
| 4.4.3 光伏发电出力预测结果 |
| 4.5 基于深度网络的电力需求预测模型 |
| 4.5.1 电力需求预测需求分析 |
| 4.5.2 基于深度神经网络的多元时间序列预测方法设计 |
| 4.5.3 电力需求预测结果 |
| 4.6 本章小结 |
| 第5章 基于多元分析的市场有效性风险解析模型 |
| 5.1 市场有效性风险及其解析思路 |
| 5.2 基于模式识别的多因素时间序列相关分析模型 |
| 5.2.1 多因素相关分析方法体系设计 |
| 5.2.2 特征模型构建 |
| 5.2.3 关键特征提取 |
| 5.2.4 基于全部特征和关键特征的相关分析对比 |
| 5.3 基于符号动力学和复杂网络的多因素联合演变规律分析模型 |
| 5.3.1 多因素联合演变规律分析方法体系设计 |
| 5.3.2 数据收集和预处理 |
| 5.3.3 联合演变复杂网络的统计规律 |
| 5.4 本章小结 |
| 第6章 基于多目标优化的结果型风险决策模型 |
| 6.1 配额制下可再生能源消纳多目标风险决策问题 |
| 6.2 MNSGA多目标优化算法设计 |
| 6.2.1 MOP问题描述 |
| 6.2.2 进化多目标优化算法 |
| 6.2.3 MNSGA算法设计 |
| 6.3 结果型风险决策案例分析 |
| 6.3.1 案例描述 |
| 6.3.2 求解和决策 |
| 6.4 本章小结 |
| 第7章 市场风险管理和决策仿真系统设计 |
| 7.1 系统集成设计 |
| 7.2 企业级云应用风险管理模块设计 |
| 7.2.1 企业级云应用风险管理模块架构设计 |
| 7.2.2 企业级云应用风险管理模块云服务模式设计 |
| 7.3 分布式应用决策仿真模块设计 |
| 7.3.1 基于市场风险的售购电决策规则 |
| 7.3.2 基于区块链的分布式应用要素设计 |
| 7.3.4 仿真结果展示 |
| 7.4 本章小结 |
| 第8章 研究成果与结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（8）综合能源系统电-气-热多能源优化及风险研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 综合能源系统优化研究 |
| 1.2.2 综合能源系统电/气/热耦合研究 |
| 1.2.3 综合能源系统风险研究 |
| 1.2.4 Copula方法应用研究 |
| 1.2.5 文献述评 |
| 1.3 论文主要研究内容和技术路线 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 研究难点及拟解决关键问题 |
| 1.3.3 论文研究创新点 |
| 第2章 综合能源系统电-气-热多能源消费与市场分析 |
| 2.1 引言 |
| 2.2 电-气-热能源消费与能源价格现状 |
| 2.2.1 电-气-热能源消费现状 |
| 2.2.2 电-气-热能源价格现状 |
| 2.2.3 电-气-热能源市场现状 |
| 2.3 分析模型构建 |
| 2.3.1 相关性检验模型 |
| 2.3.2 平稳性检验模型 |
| 2.3.3 分位数回归模型 |
| 2.3.4 连续收益率模型 |
| 2.4 数据处理 |
| 2.4.1 原始数据及数据来源 |
| 2.4.2 指标数据标准化处理 |
| 2.4.3 数据基本统计描述 |
| 2.5 算例分析 |
| 2.5.1 相关性分析 |
| 2.5.2 平稳性分析 |
| 2.5.3 分位数回归分析 |
| 2.6 本章小结 |
| 第3章 综合能源系统电-气-热多能源转换优化分析 |
| 3.1 引言 |
| 3.2 理论方法 |
| 3.2.1 优化算法 |
| 3.2.2 鲁棒优化 |
| 3.3 综合能源系统分析 |
| 3.3.1 综合能源系统不确定性分析 |
| 3.3.2 综合能源系统多目标优化分析 |
| 3.4 综合能源系统多目标优化模型 |
| 3.4.1 目标函数 |
| 3.4.2 约束条件 |
| 3.5 算例分析 |
| 3.5.1 算例介绍 |
| 3.5.2 算例求解 |
| 3.6 本章小结 |
| 第4章 综合能源系统天然气消费结构优化分析 |
| 4.1 引言 |
| 4.2 理论方法 |
| 4.2.1 优化算法 |
| 4.2.2 效用理论 |
| 4.3 天然气供需与应用分析 |
| 4.3.1 天然气供需情况分析 |
| 4.3.2 燃气机组调峰能力分析 |
| 4.4 天然气多目标优化分配模型 |
| 4.4.1 目标函数 |
| 4.4.2 约束条件 |
| 4.5 算例分析 |
| 4.5.1 算例介绍 |
| 4.5.2 算例求解 |
| 4.5.3 结果分析 |
| 4.6 本章小结 |
| 第5章 综合供热系统经济环境效益分析与多能源优化 |
| 5.1 引言 |
