【摘要】：電力能源作為高效綠色能源在如今社會(huì)扮演著舉足輕重的角色。電力系統(tǒng)短期負(fù)荷預(yù)測(cè),對(duì)電力部門的合理調(diào)度和穩(wěn)定運(yùn)行具有重要的參考意義,也是電網(wǎng)優(yōu)化運(yùn)行的基礎(chǔ)。電力負(fù)荷短期預(yù)測(cè)研究已經(jīng)持續(xù)了很多年,但隨著人類社會(huì)的迅猛發(fā)展,自然氣候的變化使得影響電力負(fù)荷的因素也越來(lái)越多,電力系統(tǒng)負(fù)荷在短期內(nèi)波動(dòng)變得更加復(fù)雜,傳統(tǒng)短期預(yù)測(cè)方法已經(jīng)不能再滿足預(yù)測(cè)精度的需要,因此,選擇合適的預(yù)測(cè)方法,提升預(yù)測(cè)精度具有一定的研究意義。本文基于安徽省某一地區(qū)的電力負(fù)荷,對(duì)負(fù)荷特性和短期負(fù)荷預(yù)測(cè)模型進(jìn)行了研究。首先,分析了傳統(tǒng)預(yù)測(cè)模型例如BP神經(jīng)網(wǎng)絡(luò)和SVM支持向量機(jī)在短期負(fù)荷預(yù)測(cè)上所面臨的主要問(wèn)題,基于此,本文建立了極限學(xué)習(xí)機(jī)電力負(fù)荷短期預(yù)測(cè)模型。但極限學(xué)習(xí)機(jī)中初始輸入權(quán)值和隱含神經(jīng)元閾值具有隨機(jī)性而導(dǎo)致預(yù)測(cè)性能不穩(wěn)定甚至預(yù)測(cè)精度達(dá)不到要求,本文在粒子群優(yōu)化算法的基礎(chǔ)上動(dòng)態(tài)調(diào)整參數(shù)并與遺傳優(yōu)化算法結(jié)合后對(duì)極限學(xué)習(xí)機(jī)輸入權(quán)值和隱含神經(jīng)元閾值進(jìn)行尋優(yōu)以改善預(yù)測(cè)性能。其次,因電力負(fù)荷受到人類活動(dòng)及外界多種因素的影響,導(dǎo)致序列信號(hào)中含有大量噪聲呈現(xiàn)出隨機(jī)性和非線性的特點(diǎn),為了提取負(fù)荷序列的局部特征和避免模態(tài)混疊,本文采用了變分模態(tài)分解技術(shù),將原始電力負(fù)荷序列分解成有限帶寬的子序列,然后分別計(jì)算子序列的樣本熵,樣本熵反映了序列復(fù)雜程度,將樣本熵值相近的子序列合并為新序列,再分別與優(yōu)化后的極限學(xué)習(xí)機(jī)預(yù)測(cè)模型結(jié)合,將各個(gè)子序列的預(yù)測(cè)結(jié)果重構(gòu),得出最終的預(yù)測(cè)結(jié)果。最后,將某一地區(qū)真實(shí)電力負(fù)荷數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行了仿真測(cè)試,其仿真結(jié)果表明,上述兩種改進(jìn)后的模型在不同日類型負(fù)荷預(yù)測(cè)中,預(yù)測(cè)性能均有明顯的提高,在工程實(shí)踐中可以得到較為滿意的結(jié)果。
【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)】：TM715
【圖文】：

環(huán)境污染越發(fā)嚴(yán)重的大環(huán)境下，電能作為不可缺社會(huì)扮演著更加舉足輕重的角色。尤其在我國(guó)國(guó)民經(jīng)濟(jì)實(shí)現(xiàn)各業(yè)的順利運(yùn)轉(zhuǎn)都離不開“電”。因此對(duì)電網(wǎng)在安全性、穩(wěn)的要求。電能目前尚不能大規(guī)模儲(chǔ)存，從電能的生產(chǎn)、輸送在同一時(shí)間完成的，保持發(fā)、供、用之間的平衡是保證電能重要基礎(chǔ)。鑒于電能的實(shí)時(shí)性特點(diǎn)，加之電力負(fù)荷的變化具統(tǒng)負(fù)荷預(yù)測(cè)的問(wèn)題逐漸開始被大家所關(guān)注，相關(guān)的理論和技已經(jīng)成為電力科學(xué)與工程實(shí)踐領(lǐng)域一項(xiàng)重要的研究?jī)?nèi)容。荷預(yù)測(cè)指的是根據(jù)電力負(fù)荷歷史數(shù)據(jù)和相應(yīng)時(shí)期的經(jīng)濟(jì)、氣一定精度要求下，估計(jì)電力負(fù)荷歷史數(shù)據(jù)變化規(guī)律對(duì)未來(lái)某的影響，尋求電力負(fù)荷變化與各種因素之間的聯(lián)系，從而對(duì)預(yù)測(cè)[1]。電力負(fù)荷預(yù)測(cè)形式多種多樣，通常按照預(yù)測(cè)期限將以及長(zhǎng)期電力負(fù)荷預(yù)測(cè)[2]，如圖 1-1 所示。也有按照預(yù)測(cè)表測(cè)和概率預(yù)測(cè)。

