負(fù)荷預(yù)測(cè)在國(guó)家經(jīng)濟(jì)和社會(huì)發(fā)展中起著重要作用,是能源領(lǐng)域的熱門話題之一。準(zhǔn)確并且穩(wěn)定的負(fù)荷預(yù)測(cè)成為了一項(xiàng)既具有挑戰(zhàn)又至關(guān)重要的任務(wù),吸引著大量的專家學(xué)者從事相關(guān)研究。目前負(fù)荷預(yù)測(cè)方法的不足之處在于它們忽視了預(yù)測(cè)模型輸入與輸出之間的密切關(guān)系,無法捕獲與輸出高度相關(guān)的輸入特征。此外,當(dāng)前負(fù)荷預(yù)測(cè)的研究重點(diǎn)集中于如何提高預(yù)測(cè)結(jié)果的準(zhǔn)確性,忽略了預(yù)測(cè)誤差的穩(wěn)定性,無法保證模型預(yù)測(cè)精度是否能夠保持穩(wěn)定。因此,本文開發(fā)了一種新穎的、健壯的混合預(yù)測(cè)模型,它由四個(gè)模塊組成:1)數(shù)據(jù)預(yù)處理,2)預(yù)測(cè),3)優(yōu)化和4)評(píng)估。在數(shù)據(jù)預(yù)處理模塊中,基于奇異頻譜分析和灰色關(guān)聯(lián)分析的有效數(shù)據(jù)預(yù)處理方案用于生成更平滑的時(shí)間序列,并為預(yù)測(cè)模型挖掘最佳的輸入和輸出結(jié)構(gòu)。在預(yù)測(cè)模塊,本文使用了同時(shí)考慮預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性的多目標(biāo)遺傳算法優(yōu)化的極限學(xué)習(xí)機(jī)實(shí)現(xiàn)負(fù)荷預(yù)測(cè)。并且,使用與訓(xùn)練極限學(xué)習(xí)機(jī)模型相同的數(shù)據(jù)集訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò),進(jìn)行負(fù)荷預(yù)測(cè)。即通過多目標(biāo)遺傳算法優(yōu)化的極限學(xué)習(xí)機(jī)與廣義回歸神經(jīng)網(wǎng)絡(luò)兩個(gè)模型預(yù)測(cè),分別實(shí)現(xiàn)負(fù)荷預(yù)測(cè)。此外,為了進(jìn)一步獲得準(zhǔn)確性與穩(wěn)定性高的預(yù)測(cè)結(jié)果,克服單一模型的弊端,在優(yōu)化模塊中將多目標(biāo)遺傳算法優(yōu)化的...

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 負(fù)荷預(yù)測(cè)方法的分類
        1.2.1 基于趨勢(shì)外推的預(yù)測(cè)方法
        1.2.2 基于回歸模型的預(yù)測(cè)方法
        1.2.3 基于時(shí)間序列的預(yù)測(cè)方法
        1.2.4 基于灰色系統(tǒng)理論的預(yù)測(cè)方法
        1.2.5 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法
    1.3 組合預(yù)測(cè)算法的分類
        1.3.1 固定權(quán)重的組合預(yù)測(cè)算法
        1.3.2 變權(quán)重的組合預(yù)測(cè)算法
        1.3.3 包含數(shù)據(jù)預(yù)處理的組合預(yù)測(cè)算法
        1.3.4 包含參數(shù)選擇和優(yōu)化的組合預(yù)測(cè)模型
        1.3.5 比較不同的組合算法
    1.4 本文的結(jié)構(gòu)與安排論文內(nèi)容與撰寫安排
        1.4.1 本文研究?jī)?nèi)容
        1.4.2 章節(jié)結(jié)構(gòu)
第二章 研究基礎(chǔ)
    2.1 數(shù)據(jù)預(yù)處理:奇異譜分析和灰色關(guān)聯(lián)分析
        2.1.1 奇異譜分析
        2.1.2 灰色關(guān)聯(lián)分析
    2.2 極限學(xué)習(xí)機(jī)
    2.3 廣義回歸神經(jīng)網(wǎng)絡(luò)
    2.4 遺傳算法
    2.5 模擬退火算法
    2.6 本章小結(jié)
第三章 基于多目標(biāo)優(yōu)化的混合預(yù)測(cè)算法
    3.1 數(shù)據(jù)預(yù)處理
    3.2 多目標(biāo)優(yōu)化的極限學(xué)習(xí)機(jī)
    3.3 混合模型(SA–MOGA–ELM–GRNN)
    3.4 本章小結(jié)
第四章 實(shí)驗(yàn)結(jié)果與分析
    4.1 數(shù)據(jù)集介紹
    4.2 預(yù)測(cè)誤差
    4.3 實(shí)現(xiàn)細(xì)節(jié)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)I:新南威爾士州(NSW)的預(yù)測(cè)結(jié)果
        4.4.2 實(shí)驗(yàn)II:塔斯馬尼亞州(TAS)的預(yù)測(cè)結(jié)果
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 未來展望
參考文獻(xiàn)
在學(xué)期間的研究成果
致謝



本文編號(hào)：3818433