本文關(guān)鍵詞：基于組合預(yù)測(cè)方法的電力負(fù)荷預(yù)測(cè)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著當(dāng)今經(jīng)濟(jì)的快速發(fā)展,化石燃料為主的一次能源逐漸被耗盡及環(huán)境問(wèn)題日益突出,優(yōu)質(zhì)的二次能源—電能在人類(lèi)生活和生產(chǎn)中的地位越來(lái)越重要。電力系統(tǒng)負(fù)荷預(yù)測(cè)對(duì)保障電力部門(mén)的穩(wěn)定經(jīng)濟(jì)運(yùn)行及電網(wǎng)的合理規(guī)劃起到了至關(guān)緊要的作用,因此高精度的負(fù)荷預(yù)測(cè)對(duì)合理高效的利用現(xiàn)有電能具有較大的現(xiàn)實(shí)意義。本文在深入研究全國(guó)工業(yè)月用電量時(shí)間序列的基礎(chǔ)上,建立了基于混沌時(shí)間序列的Elman神經(jīng)網(wǎng)絡(luò)、基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)及改進(jìn)變權(quán)組合預(yù)測(cè)模型。針對(duì)電力負(fù)荷數(shù)據(jù)在多重因素相互影響下呈非線性特性甚至是混沌性的問(wèn)題,采用基于相空間重構(gòu)的Elman神經(jīng)網(wǎng)絡(luò)方法進(jìn)行全社會(huì)工業(yè)月用電量預(yù)測(cè)。利用小數(shù)據(jù)量法計(jì)算最大Lyapunov指數(shù)判別時(shí)間序列的混沌性,進(jìn)而確定最優(yōu)延遲時(shí)間及最佳嵌入維數(shù)進(jìn)行相空間重構(gòu),以此確定Elman神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu),并將實(shí)測(cè)數(shù)據(jù)帶入模型進(jìn)行訓(xùn)練。通過(guò)對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)仿真,表明該模型達(dá)到了較好的預(yù)測(cè)效果,驗(yàn)證了提出的時(shí)間序列相空間重構(gòu)與Elman神經(jīng)網(wǎng)絡(luò)結(jié)合的正確性與有效性。在深入研究電力負(fù)荷數(shù)據(jù)呈現(xiàn)非線性和不確定性問(wèn)題的基礎(chǔ)上,提出基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法,該方法將小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的誤差平方和作為衡量適應(yīng)度函數(shù)值的依據(jù),計(jì)算出相應(yīng)個(gè)體的適應(yīng)度。在此基礎(chǔ)上,采用選擇、交叉及變異等操作生成新的種群,通過(guò)迭代法找出具有最優(yōu)適應(yīng)度值的個(gè)體或者直至最大迭代步數(shù)。最后,將該方法優(yōu)化所得的參數(shù)代入小波神經(jīng)網(wǎng)絡(luò)模型,對(duì)全國(guó)工業(yè)月用電量數(shù)據(jù)進(jìn)行預(yù)測(cè)仿真,并將該模型與小波神經(jīng)網(wǎng)絡(luò)作比較,驗(yàn)證了本文所提方法具有良好的預(yù)測(cè)效果和更高的預(yù)測(cè)精度。最后針對(duì)單一模型預(yù)測(cè)性能的優(yōu)劣,提出改進(jìn)的變權(quán)組合預(yù)測(cè)模型,建立基于以上兩種單一模型的組合預(yù)測(cè)模型。經(jīng)實(shí)測(cè)數(shù)據(jù)驗(yàn)證,本文所提的改進(jìn)預(yù)測(cè)模型補(bǔ)償了單一模型的不足,最終提高了預(yù)測(cè)效果。
【關(guān)鍵詞】：負(fù)荷預(yù)測(cè) Elman神經(jīng)網(wǎng)絡(luò) 小波神經(jīng)網(wǎng)絡(luò) 遺傳算法 組合預(yù)測(cè)
【學(xué)位授予單位】：沈陽(yáng)工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TM715;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-13
• 1.1 課題背景及研究意義9-10
• 1.1.1 研究背景9
• 1.1.2 研究意義9-10
• 1.2 課題研究現(xiàn)狀10-11
• 1.2.1 組合預(yù)測(cè)理論研究現(xiàn)狀10
• 1.2.2 電力負(fù)荷預(yù)測(cè)研究現(xiàn)狀10-11
• 1.3 研究?jī)?nèi)容11-13
• 第2章 理論基礎(chǔ)13-22
• 2.1 Elman神經(jīng)網(wǎng)絡(luò)13-15
• 2.2 小波神經(jīng)網(wǎng)絡(luò)15-18
• 2.2.1 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式15-16
• 2.2.2 小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法16-18
• 2.3 變權(quán)組合預(yù)測(cè)18-19
• 2.4 預(yù)測(cè)誤差分析19-22
• 2.4.1 預(yù)測(cè)誤差產(chǎn)生的原因20
• 2.4.2 預(yù)測(cè)誤差的計(jì)算分析20-22
• 第3章 基于混沌時(shí)間序列的Elman神經(jīng)網(wǎng)絡(luò)工業(yè)用電預(yù)測(cè)22-28
• 3.1 引言22
• 3.2 時(shí)間序列混沌性的判別22-23
• 3.3 混沌時(shí)間序列相空間重構(gòu)23-24
• 3.3.1 重構(gòu)相空間24
• 3.3.2 混沌特證數(shù)的確定24
• 3.4 案例分析24-27
• 3.5 小結(jié)27-28
• 第4章 基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)工業(yè)用電預(yù)測(cè)28-34
• 4.1 引言28
• 4.2 遺傳算法28-31
• 4.2.1 編碼技術(shù)和解碼技術(shù)29
• 4.2.2 初始群體的設(shè)定29
• 4.2.3 適應(yīng)度函數(shù)29-30
• 4.2.4 遺傳操作30-31
• 4.3 基于遺傳算法的小波神經(jīng)網(wǎng)絡(luò)31-32
• 4.4 實(shí)例仿真32-33
• 4.5 小結(jié)33-34
• 第5章 基于改進(jìn)變權(quán)組合預(yù)測(cè)模型的工業(yè)用電預(yù)測(cè)34-38
• 5.1 引言34
• 5.2 改進(jìn)的變權(quán)組合預(yù)測(cè)模型34-35
• 5.3 案例分析35-37
• 5.4 小結(jié)37-38
• 第6章 結(jié)論38-39
• 參考文獻(xiàn)39-42
• 在學(xué)研究成果42-43
• 致謝43

