【摘要】：隨著第二次電力改革的逐步推進(jìn),售電公司越來(lái)越迫切地尋求高精度、普適性強(qiáng)的電量預(yù)測(cè)算法。具有高精度、普適性強(qiáng)的電量預(yù)測(cè)算法能為售電公司提供最基本的策略保證,對(duì)企業(yè)增強(qiáng)市場(chǎng)核心競(jìng)爭(zhēng)力具有十分重要的意義。然而,中國(guó)的售電市場(chǎng)才剛剛起步,面向中小型用戶的電量預(yù)測(cè)算法未受到廣泛關(guān)注,傳統(tǒng)的電量預(yù)測(cè)算法已不能適應(yīng)售電公司的市場(chǎng)需求。目前,很多中小型用戶的用電量容易受到企業(yè)經(jīng)濟(jì)效益與當(dāng)?shù)貧夂蛞蛩氐挠绊?使得用戶所提供的電量數(shù)據(jù)具有明顯的非線性、隨機(jī)性等特征,從而導(dǎo)致傳統(tǒng)預(yù)測(cè)算法難以精準(zhǔn)預(yù)測(cè),造成售電公司的巨大損失。傳統(tǒng)意義上的神經(jīng)網(wǎng)絡(luò)算法或極限學(xué)習(xí)機(jī)算法在電量預(yù)測(cè)時(shí)需要考慮該模型的數(shù)據(jù)量,即需要提供大量歷史數(shù)據(jù)集進(jìn)行訓(xùn)練,限制了這兩類算法在此領(lǐng)域的運(yùn)用。基于上述問(wèn)題,本文著重解決了樣本小、非線性強(qiáng)的的電量數(shù)據(jù)預(yù)測(cè)問(wèn)題,提出使用基于最大相關(guān)熵準(zhǔn)則的支持向量回歸算法(MCC-SVR)與基于最大相關(guān)熵準(zhǔn)則的最小二乘支持向量機(jī)算法(MCC-LSSVM)。本文首先明確了電量預(yù)測(cè)的概念并對(duì)常用于電量預(yù)測(cè)的模型進(jìn)行簡(jiǎn)單介紹。其次,使用鄧氏關(guān)聯(lián)度以及改進(jìn)的關(guān)聯(lián)度分析模型對(duì)數(shù)據(jù)的可預(yù)測(cè)性進(jìn)行分析,找出對(duì)用電量預(yù)測(cè)影響最大的兩種因素:經(jīng)濟(jì)因素與氣候因素。隨后,針對(duì)現(xiàn)有數(shù)據(jù)量樣本小、分布不均勻的統(tǒng)計(jì)特性,在基本支持向量機(jī)的模型上使用最大相關(guān)熵準(zhǔn)則代替原有模型中的風(fēng)險(xiǎn)函數(shù)形成了MCC-SVR與MCC-LSSVM模型。最終,為了使所改進(jìn)的模型能更好的適應(yīng)各種條件下的電量預(yù)測(cè),保持最佳學(xué)習(xí)能力,本文使用了網(wǎng)格尋優(yōu)法與交叉驗(yàn)證法對(duì)模型參數(shù)進(jìn)行尋優(yōu),確保參數(shù)普適性。最終選擇合適的評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)結(jié)果進(jìn)行分析。文章最后以教育行業(yè)、機(jī)械制造業(yè)以及其他行業(yè)數(shù)據(jù)為樣本,結(jié)合經(jīng)濟(jì)發(fā)展數(shù)據(jù)、氣候數(shù)據(jù)對(duì)用電量情況進(jìn)行預(yù)測(cè)。結(jié)果顯示,所建立的基于MCC的改進(jìn)方案是有效的,并且預(yù)測(cè)誤差基本在3%以內(nèi)。
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TM73
【圖文】：