不同的工程實(shí)踐需要，在原本基礎(chǔ)上慢慢衍生出更多類型的極限學(xué)習(xí)機(jī)。例如，Huang為了在處理復(fù)雜分類時(shí)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)潔，將核函數(shù)引入到極限學(xué)習(xí)機(jī)中提出了 KELM（Kernel ELM）方法，為回歸多分類問(wèn)題提供了新的框架�？紤]到單核學(xué)習(xí)機(jī)泛化性能受核函數(shù)參數(shù)選取的影響，所以 Liu 等人又將多種核函數(shù)線性或非線性組合提出了多核集成極限學(xué)習(xí)機(jī) MK-ELM（Multiple Kernel ELM）。因大多數(shù)訓(xùn)練樣本的環(huán)境隨時(shí)會(huì)變化，為滿足實(shí)時(shí)在線分析的需求，Liang 等人提出了一種在線序列極限學(xué)習(xí)機(jī)算法（OS-ELM,Online-sequential ELM），原理為遞推最小二乘法。為了更好地將訓(xùn)練數(shù)據(jù)時(shí)效性得到體現(xiàn)，Zhao 等人提出了含有遺忘機(jī)制的在線序列極限學(xué)習(xí)機(jī) FOS-ELM（OnlineLearning Algorithm with Forgetting Mechanism）相比于 OS-ELM，它側(cè)重刪減過(guò)時(shí)數(shù)據(jù)，可以設(shè)置時(shí)間窗口來(lái)完成實(shí)時(shí)數(shù)據(jù)更新。近幾年，因計(jì)算機(jī)硬件和并行計(jì)算的不斷更新和發(fā)展再一次提升了極限學(xué)習(xí)機(jī)的訓(xùn)練速度，使得在線式大數(shù)據(jù)分析成為可能[12]。另外，深度學(xué)習(xí)的興起對(duì)處理高復(fù)雜分類問(wèn)題和多維特征提取具有極大優(yōu)勢(shì)，但是網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)復(fù)雜，因此也有學(xué)者將極限學(xué)習(xí)機(jī)與深度學(xué)習(xí)結(jié)合，取得了一定進(jìn)展[13-14]。主要極限學(xué)習(xí)機(jī)改進(jìn)模型和算法如圖 1-2 所示。

圖 1-3 模糊神經(jīng)網(wǎng)絡(luò)工作原理圖Fig1-3 Working principle diagram of fuzzy neural network小波變換算法化技術(shù)是當(dāng)下一種非常成熟的信號(hào)處理技術(shù)，無(wú)論在時(shí)域還是在頻域，它能夠充分提取信號(hào)的局部細(xì)節(jié)特征，反映出信號(hào)的更多信息。尤常有效，常常與神經(jīng)網(wǎng)絡(luò)法結(jié)合被廣泛應(yīng)用在圖像處理、音頻識(shí)別領(lǐng)域。文獻(xiàn)[20]中，作者基于灰色模型和小波變換算法各自的特點(diǎn)，進(jìn)行電力負(fù)荷預(yù)測(cè)，經(jīng)過(guò)仿真后分析，在臨近原始序列的節(jié)點(diǎn)上，誤

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉琨;;韓國(guó)百貨店VMD戰(zhàn)略中的公共空間的設(shè)置與運(yùn)用[J];數(shù)位時(shí)尚(新視覺(jué)藝術(shù));2012年01期

2 孫寶才,關(guān)琦,張洪英,曲洪蘭;VMD方案治療多發(fā)性骨髓瘤15例療效分析[J];內(nèi)蒙古醫(yī)學(xué)雜志;2004年06期

3 姜萬(wàn)錄;王振威;朱勇;董克巖;張生;;基于VMD消噪處理的滾動(dòng)軸承早期故障識(shí)別[J];液壓與氣動(dòng);2017年05期

4 陳靜桂;;亞砷酸聯(lián)合VMD方案治療難治及復(fù)發(fā)多發(fā)性骨髓瘤13例臨床觀察[J];廣西醫(yī)學(xué);2008年08期

5 張學(xué)忠,金娟,徐燕麗;VMD方案治療多發(fā)性骨髓瘤30例療效分析[J];臨床血液學(xué)雜志;2001年01期

6 曲延章,張淑英,韓樹林,周虹,郭珩,姜麗波;VMD方案治療多發(fā)性骨髓瘤20例療效分析[J];黑龍江醫(yī)學(xué);2003年11期

7 溫培源;劉紅斌;馬軍;王濟(jì)虎;;VMD處理反滲透濃水操作參數(shù)及水質(zhì)評(píng)價(jià)[J];水處理技術(shù);2011年07期