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 任超;梁月吉;龐光鋒;楊興躍;;最優(yōu)非負(fù)變權(quán)組合模型在大壩變形中的應(yīng)用[J];大地測(cè)量與地球動(dòng)力學(xué);2014年06期

2 劉艷秋;焦妮;李佳;;基于確定網(wǎng)絡(luò)的多級(jí)物流網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)[J];沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào);2015年01期

3 陳強(qiáng);金小明;姚建剛;楊勝杰;龔磊;吳兆剛;;基于改進(jìn)ABC算法的中長(zhǎng)期電力負(fù)荷組合預(yù)測(cè)[J];電力系統(tǒng)保護(hù)與控制;2014年23期

4 王笑宇;陸明涵;;Elman神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用[J];山西電子技術(shù);2013年04期

5 張健美;周步祥;林楠;張勤;陳杰;;灰色Elman神經(jīng)網(wǎng)絡(luò)的電網(wǎng)中長(zhǎng)期負(fù)荷預(yù)測(cè)[J];電力系統(tǒng)及其自動(dòng)化學(xué)報(bào);2013年04期

6 潘玉民;鄧永紅;張全柱;;短期電力負(fù)荷的小波—混沌時(shí)序預(yù)測(cè)[J];系統(tǒng)仿真學(xué)報(bào);2013年05期

7 潘玉民;鄧永紅;張全柱;;小波神經(jīng)網(wǎng)絡(luò)模型的確定性預(yù)測(cè)及應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2013年04期

8 肖潔;羅軍剛;解建倉(cāng);陳晨;;變權(quán)組合預(yù)測(cè)模型在洪水預(yù)報(bào)中的應(yīng)用[J];西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

9 方紅梅;;淺談電力負(fù)荷預(yù)測(cè)的理論和方法[J];廣東科技;2012年19期

10 朱鈺;韓昌佩;;一種種群自適應(yīng)收斂的快速遺傳算法[J];計(jì)算機(jī)科學(xué);2012年10期

  本文關(guān)鍵詞：基于組合預(yù)測(cè)方法的電力負(fù)荷預(yù)測(cè)研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：336370