發(fā)布時(shí)間：2022-01-06 00:51

　　電力負(fù)荷預(yù)測是電力系統(tǒng)調(diào)度中極為重要的一個(gè)環(huán)節(jié),若能準(zhǔn)確預(yù)測未來的電力負(fù)荷情況,可以為電力系統(tǒng)的規(guī)劃以及相關(guān)部門的決策提供較大的幫助.實(shí)際生活中,電力負(fù)荷會(huì)受到天氣、溫度等因素的影響,使得電力負(fù)荷數(shù)據(jù)中既含有線性信息又含有較強(qiáng)的非線性信息.因此,使用單一的傳統(tǒng)時(shí)間序列分析方法或智能預(yù)測方法已經(jīng)無法較好地表現(xiàn)出電力負(fù)荷數(shù)據(jù)的綜合趨勢.為探索新的負(fù)荷預(yù)測方法,提出一種基于SARIMA與DPADE-SVR的組合預(yù)測模型.本文的主要研究內(nèi)容如下:1)通過對實(shí)驗(yàn)數(shù)據(jù)分析得知,本文采用的電力負(fù)荷數(shù)據(jù)為非平穩(wěn)周期性時(shí)間序列.經(jīng)過一階季節(jié)差分與一階趨勢差分將其轉(zhuǎn)化為平穩(wěn)序列,根據(jù)自相關(guān)檢驗(yàn)結(jié)果對SARIMA模型進(jìn)行定階,通過評價(jià)指標(biāo)及殘差檢驗(yàn)選擇其中的SARIMA（4,1,4）（1,1,2）_{9 6}作為電力負(fù)荷預(yù)測模型,實(shí)驗(yàn)結(jié)果表明該模型能夠反映出電力負(fù)荷的變化趨勢及周期性波動(dòng)情況,其MAPE為5.55%.2)對電力負(fù)荷數(shù)據(jù)進(jìn)行相空間重構(gòu),并將其作為SVR模型的輸入與輸出,對SVR模型進(jìn)行訓(xùn)練,在訓(xùn)練過程中采用網(wǎng)格搜索法對其參數(shù)尋優(yōu),將SVR模型的預(yù)測結(jié)果與B... 

【文章來源】：東華理工大學(xué)江西省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
第2章 相關(guān)方法簡介
    2.1 時(shí)間序列模型
    2.2 支持向量機(jī)簡介
        2.2.1 SVR的建模原理
        2.2.2 核函數(shù)
    2.3 差分進(jìn)化算法
第3章 基于SARIMA的短期電力負(fù)荷預(yù)測
    3.1 數(shù)據(jù)來源及模型評價(jià)指標(biāo)
        3.1.1 數(shù)據(jù)來源
        3.1.2 評價(jià)指標(biāo)
    3.2 SARIMA建模步驟
    3.3 模型確定
        3.3.1 原始序列平穩(wěn)性檢驗(yàn)
        3.3.2 差分后序列的平穩(wěn)性檢驗(yàn)
        3.3.3 模型定階
        3.3.4 模型檢驗(yàn)
    3.4 仿真試驗(yàn)
第4章 基于SVR的短期電力負(fù)荷預(yù)測
    4.1 數(shù)據(jù)來源及處理
    4.2 模型參數(shù)選擇
    4.3 仿真實(shí)驗(yàn)
第5章 基于DPADE-SVR的短期電力負(fù)荷預(yù)測
    5.1 DPADE算法
    5.2 DPADE算法測試效果
    5.3 DPADE-SVR模型建立
    5.4 仿真實(shí)驗(yàn)
第6章 基于SARIMA與DPADE-SVR的組合預(yù)測模型
    6.1 組合模型選擇
    6.2 仿真實(shí)驗(yàn)
    6.3 模型效果對比
第7章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
參考文獻(xiàn)
附錄 完成的論文和參與的科研項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種新的改進(jìn)差分進(jìn)化算法[J]. 劉龍龍,顏七笙.  江西科學(xué). 2017(04)
[2]改進(jìn)種群多樣性的雙變異差分進(jìn)化算法[J]. 李榮雨,陳慶倩,陳菲爾.  運(yùn)籌學(xué)學(xué)報(bào). 2017(01)
[3]最小二乘小波支持向量機(jī)在電力負(fù)荷預(yù)測中的應(yīng)用[J]. 張政國,吳艾玲.  蘭州交通大學(xué)學(xué)報(bào). 2016(04)
[4]夏季短期電力負(fù)荷ARIMA-SVR組合預(yù)測模型[J]. 王喜平,王雅琪.  黑龍江電力. 2016(02)
[5]基于ARIMA模型的短期電力負(fù)荷預(yù)測[J]. 李晨熙.  吉林電力. 2015(06)
[6]基于ARIMAX模型的夏季短期電力負(fù)荷預(yù)測[J]. 崔和瑞,彭旭.  電力系統(tǒng)保護(hù)與控制. 2015(04)
[7]差分進(jìn)化算法研究進(jìn)展[J]. 汪慎文,丁立新,張文生,郭肇祿,謝承旺.  武漢大學(xué)學(xué)報(bào)(理學(xué)版). 2014(04)
[8]Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents[J]. 牛東曉,王永利,馬小勇.  Journal of Central South University of Technology. 2010(02)

碩士論文
[1]基于改進(jìn)型Elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測[D]. 夏楊.西安理工大學(xué) 2017
[2]基于ARIMA與SVM組合模型的國內(nèi)旅游市場預(yù)測研究[D]. 劉勝.東華理工大學(xué) 2017
[3]組合算法在相山鈾礦資源巖石含礦類型識(shí)別中的應(yīng)用[D]. 李佳麗.東華理工大學(xué) 2017
[4]基于極限學(xué)習(xí)機(jī)的內(nèi)蒙古短期電力負(fù)荷預(yù)測系統(tǒng)[D]. 阿木古楞.華北電力大學(xué) 2017
[5]基于小波—灰色模型的電力負(fù)荷預(yù)測研究[D]. 韓文婧.山東大學(xué) 2017
[6]基于組合模型的最大電力負(fù)荷預(yù)測[D]. 劉玉東.蘭州大學(xué) 2017
[7]基于BP神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷中長期預(yù)測[D]. 朱曉露.華北電力大學(xué)(北京) 2017
[8]基于人工神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[D]. 程宇也.浙江大學(xué) 2017
[9]基于灰色理論的電力負(fù)荷預(yù)測研究[D]. 王超.山東大學(xué) 2016
[10]基于神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測研究與實(shí)現(xiàn)[D]. 石德琳.山東大學(xué) 2016



本文編號(hào)：3571381