8 陳希雋;方恩權(quán);王鋒濤;敖銀輝;;基于VMD的地鐵車輛平輪狀態(tài)監(jiān)測(cè)和診斷[J];機(jī)車電傳動(dòng);2017年03期

9 樊玉林;桂中華;王明芳;安學(xué)利;;基于VMD的抽水蓄能機(jī)組振動(dòng)參數(shù)演化預(yù)測(cè)[J];中國(guó)水利水電科學(xué)研究院學(xué)報(bào);2016年05期

10 賈亞飛;朱永利;王劉旺;李莉;;基于VMD和多尺度熵的變壓器內(nèi)絕緣局部放電信號(hào)特征提取及分類[J];電工技術(shù)學(xué)報(bào);2016年19期

相關(guān)會(huì)議論文 前7條

1 劉嘉敏;彭玲;劉軍委;袁佳成;;基于遺傳算法的VMD參數(shù)優(yōu)化與小波閾值的軸承振動(dòng)信號(hào)去噪分析[A];第二十七屆全國(guó)振動(dòng)與噪聲應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2016年

2 陳立軍;張海勇;韓東;;VMD及其在水聲跳頻信號(hào)處理中的應(yīng)用[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2015年學(xué)術(shù)會(huì)議論文集[C];2015年

3 柳晨曦;王奉濤;張濤;;基于k值優(yōu)化VMD的滾動(dòng)軸承早期故障診斷[A];第十二屆全國(guó)振動(dòng)理論及應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2017年

4 郭定宇;陳啟卷;徐成勱;王衛(wèi)玉;婁強(qiáng);鄭陽(yáng);;一種水電機(jī)組振動(dòng)信號(hào)的自適應(yīng)VMD分析方法[A];水力機(jī)械學(xué)科發(fā)展戰(zhàn)略研討會(huì)暨第11屆全國(guó)水力機(jī)械及其系統(tǒng)學(xué)術(shù)年會(huì)論文集[C];2018年

5 龍丹;牛聰;周懷來(lái);張益明;周慰;;基于VMD的時(shí)頻分析方法研究及應(yīng)用[A];2018年中國(guó)地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì)論文集（二十三）——專題47：油氣田與煤田地球物理勘探[C];2018年

6 仝兆景;蘆彤;張艷杰;趙運(yùn)星;秦紫霓;;基于VMD和貝葉斯網(wǎng)絡(luò)的電機(jī)軸承狀態(tài)分析模型研究[A];煤礦自動(dòng)化與信息化——第28屆全國(guó)煤礦自動(dòng)化與信息化學(xué)術(shù)會(huì)議暨第9屆中國(guó)煤礦信息化與自動(dòng)化高層論壇論文集[C];2019年

7 康佳星;胡英;陳輝;馮俊;;VMD與EMD在地震信號(hào)時(shí)頻分析中的對(duì)比研究[A];2016中國(guó)地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì)論文集（三十九）——專題79：中國(guó)古生物學(xué)和地層學(xué)最新進(jìn)展、專題80：地?zé)崂碚撆c應(yīng)用、專題81：應(yīng)用地球物理學(xué)前沿[C];2016年

相關(guān)重要報(bào)紙文章 前2條

1 沈蓓;VMD技術(shù)拓寬企業(yè)自主創(chuàng)新之路[N];人民郵電;2005年

2 張浩 李加貴;VMD視覺(jué)營(yíng)銷在國(guó)內(nèi)珠寶零售終端的運(yùn)用[N];中國(guó)黃金報(bào);2018年

相關(guān)碩士學(xué)位論文 前10條

1 吳佳慧;基于VMD和改進(jìn)型極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測(cè)[D];西安理工大學(xué);2019年

2 李萬(wàn)濤;基于優(yōu)化VMD方法的滾動(dòng)軸承故障診斷研究[D];哈爾濱理工大學(xué);2019年

3 楊艷輝;氟硅烷聯(lián)合紫外照射改性陶瓷膜在VMD海水淡化中的應(yīng)用[D];北京化工大學(xué);2015年

4 賀小路;VMD系統(tǒng)中攝像機(jī)標(biāo)定及目標(biāo)跟蹤方法研究[D];西北工業(yè)大學(xué);2006年

5 李亞超;基于VMD的滾動(dòng)軸承故障診斷方法研究[D];石家莊鐵道大學(xué);2016年

6 蘇航;基于VMD的風(fēng)機(jī)傳動(dòng)系統(tǒng)故障診斷研究[D];華北電力大學(xué);2016年

7 韓可;VMD與SVDD結(jié)合的液壓泵性能退化綜合評(píng)估方法研究[D];燕山大學(xué);2017年

8 蒲子璽;基于VMD的滾動(dòng)軸承故障診斷研究[D];蘭州交通大學(xué);2017年

9 張濤;基于VMD的航空發(fā)動(dòng)機(jī)中介軸承故障診斷[D];大連理工大學(xué);2017年

10 柳曉云;基于VMD的滾動(dòng)軸承故障特征提取[D];石家莊鐵道大學(xué);2017年

本文編號(hào)：2783878