基于模糊聚類和最小二乘支持向量機(jī)混合模型的電力預(yù)測(cè)研究
發(fā)布時(shí)間:2023-03-23 05:01
電力工業(yè)是經(jīng)濟(jì)的血液,其發(fā)展迅猛逐漸受到世界上各個(gè)國家的普遍重視。但由于電力本身的特性以及各項(xiàng)因素的共同作用影響,電力需求序列呈現(xiàn)出高度的波動(dòng)性、自相關(guān)性、季節(jié)性和隨機(jī)性,這成為影響世界各國電力系統(tǒng)安全穩(wěn)定運(yùn)行的關(guān)鍵因素。要避免電力需求序列的這些特性對(duì)各國電力系統(tǒng)的運(yùn)行產(chǎn)生不良影響,要求我們必須能夠準(zhǔn)確的預(yù)測(cè)短期電力負(fù)荷需求。然而,傳統(tǒng)的線性預(yù)測(cè)方法無法滿足電力需求序列的波動(dòng)性、不確定性、自相關(guān)性及隨機(jī)波動(dòng)性的預(yù)測(cè)要求,基于人工智能算法的許多模型容易陷入局部最優(yōu),從而使預(yù)測(cè)精度達(dá)不到我們想要的標(biāo)準(zhǔn)。因于此,本文在研究了國內(nèi)外短期電力負(fù)荷預(yù)測(cè)現(xiàn)狀的基礎(chǔ)上,提出了一種基于數(shù)據(jù)預(yù)處理、聚類、參數(shù)優(yōu)化、預(yù)測(cè)四個(gè)模塊構(gòu)成的組合預(yù)測(cè)模型來提高預(yù)測(cè)的精度,并通過討論檢驗(yàn)證明其優(yōu)異性及穩(wěn)定性。在數(shù)據(jù)預(yù)處理模塊,本文采用集成經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)進(jìn)行處理,降低了原始數(shù)據(jù)集內(nèi)噪聲的影響,得到穩(wěn)定的序列作為數(shù)據(jù)的準(zhǔn)備條件。在聚類模塊的部分,對(duì)多種聚類方法進(jìn)行比較最終選擇了模糊聚類FCM算法,將負(fù)荷曲線以天為單位對(duì)四個(gè)季節(jié)數(shù)據(jù)分別進(jìn)行聚類,并在此基礎(chǔ)上進(jìn)行更深入的分析,針對(duì)聚類的結(jié)果進(jìn)行用戶用電行為的分析,將各季節(jié)...
【文章頁數(shù)】:71 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景
1.2 研究意義
1.3 研究?jī)?nèi)容
1.4 研究創(chuàng)新及不足
1.4.1 研究創(chuàng)新
1.4.2 研究不足
2 文獻(xiàn)綜述
2.1 傳統(tǒng)的電力負(fù)荷預(yù)測(cè)方法
2.2 基于機(jī)器學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法
2.3 基于組合模型的電力負(fù)荷預(yù)測(cè)方法
2.4 基于聚類的電力負(fù)荷預(yù)測(cè)方法
2.5 文獻(xiàn)評(píng)述
3 預(yù)測(cè)模型的構(gòu)建
3.1 集合經(jīng)驗(yàn)?zāi)J椒纸馑惴?br> 3.2 模糊聚類算法
3.3 差分進(jìn)化算法
3.4 最小二乘支持向量機(jī)算法
3.5 混合模型
4 基于組合模型的負(fù)荷預(yù)測(cè)
4.1 電力負(fù)荷數(shù)據(jù)特征及預(yù)處理
4.1.1 原始數(shù)據(jù)的選擇
4.1.2 負(fù)荷數(shù)據(jù)預(yù)處理
4.2 聚類處理及分析
4.2.1 聚類的有效性檢驗(yàn)指標(biāo)
4.2.2 聚類方法和類數(shù)的確定
4.2.3 基于FCM聚類的季節(jié)用電行為分析
4.2.4 聚類后預(yù)測(cè)數(shù)據(jù)選擇
4.3 預(yù)測(cè)模型評(píng)價(jià)指標(biāo)
5 模型結(jié)果分析及討論
5.1 單一模型與混合模型結(jié)果對(duì)比
5.2 不同優(yōu)化算法模型結(jié)果對(duì)比
5.3 不同預(yù)測(cè)算法模型結(jié)果對(duì)比
5.4 DM檢驗(yàn)
5.5 穩(wěn)定性檢驗(yàn)
5.6 確定性檢驗(yàn)
5.7 有效性檢驗(yàn)
5.7.1 精度的提高
5.7.2 計(jì)算時(shí)間比較
6 總結(jié)與展望
6.1 總結(jié)
6.2 展望
附錄
參考文獻(xiàn)
后記
本文編號(hào):3768334
【文章頁數(shù)】:71 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景
1.2 研究意義
1.3 研究?jī)?nèi)容
1.4 研究創(chuàng)新及不足
1.4.1 研究創(chuàng)新
1.4.2 研究不足
2 文獻(xiàn)綜述
2.1 傳統(tǒng)的電力負(fù)荷預(yù)測(cè)方法
2.2 基于機(jī)器學(xué)習(xí)的電力負(fù)荷預(yù)測(cè)方法
2.3 基于組合模型的電力負(fù)荷預(yù)測(cè)方法
2.4 基于聚類的電力負(fù)荷預(yù)測(cè)方法
2.5 文獻(xiàn)評(píng)述
3 預(yù)測(cè)模型的構(gòu)建
3.1 集合經(jīng)驗(yàn)?zāi)J椒纸馑惴?br> 3.2 模糊聚類算法
3.3 差分進(jìn)化算法
3.4 最小二乘支持向量機(jī)算法
3.5 混合模型
4 基于組合模型的負(fù)荷預(yù)測(cè)
4.1 電力負(fù)荷數(shù)據(jù)特征及預(yù)處理
4.1.1 原始數(shù)據(jù)的選擇
4.1.2 負(fù)荷數(shù)據(jù)預(yù)處理
4.2 聚類處理及分析
4.2.1 聚類的有效性檢驗(yàn)指標(biāo)
4.2.2 聚類方法和類數(shù)的確定
4.2.3 基于FCM聚類的季節(jié)用電行為分析
4.2.4 聚類后預(yù)測(cè)數(shù)據(jù)選擇
4.3 預(yù)測(cè)模型評(píng)價(jià)指標(biāo)
5 模型結(jié)果分析及討論
5.1 單一模型與混合模型結(jié)果對(duì)比
5.2 不同優(yōu)化算法模型結(jié)果對(duì)比
5.3 不同預(yù)測(cè)算法模型結(jié)果對(duì)比
5.4 DM檢驗(yàn)
5.5 穩(wěn)定性檢驗(yàn)
5.6 確定性檢驗(yàn)
5.7 有效性檢驗(yàn)
5.7.1 精度的提高
5.7.2 計(jì)算時(shí)間比較
6 總結(jié)與展望
6.1 總結(jié)
6.2 展望
附錄
參考文獻(xiàn)
后記
本文編號(hào):3768334
本文鏈接:http://sikaile.net/qiyeguanlilunwen/3768334.html
最近更新
教材專著