短期熱負荷預(yù)測是實現(xiàn)集中供熱系統(tǒng)“按需供熱”,解決供熱不均問題,保障熱用戶舒適性的基礎(chǔ)和前提。熱負荷受多種因素影響,各因素與熱負荷之間的關(guān)系既有線性的也有非線性的,使熱負荷預(yù)測的難度加大。因此,選取合適的預(yù)測方法,建立恰當?shù)臒嶝摵深A(yù)測模型,為操作人員提供針對性的指導(dǎo)顯得尤為重要。本文以熱負荷的自身規(guī)律及其影響因素為研究對象,主要研究內(nèi)容包括以下幾點:首先,對歷史數(shù)據(jù)進行預(yù)處理,探究氣象因素對熱負荷的動態(tài)影響效果,通過各影響因素與熱負荷之間的相關(guān)性分析以及采用多元逐步回歸法確定輸入變量,求得多元逐步回歸方程。由于熱負荷還受自身規(guī)律的影響,氣象因素對熱負荷的影響并非完全是線性的,使多元逐步回歸模型在特定的時間段內(nèi)能較好的反映熱負荷的變化趨勢,超出該時間段,模型的泛化能力變差,精確度變低。因此,在全部時間段內(nèi)將熱負荷與氣象因素之間的關(guān)系線性化是不合適的。其次,為解決熱負荷與氣象因素之間的非線性問題,并提高標準粒子群算法的搜索性能,提出基于相似度權(quán)重動態(tài)調(diào)節(jié)的粒子群優(yōu)化支持向量機（DPSO-SVM）的熱負荷預(yù)測模型。實例驗證:DPSO算法具有比PSO算法更強的搜索性能;DPSO-SVM模型能夠... 

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀及趨勢
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容和結(jié)構(gòu)安排
第2章 熱負荷預(yù)測理論及數(shù)據(jù)預(yù)處理
    2.1 熱負荷預(yù)測概述
        2.1.1 熱負荷預(yù)測的分類
        2.1.2 熱負荷預(yù)測的影響因素
        2.1.3 熱負荷預(yù)測的特點
        2.1.4 熱負荷預(yù)測的流程
        2.1.5 熱負荷預(yù)測的誤差分析
    2.2 數(shù)據(jù)預(yù)處理
        2.2.1 拉依達法剔除異常數(shù)據(jù)
        2.2.2 拉格朗日法插值
        2.2.3 數(shù)據(jù)的標準化方法
    2.3 本章總結(jié)
第3章 短期熱負荷預(yù)測建模方法
    3.1 線性回歸分析
        3.1.1 多元線性回歸分析
        3.1.2 多元逐步回歸分析
    3.2 支持向量機
        3.2.1 支持向量回歸算法
        3.2.2 線性支持向量回歸算法
        3.2.3 非線性支持向量回歸算法
        3.2.4 核函數(shù)的定義
    3.3 粒子群優(yōu)化算法及其基本理論
        3.3.1 標準粒子群優(yōu)化算法原理
        3.3.2 標準粒子群優(yōu)化算法流程
        3.3.3 標準粒子群優(yōu)化算法的參數(shù)設(shè)置
    3.4 基于PSO算法優(yōu)化SVM的參數(shù)對
        3.4.1 參數(shù)對分析
        3.4.2 基于PSO算法優(yōu)化SVM的參數(shù)對
    3.5 本章小結(jié)
第4章 短期熱負荷預(yù)測模型的構(gòu)建與研究
    4.1 集中供熱系統(tǒng)的熱負荷計算
        4.1.1 集中供熱系統(tǒng)的運行方式
        4.1.2 熱負荷計算方法
        4.1.3 數(shù)據(jù)空缺預(yù)處理
    4.2 基于回歸分析建模
        4.2.1 輸入變量的選取
        4.2.2 多元逐步回歸輸入變量篩選
        4.2.3 多元逐步回歸模型的建立
        4.2.4 實例驗證
    4.3 基于改進粒子群優(yōu)化支持向量機建模
        4.3.1 數(shù)據(jù)的歸一化
        4.3.2 模型的建立
        4.3.3 實例驗證
    4.4 基于重大節(jié)假日修正的熱負荷預(yù)測模型
        4.4.1 基于重大節(jié)假日修正模型的建立
        4.4.2 實例驗證
    4.5 本章小結(jié)
第5章 短期熱負荷預(yù)測模型的應(yīng)用與規(guī)劃
    5.1 短期熱負荷預(yù)測模型的應(yīng)用
        5.1.1 MATLAB與Visual Studio(VS)的連接
        5.1.2 熱負荷管理系統(tǒng)的設(shè)計
    5.2 集中供熱系統(tǒng)的短期熱負荷規(guī)劃
        5.2.1 短期熱負荷規(guī)劃
        5.2.2 投訴情況反饋
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于遺傳算法優(yōu)化支持向量回歸機參數(shù)的供熱負荷預(yù)測[J]. 張佼,田琦,王美萍.  暖通空調(diào). 2017(02)
[2]基于支持向量機和模擬退火算法對供暖熱負荷的預(yù)測方法[J]. 張震,徐子怡,袁淑芳.  自動化技術(shù)與應(yīng)用. 2016(02)
[3]基于粒子群優(yōu)化算法的支持向量機研究[J]. 谷文成,柴寶仁,滕艷平.  北京理工大學(xué)學(xué)報. 2014(07)
[4]基于混沌理論和LSSVM的蒸汽負荷預(yù)測[J]. 張華強,張曉燕.  系統(tǒng)工程理論與實踐. 2013(04)
[5]基于禁忌粒子群算法的熱電聯(lián)產(chǎn)負荷經(jīng)濟分配[J]. 顧慧,郭振宇,劉偉,司風(fēng)琪,徐治皋.  東南大學(xué)學(xué)報(自然科學(xué)版). 2013(01)
[6]基于相似日搜索的空調(diào)短期負荷預(yù)測方法[J]. 王小剛,石為人,高鵬,周偉.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2011(12)
[7]基于改進的灰色模型在區(qū)域熱負荷中期預(yù)測中的應(yīng)用[J]. 王渡,鄭莆燕.  區(qū)域供熱. 2010(02)
[8]基于季節(jié)性時間序列模型的空調(diào)負荷預(yù)測[J]. 孫靖,程大章.  電工技術(shù)學(xué)報. 2004(03)
[9]應(yīng)用級聯(lián)神經(jīng)網(wǎng)絡(luò)預(yù)測供熱鍋爐次日小時熱負荷的初步研究[J]. 曹雙華,曹家樅.  東華大學(xué)學(xué)報(自然科學(xué)版). 2004(01)
[10]基于神經(jīng)網(wǎng)絡(luò)的供熱計量系統(tǒng)熱負荷短期預(yù)測[J]. 郝有志 ,李德英 ,郝斌.  暖通空調(diào). 2003(06)

