電力負(fù)荷預(yù)測(cè)對(duì)電網(wǎng)的能源管理和合理規(guī)劃有著不可替代的作用。不僅可以為實(shí)現(xiàn)電能的高效利用提供參考,而且在電網(wǎng)的實(shí)時(shí)調(diào)度和控制方面發(fā)揮著不可替代的作用。準(zhǔn)確的負(fù)荷預(yù)測(cè)在推進(jìn)電力行業(yè)商業(yè)化、市場(chǎng)化進(jìn)程中起到重要作用。論文在分析電力負(fù)荷的分類及其內(nèi)在和外在特性以及電力負(fù)荷預(yù)測(cè)的評(píng)價(jià)指標(biāo)基礎(chǔ)上,提出基于模態(tài)數(shù)預(yù)估VMD及改進(jìn)神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法。首先,為降低原始負(fù)荷數(shù)據(jù)的復(fù)雜度,引入變分模態(tài)分解(Variational Mode Decomposition,VMD)技術(shù)對(duì)負(fù)荷數(shù)據(jù)進(jìn)行分解。通過(guò)與經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)進(jìn)行仿真對(duì)比,驗(yàn)證了VMD的濾波特性和抗模態(tài)混疊都優(yōu)于EMD。在分解模態(tài)數(shù)k的選取上,提出使用傅里葉分析方法分析信號(hào)的幅頻特性,從而對(duì)k值進(jìn)行預(yù)估。構(gòu)建基于VMD的預(yù)測(cè)模型,使用實(shí)測(cè)數(shù)據(jù)進(jìn)行實(shí)驗(yàn),驗(yàn)證了方法在進(jìn)行負(fù)荷預(yù)測(cè)時(shí)的有效性。然后,針對(duì)BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中容易陷入局部極小值的缺陷,引入螢火蟲(chóng)算法(Firefly Algorithm,FA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閾值,結(jié)合VMD方法建立了優(yōu)化后的預(yù)測(cè)模型,針對(duì)...

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的背景和意義
    1.2 電力負(fù)荷預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
        1.2.3 電力負(fù)荷預(yù)測(cè)方法研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
第2章 電力負(fù)荷基本特性分析
    2.1 電力負(fù)荷分類
    2.2 電力負(fù)荷特性
        2.2.1 電力負(fù)荷的內(nèi)在特性
        2.2.2 電力負(fù)荷的外在特性
    2.3 電力負(fù)荷預(yù)測(cè)評(píng)價(jià)指標(biāo)
    2.4 本章小結(jié)
第3章 變分模態(tài)分解算法及其模態(tài)數(shù)預(yù)估方法研究
    3.1 VMD原理及算法
        3.1.1 VMD原理
        3.1.2 VMD算法
    3.2 VMD特性研究
        3.2.1 VMD濾波特性
        3.2.2 VMD抗模態(tài)混疊特性
    3.3 k值預(yù)估方法研究
        3.3.1 k值預(yù)估方法
        3.3.2 k值預(yù)估VMD分解仿真實(shí)驗(yàn)
    3.4 仿真分析
    3.5 本章小結(jié)
第4章 FABP神經(jīng)網(wǎng)絡(luò)及其在電力負(fù)荷預(yù)測(cè)中的應(yīng)用
    4.1 BP神經(jīng)網(wǎng)絡(luò)方法研究
        4.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及原理
        4.1.2 BP神經(jīng)網(wǎng)絡(luò)特性及存在的問(wèn)題
    4.2 螢火蟲(chóng)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)方法研究
        4.2.1 螢火蟲(chóng)算法原理
        4.2.2 螢火蟲(chóng)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)步驟
    4.3 基于VMD及 FABP神經(jīng)網(wǎng)絡(luò)的算例仿真
        4.3.1 負(fù)荷序列的VMD分解
        4.3.2 FA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)定
        4.3.3 預(yù)測(cè)結(jié)果分析
    4.4 本章小結(jié)
第5章 LSTM神經(jīng)網(wǎng)絡(luò)及其在電力負(fù)荷預(yù)測(cè)中的應(yīng)用
    5.1 LSTM神經(jīng)網(wǎng)絡(luò)方法研究
        5.1.1 RNN神經(jīng)網(wǎng)絡(luò)
        5.1.2 LSTM神經(jīng)網(wǎng)絡(luò)原理及結(jié)構(gòu)
    5.2 LSTM神經(jīng)網(wǎng)絡(luò)特點(diǎn)
    5.3 基于VMD-LSTM神經(jīng)網(wǎng)絡(luò)的算例仿真
        5.3.1 VMD-LSTM模型建立及步驟
        5.3.2 基于VMD-LSTM的負(fù)荷預(yù)測(cè)仿真分析
    5.4 本章小結(jié)
第6章 考慮多變量氣象因子的電力負(fù)荷預(yù)測(cè)
    6.1 主元分析PCA
        6.1.1 PCA原理概述
        6.1.2 PCA分析步驟
    6.2 核主元分析KPCA
        6.2.1 KPCA原理概述
        6.2.2 KPCA分析步驟
        6.2.3 KPCA核函數(shù)的選取
    6.3 混合核KPCA與 PCA算列仿真
        6.3.1 氣象因子的PCA處理
        6.3.2 氣象因子的混合核KPCA處理
        6.3.3 KPCA與 PCA對(duì)比分析
    6.4 本文模型多因素負(fù)荷預(yù)測(cè)仿真分析
    6.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：3831951