電力工業(yè)是國家的重要的基礎行業(yè)之一,電力負荷預測的精度也直接關系到電網(wǎng)的供需平衡、運營成本。傳統(tǒng)單一的預測方法在面對非平穩(wěn)、非線性波動劇烈的負荷序列時擬合效果較差,本文結合深度學習和信號分解的多種方法,結合實際數(shù)據(jù)對短期電力負荷預測的組合方法進行了研究。本文的主要工作內(nèi)容包括:（1）本文詳細介紹了負荷預測的概念、特點和基本過程,重點分析討論了電力負荷預測的時間、氣候等影響因素。（2）長短期記憶神經(jīng)網(wǎng)絡（Long Short-Term Memory,LSTM）對復雜數(shù)據(jù)的擬合和復雜數(shù)據(jù)時間相關性分析的優(yōu)勢。本文詳細對比分析了不同神經(jīng)網(wǎng)絡模型的擬合效果和預測精度。由于LSTM神經(jīng)網(wǎng)絡存在著參數(shù)無法確定的問題,引入自適應調(diào)整的慣性權重和學習因子的粒子群算法（Adaptive Particle Swarm Optimization,APSO）,對LSTM神經(jīng)網(wǎng)絡模型中的隱藏層神經(jīng)元節(jié)點數(shù)、迭代次數(shù)和學習率進行網(wǎng)絡參數(shù)尋優(yōu),利用三種測試函數(shù)驗證了APSO算法在尋優(yōu)精度和速度上的優(yōu)越性。（3）本文將負荷序列當作隨機波動信號,結合信號處理的方法引入變分模態(tài)分解（Variational Mode De... 

【文章來源】：湖北工業(yè)大學湖北省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 經(jīng)典預測方法
        1.2.2 現(xiàn)代預測方法
        1.2.3 信號分解技術
    1.3 論文研究內(nèi)容及章節(jié)安排
第2章 電力負荷預測的基本理論
    2.1 電力負荷預測概述
    2.2 電力負荷預測的特點
    2.3 電力負荷預測的影響因素
    2.4 電力負荷預測誤差
        2.4.1 誤差產(chǎn)生的原因
        2.4.2 誤差的評價指標
    2.5 電力負荷預測基本過程
    2.6 本章小結
第3章 基于改進LSTM的短期電力負荷預測模型
    3.1 神經(jīng)網(wǎng)絡的基本原理
        3.1.1 循環(huán)神經(jīng)網(wǎng)絡
        3.1.2 LSTM神經(jīng)網(wǎng)絡
        3.1.3 實例分析
        3.1.4 LSTM的優(yōu)勢與局限性
    3.2 改進的LSTM優(yōu)化算法
        3.2.1 自適應慣性權重粒子群算法
        3.2.2 APSO算法的性能測試仿真
        3.2.3 APSO-LSTM電力負荷預測模型
    3.3 本章小結
第4章 基于加權VMD-APSO-LSTM的負荷預測模型
    4.1 變分模態(tài)分解的基本原理
    4.2 變分模態(tài)分解的優(yōu)勢
        4.2.1 模態(tài)混疊
        4.2.2 端點效應
    4.3 基于加權VMD-APSO-LSTM的負荷預測模型
        4.3.1 加權VMD的原理
        4.3.2 基于加權VMD-APSO-LSTM的負荷預測模型
    4.4 本章小結
第5章 仿真與實驗分析
    5.1 數(shù)據(jù)選擇和仿真環(huán)境
    5.2 VMD算法重要參數(shù)的選取
        5.2.1 分解尺度K的選取
        5.2.2 懲罰因子?的選取
    5.3 基于加權VMD方法的仿真分析
        5.3.1 VMD分解原始負荷序列
        5.3.2 VMD分解子序列權重求解
    5.4 基于加權VMD-APSO-LSTM的負荷預測模型仿真分析
        5.4.1 VMD各子模態(tài)分量的預測結果對比
        5.4.2 實驗預測結果對比
        5.4.3 加權重構和VMD分解結果對比分析
    5.5 本章小結
第6章 總結與展望
    6.1 全文總結
    6.2 展望
參考文獻
致謝
附錄



本文編號：2981264