圖 1-1 電量預(yù)測(cè)方法Figure 1-1 Electricity Forecasting Method的主要研究工作在第二次電力改革的背景下，主要為售電企業(yè)研制一種能有效預(yù)件。在數(shù)據(jù)上，本文選擇歷史電量數(shù)據(jù)、地區(qū)或企業(yè)經(jīng)濟(jì)狀況數(shù)節(jié)假日等因素等用戶電量進(jìn)行預(yù)測(cè)。目前，在電量預(yù)測(cè)領(lǐng)域回歸GM(1,1)模型以及以神經(jīng)網(wǎng)絡(luò)為代表的智能算法都在都在電量預(yù)，本文選擇支持向量機(jī)模型作為本課題研究的基礎(chǔ)，旨在改進(jìn)支適用市場(chǎng)需求�；谏鲜鲫U述，本文主要工作有：電公司角度闡述電量預(yù)測(cè)現(xiàn)如今的研究背景以及意義。并通過(guò)參電量預(yù)測(cè)模型的種類并選擇數(shù)種模型對(duì)其做了簡(jiǎn)單介紹，比較與及不足之處。對(duì)電量預(yù)測(cè)的概念作出簡(jiǎn)要論述，其次將第一章中所提到的模型深一步的研究，進(jìn)一步明確各種預(yù)測(cè)方法在電量預(yù)測(cè)中都存在哪

個(gè)點(diǎn)為一個(gè)月的電量數(shù)據(jù))的關(guān)聯(lián)系數(shù) ()0i k，具體求法如下：0(1) (1)0 i1( ( ), ( ))1 ( ( 1)) ( ( 1))iX k X ky k y k 步驟中求取得到的是時(shí)間序列各個(gè)點(diǎn)之間的關(guān)聯(lián)系數(shù)，因此。形式存在的，這個(gè)矩陣會(huì)導(dǎo)致整體序列的關(guān)聯(lián)度信息過(guò)于發(fā)散將分散的關(guān)聯(lián)度信息整合在一起，求取所有信息的平均值。關(guān)1011R ( ( ), ( ))1ni ikX k X kn 驟計(jì)算出來(lái)的關(guān)聯(lián)度越大則代表相關(guān)性越強(qiáng)，若計(jì)算出來(lái)的數(shù)弱。聯(lián)度具有對(duì)稱性、唯一性、可比性，可用于研究多因素的關(guān)聯(lián)是利用速度差(一階斜率差)反映了兩序列發(fā)展趨勢(shì)或曲線形狀

圖 3-1 電量預(yù)測(cè)模型結(jié)構(gòu)Figure 3-1 Electricity forecast model structure首先收集整理所需要的各種有用信息：歷史電量信息、地區(qū)(企業(yè))經(jīng)濟(jì)狀況數(shù)數(shù)據(jù)、人口增長(zhǎng)數(shù)據(jù)等。將代表上述影響因素的數(shù)據(jù)生成矩陣數(shù)據(jù)，構(gòu)建數(shù)據(jù)，將數(shù)據(jù)集中的數(shù)據(jù)按“輸入”與“輸出”關(guān)系進(jìn)行合理劃分，劃分成訓(xùn)練樣本與本，此過(guò)程又稱特征量提取。再次，將所提取出來(lái)的樣本輸入到學(xué)習(xí)模型中進(jìn)使其生成一個(gè)優(yōu)良的預(yù)測(cè)模型。最后，將提取到的測(cè)試樣本作為訓(xùn)練模型的輸過(guò)機(jī)器學(xué)習(xí)得出預(yù)測(cè)結(jié)果。由第二章對(duì)電量預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀可以看出，傳統(tǒng)的預(yù)測(cè)方法如時(shí)間序列平滑法、趨勢(shì)外推法、灰色預(yù)測(cè)模型等方法大多適用于較為平滑的時(shí)間序列，波動(dòng)較大的時(shí)間序列來(lái)說(shuō)，傳統(tǒng)預(yù)測(cè)方法不能精準(zhǔn)的把握電量、氣候、經(jīng)濟(jì)等間變動(dòng)的特性。因此，對(duì)于一些具有波動(dòng)特性的數(shù)據(jù)來(lái)說(shuō)，傳統(tǒng)預(yù)測(cè)方法會(huì)產(chǎn)可避免的誤差。正是因?yàn)閭鹘y(tǒng)的方法不適合于現(xiàn)代的數(shù)據(jù)特征，因此又有許多了人工智能方法如 BP 神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)、ELMAN 神經(jīng)網(wǎng)絡(luò)、支持向器學(xué)習(xí)方法。其中，神經(jīng)網(wǎng)絡(luò)(BP、RBF、ELMAN)作為目前被應(yīng)用最為廣泛的

