發(fā)布時(shí)間：2023-11-11 17:18

　　能源結(jié)構(gòu)的重大變革和環(huán)保政策力度的不斷加強(qiáng),對能源行業(yè)發(fā)展提出了巨大的挑戰(zhàn)。電能作為二次能源,在我國的現(xiàn)代化進(jìn)程中扮演著不可或缺的角色。準(zhǔn)確有效的電力能耗預(yù)測,對合理分配電力資源,防止電能浪費(fèi)具有重要的現(xiàn)實(shí)意義。數(shù)據(jù)驅(qū)動(dòng)模型由于其易用性和尋優(yōu)適應(yīng)性,近年來廣泛應(yīng)用于各類能耗預(yù)測場景。其中,基于人工神經(jīng)網(wǎng)絡(luò)(ANN)的預(yù)測模型在解決電力負(fù)荷預(yù)測方面最受歡迎。本文將智能算法與人工神經(jīng)網(wǎng)絡(luò)模型相結(jié)合,進(jìn)行混合數(shù)據(jù)驅(qū)動(dòng)模型的多尺度電力能耗預(yù)測方法研究。具體研究內(nèi)容包括:(1)以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),結(jié)合數(shù)據(jù)分析與預(yù)處理方法,提出利用數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行電力能耗預(yù)測的基本流程及方法。首先對原始輸入變量數(shù)據(jù)按照特點(diǎn)選取水平處理方法或小波變換處理方法(WT)對異常點(diǎn)進(jìn)行刪除;然后補(bǔ)齊缺失的數(shù)據(jù);最后用主成分分析法(PCA)對輸入變量進(jìn)行特征降維以降低輸入冗雜度。(2)為提高神經(jīng)網(wǎng)絡(luò)的尋優(yōu)性能,提出一種基于教學(xué)優(yōu)化算法(TLBO)的混合建模方法。TLBO是一種新的基于群體智能的啟發(fā)式算法。其基本思想是模擬“教”與“學(xué)”兩個(gè)階段。在該算法中,學(xué)生在課堂上通過教師的教學(xué)獲取知識(shí),也通過學(xué)習(xí)者之間的相互學(xué)習(xí)獲取知...

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 電力能耗預(yù)測概述
        1.2.1 國內(nèi)外發(fā)展現(xiàn)狀
        1.2.2 電力能耗預(yù)測原理及特點(diǎn)
    1.3 用于能耗預(yù)測的數(shù)據(jù)驅(qū)動(dòng)方法與模型
        1.3.1 基于人工神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型
        1.3.2 混合電力負(fù)荷預(yù)測模型
    1.4 研究內(nèi)容及章節(jié)安排
第二章 數(shù)據(jù)驅(qū)動(dòng)的電力能耗預(yù)測基本方法
    2.1 引言
    2.2 負(fù)荷數(shù)據(jù)預(yù)處理
        2.2.1 奇異點(diǎn)的識(shí)別和修正處理
        2.2.2 缺失數(shù)據(jù)的填充
        2.2.3 樣本數(shù)據(jù)的歸一化
    2.3 負(fù)荷數(shù)據(jù)輸入變量的特征降維
    2.4 神經(jīng)網(wǎng)絡(luò)
    2.5 基本數(shù)據(jù)驅(qū)動(dòng)模型
    2.6 本章小結(jié)
第三章 基于智能優(yōu)化算法的混合數(shù)據(jù)驅(qū)動(dòng)模型方法
    3.1 引言
    3.2 微粒群算法
    3.3 遺傳算法
    3.4 教學(xué)優(yōu)化算法
    3.5 改進(jìn)型教學(xué)優(yōu)化算法
    3.6 混合數(shù)據(jù)驅(qū)動(dòng)模型
        3.6.1 iTLBO-ANN電力負(fù)荷預(yù)測模型
        3.6.2 TLBO-ANN電力負(fù)荷預(yù)測模型
        3.6.3 iPSO-ANN電力負(fù)荷預(yù)測模型
        3.6.4 GA-ANN電力負(fù)荷預(yù)測模型
    3.7 本章小結(jié)
第四章 基于混合數(shù)據(jù)驅(qū)動(dòng)模型的單棟建筑電力能耗預(yù)測
    4.1 引言
    4.2 數(shù)據(jù)采集
    4.3 數(shù)據(jù)預(yù)處理及負(fù)荷數(shù)據(jù)輸入變量的特征降維
    4.4 預(yù)測結(jié)果比較
    4.5 本章小結(jié)
第五章 基于混合數(shù)據(jù)驅(qū)動(dòng)模型的城市級電力能耗預(yù)測
    5.1 引言
    5.2 數(shù)據(jù)采集
    5.3 數(shù)據(jù)預(yù)處理及負(fù)荷數(shù)據(jù)輸入變量的特征降維
    5.4 預(yù)測結(jié)果比較
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀碩士期間取得的成果及參與的科研項(xiàng)目



本文編號：3862981