【摘要】：隨著智能燃?xì)夤芫W(wǎng)建設(shè)工作的飛速發(fā)展,負(fù)荷預(yù)測(cè)工作越來(lái)越重要。短期負(fù)荷預(yù)測(cè)是城市燃?xì)庀到y(tǒng)的一項(xiàng)基礎(chǔ)工作,其數(shù)據(jù)對(duì)項(xiàng)目規(guī)劃、運(yùn)行調(diào)度、管網(wǎng)維修以及工程技術(shù)分析都具有根本意義,因此尋求有效的短期負(fù)荷預(yù)測(cè)方法以提高預(yù)測(cè)精度是非常重要的。本文首先深入分析了經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)方法在正常采樣率條件下分解結(jié)果中可能存在虛假模態(tài)分量,而通過(guò)傅立葉插值法、sinc函數(shù)插值法等增加采樣點(diǎn)可以減少虛假分量的產(chǎn)生,但并不能從根本上解決多余模態(tài)的問(wèn)題,因此提出一種改進(jìn)的模態(tài)分量消除算法,即利用經(jīng)驗(yàn)?zāi)B(tài)分解的完備性、能量原理和虛假模態(tài)分量性質(zhì),在每得到一個(gè)本征模分量時(shí),對(duì)這個(gè)分量進(jìn)行檢驗(yàn)是否滿足以上三個(gè)性質(zhì),從而除去虛假模態(tài)分量及消除本征模態(tài)分量中的誤差。接著闡述了一種添加了自適應(yīng)學(xué)習(xí)率的深度信念神經(jīng)網(wǎng)絡(luò)(Deep belief Neural Network,DBN),用以減少深度信念神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)的迭代次數(shù),從而加快模型的訓(xùn)練速度。一方面,燃?xì)庳?fù)荷值受多種外界因素影響,選擇DBN可以通過(guò)逐層提取這些因素之間的內(nèi)在隱含聯(lián)系,達(dá)到模型預(yù)測(cè)目的。另一方面,傳統(tǒng)的DBN在預(yù)訓(xùn)練和調(diào)優(yōu)過(guò)程中注重調(diào)節(jié)w,b的值,忽視學(xué)習(xí)率α對(duì)預(yù)測(cè)結(jié)果的影響,本文在DBN的基礎(chǔ)上對(duì)學(xué)習(xí)率做自適應(yīng)研究,以提高模型訓(xùn)練速度,并且在一定程度上提高預(yù)測(cè)精度。最后詳細(xì)介紹了基于EMD分解的集成深度信念神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立,以及仿真實(shí)驗(yàn)分析的過(guò)程。由于燃?xì)庳?fù)荷數(shù)據(jù)在日常監(jiān)測(cè)過(guò)程中有部分?jǐn)?shù)據(jù)缺失和儀器讀數(shù)誤差,因此在預(yù)測(cè)前需要對(duì)原始數(shù)據(jù)預(yù)處理,解決負(fù)荷數(shù)據(jù)序列存在異常數(shù)據(jù)的問(wèn)題,同時(shí)將負(fù)荷數(shù)據(jù)歸一化處理、影響因素?cái)?shù)值化處理,構(gòu)成預(yù)測(cè)模型的輸入矩陣。針對(duì)燃?xì)庳?fù)荷序列非線性非平穩(wěn)的特性,采用優(yōu)化的EMD將負(fù)荷數(shù)據(jù)序列分解成多個(gè)本征模向量,再分別進(jìn)行DBN建模和預(yù)測(cè),得到各個(gè)分量的預(yù)測(cè)結(jié)果,最后使用線性神經(jīng)網(wǎng)絡(luò)將各分量的結(jié)果擬合得出最終預(yù)測(cè)結(jié)果。結(jié)果表明,集成方法確實(shí)能夠避免單一模型過(guò)擬合的問(wèn)題,提高預(yù)測(cè)精度。
【學(xué)位授予單位】：上海師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP183;TU996.62
【圖文】：

2 章 相關(guān)理論和工作 上海師范大學(xué)碩士學(xué)位論表 2-1 主流深度學(xué)習(xí)框架在各個(gè)維度的評(píng)分模型設(shè)計(jì) 接口 部署 性能 架構(gòu)設(shè)計(jì) 總體評(píng)ensorflow 80 80 90 90 100 88affe 60 60 90 80 70 72NTK 50 55 70 100 60 66heano 80 70 40 50 50 58orch 90 70 60 70 90 76XNet 70 100 80 80 90 84

圖 2-2 sigmoid 函數(shù)曲線圖 函數(shù)數(shù)的取值范圍為[-1,1],多用于特征相差明顯的情況下。數(shù)的表達(dá)式如式（2-4），曲線如圖 2-3:f(x) = tanh(x) =exexexex

圖 2-2 sigmoid 函數(shù)曲線圖 函數(shù)數(shù)的取值范圍為[-1,1],多用于特征相差明顯的情況下。數(shù)的表達(dá)式如式（2-4），曲線如圖 2-3:f(x) = tanh(x) =exexexex

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王利軍;;配電網(wǎng)規(guī)劃中負(fù)荷預(yù)測(cè)實(shí)際問(wèn)題及措施[J];通訊世界;2017年22期

2 蔣瑋;黃麗麗;祁暉;馮偉;楊樂(lè);汪梁;徐青山;吳杰;湯海波;;基于分布式圖計(jì)算的臺(tái)區(qū)負(fù)荷預(yù)測(cè)技術(shù)研究[J];中國(guó)電機(jī)工程學(xué)報(bào);2018年12期

3 黃慶仕;陳冬灃;肖建華;;電力用戶側(cè)大數(shù)據(jù)分析與并行負(fù)荷預(yù)測(cè)研究[J];自動(dòng)化應(yīng)用;2016年11期

4 李凡;;電力檢修中負(fù)荷預(yù)測(cè)技術(shù)的發(fā)展現(xiàn)狀研究[J];民營(yíng)科技;2016年12期

5 肖燃;;基于電力載波通信的居民用電負(fù)荷預(yù)測(cè)大數(shù)據(jù)應(yīng)用[J];科技創(chuàng)新與應(yīng)用;2017年04期

6 邢亞虹;杜欣慧;;基于貪婪算法的配電網(wǎng)網(wǎng)格負(fù)荷預(yù)測(cè)與規(guī)劃方法[J];計(jì)算機(jī)工程;2016年11期

7 劉愛(ài)連;梁濤;;負(fù)荷預(yù)測(cè)在煤改電工程的應(yīng)用分析[J];電氣時(shí)代;2017年05期

8 尚芳屹;李潔;;組合預(yù)測(cè)在飽和負(fù)荷預(yù)測(cè)中的應(yīng)用[J];電力與能源;2017年02期

9 謝毓廣;郭力;;基于區(qū)域負(fù)荷預(yù)測(cè)值綜合評(píng)價(jià)的大電網(wǎng)短期負(fù)荷預(yù)測(cè)[J];電氣應(yīng)用;2017年11期

10 肖白;李科;田春箏;王t

本文編號(hào)：2789350