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 雷方元;蔡君;;基于社團(tuán)特性的鏈路預(yù)測(cè)算法的研究[J];廣東技術(shù)師范學(xué)院學(xué)報(bào);2015年02期

2 陽(yáng)敏輝;;淺析幾種基本路段行程時(shí)間預(yù)測(cè)算法[J];青春歲月;2017年01期

3 陶陶;;點(diǎn)擊科學(xué)[J];中國(guó)科技教育;2017年03期

4 黃子軒;馬超;徐瑾輝;黃江楠;;復(fù)雜網(wǎng)絡(luò)中集聚系數(shù)對(duì)鏈路預(yù)測(cè)算法的影響[J];科技視界;2014年12期

5 郭景峰;代軍麗;馬鑫;王娟;;針對(duì)通信社會(huì)網(wǎng)絡(luò)的時(shí)間序列鏈接預(yù)測(cè)算法[J];計(jì)算機(jī)科學(xué)與探索;2010年06期

6 張宇;潘國(guó)騰;謝倫國(guó);;一種基于人工神經(jīng)元網(wǎng)絡(luò)的條件分支預(yù)測(cè)算法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年S1期

7 楊旭華;凌非;;一種基于局部社團(tuán)和全局信息的鏈路預(yù)測(cè)算法[J];浙江工業(yè)大學(xué)學(xué)報(bào);2017年01期

8 陸誠(chéng);楊威;;改進(jìn)的廣義預(yù)測(cè)算法在過(guò)熱氣溫控制中的應(yīng)用[J];工業(yè)控制計(jì)算機(jī);2013年11期

9 楊斷利;張立梅;籍穎;呂晶;;河北省風(fēng)能特征及其對(duì)風(fēng)速預(yù)測(cè)算法的改進(jìn)[J];科技傳播;2013年06期

10 李菊娥,孫群;基于雙線性模型的新協(xié)狀態(tài)預(yù)測(cè)算法[J];西安電子科技大學(xué)學(xué)報(bào);1999年02期

相關(guān)會(huì)議論文 前10條

1 朱斌;樊祥;馬東輝;程正東;;窗口大小和權(quán)值模板對(duì)固定權(quán)值背景預(yù)測(cè)算法的影響[A];2006年全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

2 郭景峰;代軍麗;馬鑫;王娟;;針對(duì)通信社會(huì)網(wǎng)絡(luò)的時(shí)間序列鏈接預(yù)測(cè)算法[A];第26屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

3 王云鵬;趙海;司帥宗;王翠榮;;基于鄰居修正的隨機(jī)游走鏈路預(yù)測(cè)算法[A];第十二屆沈陽(yáng)科學(xué)學(xué)術(shù)年會(huì)論文集（理工農(nóng)醫(yī)）[C];2015年

4 王峰;姬冰輝;李斗;;一種基于混沌理論的自相似業(yè)務(wù)流預(yù)測(cè)算法研究[A];2006北京地區(qū)高校研究生學(xué)術(shù)交流會(huì)——通信與信息技術(shù)會(huì)議論文集（上）[C];2006年

5 陳娜;戴樹(shù)嶺;;基于模型的遙操作預(yù)測(cè)算法研究[A];'2006系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2006年

6 張利萍;李宏光;;改進(jìn)的灰色預(yù)測(cè)算法在工業(yè)應(yīng)用中的評(píng)價(jià)[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

7 錢正祥;徐華;張申浩;;數(shù)字信號(hào)序列的向量預(yù)測(cè)算法[A];第三屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

8 崔冬;;一種改進(jìn)的LRP信道預(yù)測(cè)算法[A];2006通信理論與技術(shù)新進(jìn)展——第十一屆全國(guó)青年通信學(xué)術(shù)會(huì)議論文集[C];2006年

