建設(shè)節(jié)約型能源社會已成為社會發(fā)展的一大要求,燃氣作為城市發(fā)展和居民使用的重要能源之一起著至關(guān)重要的作用,如何在一定程度上發(fā)揮燃氣最大價值是一個值得研究的課題。如果人們在生活中對燃氣的使用不規(guī)范,就會出現(xiàn)燃氣供量不足或者是燃氣過剩、資源浪費等問題,這些問題都會影響城市居民或企業(yè)的使用。因此,針對具體的城市燃氣用量構(gòu)建一套有效的預測模型是非常有必要的。之前有大量學者針對城市燃氣用量的預測問題已提出多種模型,有傳統(tǒng)預測模型,也有近幾年來流行的神經(jīng)網(wǎng)絡模型。傳統(tǒng)模型雖具有較高的穩(wěn)定性但很難處理大規(guī)模數(shù)據(jù);而神經(jīng)網(wǎng)絡模型在擅長處理大規(guī)模數(shù)據(jù)時且有不錯的預測效果時,模型波動比較大。因此,為了保證模型既有較高的穩(wěn)定性又有足夠的精確性,本文提出了一種將傳統(tǒng)模型和神經(jīng)網(wǎng)絡結(jié)合起來的一種新的組合預測模型,SARIMAX+EMD+GRU模型。在已有具體城市燃氣使用量數(shù)據(jù)基礎(chǔ)上,具體分析數(shù)據(jù)所包含的外在特征和內(nèi)在特征,選取了多種可能影響預測結(jié)果的特征。除此之外為了評價分析提出的新模型的預測效果,文章還建立了小波+SARIMAX模型,卷積神經(jīng)網(wǎng)絡模型和長短期記憶神經(jīng)網(wǎng)絡多種預測模型。通過對比分析各個模型預測的結(jié)... 

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題來源
    1.2 課題背景及研究的目的和意義
    1.3 國內(nèi)外在該方向的研究現(xiàn)狀
    1.4 主要研究內(nèi)容
第2章 分析數(shù)據(jù)信息并提取特征
    2.1 分析數(shù)據(jù)信息
    2.2 提取模型特征
    2.3 本章小結(jié)
第3章 預備知識
    3.1 小波分析
        3.1.1 傅里葉變換
        3.1.2 小波變換
        3.1.3 常見的幾種小波基函數(shù)
    3.2 經(jīng)驗模態(tài)分解
        3.2.1 EMD方法中的前提假設(shè)
        3.2.2 EMD分解過程
        3.2.3 EMD分解性質(zhì)
    3.3 ARIMA模型
        3.3.1 AR(p)模型
        3.3.2 MA(q)模型
        3.3.3 ARIMA(p,d,q)模型
        3.3.4 建模過程
    3.4 SARIMAX模型
        3.4.1 SARIMAX模型表達式
        3.4.2 SARIMAX模型建模過程
    3.5 CNN
        3.5.1 CNN的結(jié)構(gòu)
        3.5.2 CNN的訓練方法
    3.6 RNN
        3.6.1 RNN網(wǎng)絡結(jié)構(gòu)
        3.6.2 RNN前向傳播過程
        3.6.3 梯度消失和梯度爆炸問題
    3.7 LSTM和 GRU
        3.7.1 LSTM概述
        3.7.2 LSTM網(wǎng)絡結(jié)構(gòu)
        3.7.3 GRU
    3.8 本章小結(jié)
第4章 基于SARIMAX+EMD+GRU的燃氣日負荷預測
    4.1 建模思想與建�？蚣�
    4.2 模型的初步預測-SARIMAX模型
        4.2.1 模型識別
        4.2.2 模型定階
        4.2.3 模型訓練
        4.2.4 模型評價及實驗結(jié)果分析
    4.3 模型第二階段預測-EMD+GRU模型
        4.3.1 預測步驟
        4.3.2 EMD分解結(jié)果
        4.3.3 建立GRU模型
    4.4 模型整個預測結(jié)果分析
    4.5 其他預測模型
        4.5.1 小波+SARIMAX模型
        4.5.2 CNN
        4.5.3 LSTM
    4.6 模型預測結(jié)果對比分析
    4.7 本章小結(jié)
結(jié)論
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于ARIMA和馬氏鏈模型的中國財政收入預測[J]. 侯甜甜,楊叢,詹炳歡.  平頂山學院學報. 2020(02)
[2]基于指數(shù)平滑法的G市主要貨物流通量預測[J]. 單海霞,余秋豪,高波.  物流科技. 2020(01)
[3]基于改進LMD與GRU網(wǎng)絡的短期燃氣負荷預測[J]. 張彤,徐曉鐘,王曉霞,楊超.  計算機系統(tǒng)應用. 2019(06)
[4]基于BPNN-EMD-LSTM組合模型的城市短期燃氣負荷預測[J]. 陳川,陳冬林,何李凱.  安全與環(huán)境工程. 2019(01)
[5]城市天然氣短期日需求量預測新模型[J]. 舒漫,劉夏蘭,徐婷,謝雯娟,何斌.  天然氣工業(yè). 2018(06)
[6]基于Akima-LMD和GRNN的短期負荷預測[J]. 鄒紅波,伏春林,喻圣.  電工電能新技術(shù). 2018(01)
[7]基于多項式擬合的鐵水含硅量動態(tài)預測模型[J]. 熊琦.  中國高新區(qū). 2018(02)
[8]基于神經(jīng)網(wǎng)絡的短期電力負荷預測仿真研究[J]. 陳亞,李萍.  電氣技術(shù). 2017(01)
[9]基于Elman神經(jīng)網(wǎng)絡的短期天然氣負荷預測建模與仿真[J]. 宋超,宋娟,任軍.  工業(yè)控制計算機. 2016(04)
[10]基于改進的LMD和GRNN組合風速預測[J]. 雷慶坤,李生虎,陳曦鳴,王艷艷,華玉婷.  合肥工業(yè)大學學報(自然科學版). 2015(07)

碩士論文
[1]基于最小二乘支持向量機的磁滯建模[D]. 康傳會.浙江師范大學 2010
[2]基于EMD的時頻分析方法研究[D]. 戴桂平.燕山大學 2006



本文編號：3659472