博士論文
[1]基于不平衡數(shù)據(jù)集的支持向量機模型與算法研究[D]. 張靜靜.中國農(nóng)業(yè)大學(xué) 2015
[2]室內(nèi)均勻熱環(huán)境中的人體熱反應(yīng)（偏熱條件）[D]. 楊宇.重慶大學(xué) 2015
[3]支持向量機的迭代學(xué)習(xí)算法及其應(yīng)用[D]. 李兵.清華大學(xué) 2014
[4]群智能混合優(yōu)化算法及其應(yīng)用研究[D]. 匡芳君.南京理工大學(xué) 2014
[5]集中供暖系統(tǒng)熱負荷預(yù)測及運行優(yōu)化[D]. 介鵬飛.天津大學(xué) 2013

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測方法研究[D]. 劉文博.浙江大學(xué) 2017
[2]基于灰色理論的電力負荷預(yù)測研究[D]. 王超.山東大學(xué) 2016
[3]大型商業(yè)建筑空調(diào)負荷預(yù)測方法的研究[D]. 任鵬.天津大學(xué) 2014
[4]集中供熱系統(tǒng)的熱負荷預(yù)測方法研究[D]. 李勝濤.長安大學(xué) 2014
[5]基于粒子群算法的供熱負荷組合預(yù)測[D]. 許明子.東北石油大學(xué) 2011
[6]基于神經(jīng)網(wǎng)絡(luò)的供熱系統(tǒng)負荷預(yù)測[D]. 劉嚴崴.天津大學(xué) 2009
[7]負荷預(yù)測中相似日的選擇研究[D]. 黃金榜.浙江大學(xué) 2008
[8]供熱系統(tǒng)調(diào)控模式研究及其模擬分析[D]. 王浩.吉林大學(xué) 2006
[9]基于自適應(yīng)遺傳人工神經(jīng)網(wǎng)絡(luò)的集中供熱負荷預(yù)測與控制研究[D]. 王東亞.遼寧工程技術(shù)大學(xué) 2005



本文編號：3687930