| 5.2 系统构建 |
| 5.2.1 综合能源系统 |
| 5.2.2 计及地热能的综合供热系统 |
| 5.3 经济环境效益评估模型 |
| 5.3.1 供暖期热负荷 |
| 5.3.2 经济效益评估模型 |
| 5.3.3 环境效益评估模型 |
| 5.4 算例分析 |
| 5.4.1 需热量和供热负荷计算 |
| 5.4.2 经济效益分析 |
| 5.4.3 环境效益分析 |
| 5.5 基于敏感性分析的多能源优化 |
| 5.5.1 价格因素对热源的敏感性分析 |
| 5.5.2 负荷比例对热源的敏感性分析 |
| 5.6 本章小结 |
| 第6章 综合能源系统电-气-热多能源故障风险分析 |
| 6.1 引言 |
| 6.2 理论基础 |
| 6.2.1 综合能源系统风险框架 |
| 6.2.2 故障树分析法 |
| 6.3 综合能源系统风险分析 |
| 6.3.1 市场层风险的时序性分析 |
| 6.3.2 物理层风险的相关性分析 |
| 6.3.3 信息层风险的稳定性分析 |
| 6.4 综合能源系统可靠性风险分析 |
| 6.4.1 电力系统供电可靠性分析 |
| 6.4.2 天然气系统供气可靠性分析 |
| 6.4.3 热力系统供热可靠性分析 |
| 6.4.4 电-气-热供能系统可靠性分析 |
| 6.5 算例分析 |
| 6.5.1 供电风险故障树分析 |
| 6.5.2 电力系统可靠性灰色关联度分析 |
| 6.6 本章小结 |
| 第7章 综合能源系统电-气-热多能源市场与耦合风险度量 |
| 7.1 引言 |
| 7.2 基础理论 |
| 7.2.1 Copula方法 |
| 7.2.2 VaR与CVaR |
| 7.2.3 非参数估计 |
| 7.2.4 方法步骤 |
| 7.3 综合能源系统Copula-CVaR模型 |
| 7.3.1 各类机组出力特征 |
| 7.3.2 机组出力概率分布 |
| 7.3.3 Copula-CVaR风险测度模型 |
| 7.4 综合能源系统的能源市场风险测度 |
| 7.4.1 市场风险因子边缘分布假设 |
| 7.4.2 Copula估计 |
| 7.4.3 Copula-CVaR风险测度 |
| 7.5 综合能源系统的能量耦合风险测度 |
| 7.5.1 耦合风险因子边缘分布假设 |
| 7.5.2 Copula估计 |
| 7.5.3 Copula-CVaR风险测度 |
| 7.6 本章小结 |
| 第8章 综合能源系统电-气-热多能源优化及风险防范建议 |
| 8.1 问题分析 |
| 8.2 建议方案 |
| 8.3 本章小结 |
| 第9章 研究成果与结论 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
（9）基于用电量的多维数据融合的宏观经济预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 经济预测的国内外研究现状 |
| 1.2.1 宏观经济的影响因素研究 |
| 1.2.2 宏观经济预测模型及方法 |
| 1.3 本文工作 |
| 第二章 宏观经济的影响因素选取及分析 |
| 2.1 用电量作为基础因素 |
| 2.1.1 电能是各大产业发展的重要能源基础 |
| 2.1.2 电力需求会影响区域经济的发展 |
| 2.2 气象作为扰动因素 |
| 2.3 在线社交网络作为时代因素 |
| 2.3.1 通过在线社交网络进行数字营销 |
| 2.3.2 通过在线社交网络加快信息交流 |
| 2.3.3 通过在线社交网络更好地进行投资或吸引投资 |
| 2.4 宏观经济与各影响因素间的关联分析 |
| 2.4.1 相关关系计算 |
| 2.4.2 Granger因果检验 |
| 2.4.3 实例分析 |
| 2.5 本章小结 |
| 第三章 宏观经济预测模型研究 |
| 3.1 LSTM神经网络模型 |
| 3.1.1 神经网络原理概述 |
| 3.1.2 LSTM神经网络原理 |
| 3.2 深度学习概述 |
| 3.3 粒子群优化算法 |
| 3.4 PSO-LSTM宏观经济预测模型 |
| 3.5 数据处理方案 |
| 3.5.1 缺失值处理 |
| 3.5.2 异常值处理 |
| 3.5.3 数据频率转换 |
| 3.6 各因素在待预测时段数据的获取 |
| 3.7 本章小结 |
| 第四章 实例验证 |
| 4.1 建模前准备 |
| 4.1.1 指标选取及数据收集 |
| 4.1.2 数据预处理 |
| 4.1.3 各因素特征分析 |
| 4.2 宏观经济关联关系模型 |
| 4.2.1 模型网络结构及激活函数 |
| 4.2.2 模型评价指标的选取 |
| 4.3 最优输入指标组合的确定 |
| 4.3.1 微博数据对用电量预测GDP的优化分析 |
| 4.3.2 微博和气象数据对用电量预测GDP的优化分析 |
