電力工業(yè)是國(guó)家的重要的基礎(chǔ)行業(yè)之一,電力負(fù)荷預(yù)測(cè)的精度也直接關(guān)系到電網(wǎng)的供需平衡、運(yùn)營(yíng)成本。傳統(tǒng)單一的預(yù)測(cè)方法在面對(duì)非平穩(wěn)、非線性波動(dòng)劇烈的負(fù)荷序列時(shí)擬合效果較差,本文結(jié)合深度學(xué)習(xí)和信號(hào)分解的多種方法,結(jié)合實(shí)際數(shù)據(jù)對(duì)短期電力負(fù)荷預(yù)測(cè)的組合方法進(jìn)行了研究。本文的主要工作內(nèi)容包括:（1）本文詳細(xì)介紹了負(fù)荷預(yù)測(cè)的概念、特點(diǎn)和基本過(guò)程,重點(diǎn)分析討論了電力負(fù)荷預(yù)測(cè)的時(shí)間、氣候等影響因素。（2）長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）對(duì)復(fù)雜數(shù)據(jù)的擬合和復(fù)雜數(shù)據(jù)時(shí)間相關(guān)性分析的優(yōu)勢(shì)。本文詳細(xì)對(duì)比分析了不同神經(jīng)網(wǎng)絡(luò)模型的擬合效果和預(yù)測(cè)精度。由于LSTM神經(jīng)網(wǎng)絡(luò)存在著參數(shù)無(wú)法確定的問(wèn)題,引入自適應(yīng)調(diào)整的慣性權(quán)重和學(xué)習(xí)因子的粒子群算法（Adaptive Particle Swarm Optimization,APSO）,對(duì)LSTM神經(jīng)網(wǎng)絡(luò)模型中的隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)、迭代次數(shù)和學(xué)習(xí)率進(jìn)行網(wǎng)絡(luò)參數(shù)尋優(yōu),利用三種測(cè)試函數(shù)驗(yàn)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(fù)荷序列當(dāng)作隨機(jī)波動(dòng)信號(hào),結(jié)合信號(hào)處理的方法引入變分模態(tài)分解（Variational Mode De... 

【文章來(lái)源】：湖北工業(yè)大學(xué)湖北省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 經(jīng)典預(yù)測(cè)方法
        1.2.2 現(xiàn)代預(yù)測(cè)方法
        1.2.3 信號(hào)分解技術(shù)
    1.3 論文研究?jī)?nèi)容及章節(jié)安排
第2章 電力負(fù)荷預(yù)測(cè)的基本理論
    2.1 電力負(fù)荷預(yù)測(cè)概述
    2.2 電力負(fù)荷預(yù)測(cè)的特點(diǎn)
    2.3 電力負(fù)荷預(yù)測(cè)的影響因素
    2.4 電力負(fù)荷預(yù)測(cè)誤差
        2.4.1 誤差產(chǎn)生的原因
        2.4.2 誤差的評(píng)價(jià)指標(biāo)
    2.5 電力負(fù)荷預(yù)測(cè)基本過(guò)程
    2.6 本章小結(jié)
第3章 基于改進(jìn)LSTM的短期電力負(fù)荷預(yù)測(cè)模型
    3.1 神經(jīng)網(wǎng)絡(luò)的基本原理
        3.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.1.2 LSTM神經(jīng)網(wǎng)絡(luò)
        3.1.3 實(shí)例分析
        3.1.4 LSTM的優(yōu)勢(shì)與局限性
    3.2 改進(jìn)的LSTM優(yōu)化算法
        3.2.1 自適應(yīng)慣性權(quán)重粒子群算法
        3.2.2 APSO算法的性能測(cè)試仿真
        3.2.3 APSO-LSTM電力負(fù)荷預(yù)測(cè)模型
    3.3 本章小結(jié)
第4章 基于加權(quán)VMD-APSO-LSTM的負(fù)荷預(yù)測(cè)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(shì)
        4.2.1 模態(tài)混疊
        4.2.2 端點(diǎn)效應(yīng)
    4.3 基于加權(quán)VMD-APSO-LSTM的負(fù)荷預(yù)測(cè)模型
        4.3.1 加權(quán)VMD的原理
        4.3.2 基于加權(quán)VMD-APSO-LSTM的負(fù)荷預(yù)測(cè)模型
    4.4 本章小結(jié)
第5章 仿真與實(shí)驗(yàn)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(quán)VMD方法的仿真分析
        5.3.1 VMD分解原始負(fù)荷序列
        5.3.2 VMD分解子序列權(quán)重求解
    5.4 基于加權(quán)VMD-APSO-LSTM的負(fù)荷預(yù)測(cè)模型仿真分析
        5.4.1 VMD各子模態(tài)分量的預(yù)測(cè)結(jié)果對(duì)比
        5.4.2 實(shí)驗(yàn)預(yù)測(cè)結(jié)果對(duì)比
        5.4.3 加權(quán)重構(gòu)和VMD分解結(jié)果對(duì)比分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
附錄



本文編號(hào)：2981264