9 梁適春;張曉冬;林培峰;牛萌;;一種混合儲(chǔ)能光伏發(fā)電系統(tǒng)的功率預(yù)測(cè)算法[A];中國(guó)電工技術(shù)學(xué)會(huì)學(xué)術(shù)年會(huì)——新能源發(fā)電技術(shù)論壇論文集[C];2013年

10 路迎晨;李兵;;一類自適應(yīng)預(yù)測(cè)算法的全局收斂性[A];04'中國(guó)企業(yè)自動(dòng)化和信息化建設(shè)論壇暨中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì)專輯[C];2004年

相關(guān)重要報(bào)紙文章 前1條

1 麥?zhǔn)|編譯;體內(nèi)“天書(shū)”待解讀[N];醫(yī)藥經(jīng)濟(jì)報(bào);2002年

相關(guān)博士學(xué)位論文 前10條

1 丁靜怡;復(fù)雜網(wǎng)絡(luò)的鏈路預(yù)測(cè)算法及其應(yīng)用研究[D];西安電子科技大學(xué);2017年

2 尚可可;基于局部鏈路預(yù)測(cè)和零模型的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)及穩(wěn)定性分析[D];西北工業(yè)大學(xué);2017年

3 陳其松;智能優(yōu)化支持向量機(jī)預(yù)測(cè)算法及應(yīng)用研究[D];貴州大學(xué);2009年

4 卜云;混沌時(shí)間序列自適應(yīng)預(yù)測(cè)算法研究[D];電子科技大學(xué);2010年

5 馬玉韜;基于濾波理論和特征統(tǒng)計(jì)的蛋白質(zhì)編碼區(qū)預(yù)測(cè)算法研究[D];天津大學(xué);2013年

6 鮑漪瀾;基于支持向量機(jī)的金融時(shí)間序列分析預(yù)測(cè)算法研究[D];大連海事大學(xué);2013年

7 李楠;基于火焰自由基成像的NO_x排放預(yù)測(cè)算法研究[D];華北電力大學(xué)(北京);2017年

8 劉輝;鐵路沿線風(fēng)信號(hào)智能預(yù)測(cè)算法研究[D];中南大學(xué);2011年

9 張千明;復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)分析與鏈路預(yù)測(cè)[D];電子科技大學(xué);2016年

10 劉輝;miRNA靶標(biāo)預(yù)測(cè)的系統(tǒng)生物學(xué)方法研究[D];中國(guó)礦業(yè)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 張軍凱;風(fēng)電功率預(yù)測(cè)算法研究[D];浙江大學(xué);2019年

2 夏正;基于預(yù)測(cè)算法的天氣雷達(dá)回波數(shù)據(jù)壓縮編碼研究[D];南昌航空大學(xué);2019年

3 孫澤昊;基于最大相關(guān)熵準(zhǔn)則的電網(wǎng)月度電量預(yù)測(cè)[D];西安理工大學(xué);2019年

4 楊強(qiáng);面向局部群落結(jié)構(gòu)的鏈路預(yù)測(cè)算法研究[D];安徽大學(xué);2019年

5 趙自娟;基于序列的蛋白質(zhì)與多肽結(jié)合位點(diǎn)的預(yù)測(cè)[D];天津大學(xué);2018年

6 劉楊;基于樣本逼近的PM2.5預(yù)測(cè)算法研究[D];吉林大學(xué);2018年

7 鄭森鵬;基于排名聚合的復(fù)雜網(wǎng)絡(luò)鏈路預(yù)測(cè)算法選擇研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2016年

8 李鑫;RDPA：一種基于表型文本數(shù)據(jù)的疾病—表型關(guān)聯(lián)預(yù)測(cè)算法[D];華東師范大學(xué);2018年

9 張雅;基于洱海的水質(zhì)預(yù)測(cè)算法研究[D];昆明理工大學(xué);2018年

10 朱準(zhǔn);建筑空調(diào)負(fù)荷預(yù)測(cè)算法研究[D];北京建筑大學(xué);2018年

本文編號(hào)：2777443