| 4.4 模型预测结果分析 |
| 4.4.1 月度GDP预测结果分析 |
| 4.4.2 季度和年度GDP预测结果分析 |
| 4.4.3 周度GDP预测结果分析 |
| 4.4.4 省份GDP预测结果分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）面向用户互动用电行为分析的电力负荷聚类算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 用户用电行为特性分析 |
| 1.2.2 用户互动用电行为分析 |
| 1.2.3 用电负荷聚类算法研究 |
| 1.3 本文的主要工作 |
| 第2章 电力负荷聚类分析模型 |
| 2.1 引言 |
| 2.2 电力负荷数据挖掘 |
| 2.2.1 电力用户数据选择和清洗预处理 |
| 2.2.2 电力数据归一化修正 |
| 2.3 用电负荷特性分析 |
| 2.3.1 负荷数据特征与特性指标 |
| 2.3.2 用电负荷关联因子分析 |
| 2.4 电力负荷聚类算法建模 |
| 2.4.1 机理分析 |
| 2.4.2 算法模型 |
| 2.4.3 算法性能比较 |
| 2.5 本章小结 |
| 第3章 基于用户用电行为关联特性因子多维指标评价体系的精细化聚类研究 |
| 3.1 引言 |
| 3.2 基于用户用电行为关联特性因子多维指标评价体系建立 |
| 3.2.1 用电负荷复杂气象关联因子指标体系 |
| 3.2.2 实际用电负荷特征因子指标体系 |
| 3.2.3 节能环保绿色因子指标体系 |
| 3.2.4 用户互动调节潜力因子指标体系 |
| 3.2.5 综合用户用电行为关联特性因子指标评价分析体系 |
| 3.3 基于用户用电行为多维指标评价分析体系的精细化聚类模型 |
| 3.3.1 面向用电行为关联特性因子多维指标的主客观赋权模型 |
| 3.3.2 基于灰色关联度改进TOPSIS多属性评价方法 |
| 3.3.3 面向用电行为多维指标GRA-TOPSIS综合评价聚类模型建立 |
| 3.4 算例分析 |
| 3.4.1 面向用电行为关联特性因子多维指标的主客观赋权 |
| 3.4.2 基于灰色关联度改进TOPSIS用电行为多维指标评价系数计算 |
| 3.4.3 面向用电行为多维指标GRA-TOPSIS综合评价聚类分析 |
| 3.5 本章小结 |
| 第4章 面向用户互动关联因子调节潜力指标的改进初始聚类中心选取K-means算法研究 |
| 4.1 引言 |
| 4.2 面向用户综合互动关联因子调节潜力指标的互动行为建模 |
| 4.2.1 基于用户日负荷数据用户用电行为建模 |
| 4.2.2 基于用户综合互动关联因子调节潜力指标互动建模 |
| 4.3 面向用户互动用电行为分析的改进K-means聚类算法研究 |
| 4.3.1 初始聚类中心改进策略 |
| 4.3.2 改进算法建模 |
| 4.4 算例分析 |
| 4.4.1 基于K-means聚类算法用户互动用电行为分析 |
| 4.4.2 基于自组织中心k-means聚类算法用户互动用电行为分析 |
| 4.4.3 基于概率重构中心K-means聚类算法用户互动用电行为分析 |
| 4.4.4 与传统算法对比 |
| 4.4.5 改进聚类算法对比 |
| 4.4.6 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 发表论文和参与科研情况说明 |
| 致谢 |
四、陕西电网用电量与气象因子的关系（论文参考文献）
- [1]中国东部地区极端高温事件未来风险预估及其对用电量的影响[D]. 江晓菲. 南京信息工程大学, 2021(01)
- [2]基于注意力机制与粒子群算法优化的CNN-LSTM的异常用电检测方法研究[D]. 边家豪. 陕西理工大学, 2021(08)
- [3]输电网项目视角下可再生能源消纳时空特征及驱动模型[D]. 杨蕙嘉. 华北电力大学(北京), 2021(01)
- [4]基于累积贡献率的负荷特征提取与短期负荷预测研究[D]. 郭海燕. 昆明理工大学, 2021(01)
- [5]基于虚拟预测的电力系统短期负荷预测研究[D]. 于萌. 南昌大学, 2020(01)
- [6]基于多因素和多维度的电力需求预测方法及应用研究[D]. 祝聪聪. 华北电力大学(北京), 2020(06)
- [7]可再生能源消纳市场风险管理模型及其决策仿真研究[D]. 刘定. 华北电力大学(北京), 2020(06)
- [8]综合能源系统电-气-热多能源优化及风险研究[D]. 秦超. 华北电力大学(北京), 2020(06)
- [9]基于用电量的多维数据融合的宏观经济预测方法研究[D]. 畅浩天. 电子科技大学, 2020(07)
- [10]面向用户互动用电行为分析的电力负荷聚类算法研究[D]. 周冰钰. 天津大学, 2019(01)