隨著近年來傳統(tǒng)能源煤炭、石油、天然氣等化石燃料的過度開采,發(fā)展可再生能源形式已經(jīng)成為了能源發(fā)展的必然趨勢(shì)。風(fēng)能作為環(huán)境友好型新能源,憑借其便于獲取,成本低廉等優(yōu)點(diǎn),成為了所有新能源中最具潛力、發(fā)展最快、技術(shù)相對(duì)成熟的清潔可再生能源。但由于風(fēng)是一種極不穩(wěn)定的能源形勢(shì),是最難預(yù)測(cè)的氣象要素之一,因此不斷地提高風(fēng)速預(yù)測(cè)的精度成為了一項(xiàng)意義重大的研究。傳統(tǒng)的風(fēng)速預(yù)測(cè)模型中有線性模型也有非線性模型,大部分的非線性模型在對(duì)于風(fēng)速數(shù)據(jù)這種具有很強(qiáng)的非線性性時(shí)間序列數(shù)據(jù)的預(yù)測(cè)上要優(yōu)于線性模型,但是單一的非線性模型也有其自身的局限,因此本文綜合考慮了風(fēng)速時(shí)間序列的非線性性和線性性,提出了一種新的混合建模預(yù)測(cè)方法:LSTM-ARIMA。利用長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)LSTM強(qiáng)大的非線性擬合能力及快速學(xué)習(xí)的能力針對(duì)風(fēng)速數(shù)據(jù)的非線性特征進(jìn)行建模,然后對(duì)其誤差序列使用ARIMA建模并進(jìn)行預(yù)測(cè),最終將兩個(gè)模型的預(yù)測(cè)結(jié)果加和得到最終的風(fēng)速預(yù)測(cè)結(jié)果。因?yàn)锳RIMA模型是對(duì)數(shù)據(jù)進(jìn)行線性擬合預(yù)測(cè)的,因此兩者的和可以看作是用預(yù)測(cè)的誤差對(duì)神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)的風(fēng)速值進(jìn)行小幅度的線性的修正。 

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 風(fēng)速預(yù)測(cè)研究現(xiàn)狀
        1.2.1 物理模型
        1.2.2 統(tǒng)計(jì)模型
    1.3 論文結(jié)構(gòu)
第二章 預(yù)備知識(shí)
    2.1 監(jiān)督學(xué)習(xí)
        2.1.1 目標(biāo)函數(shù)
    2.2 梯度下降法
        2.2.1 梯度的推導(dǎo)
        2.2.2 批梯度下降與隨機(jī)梯度下降
    2.3 神經(jīng)網(wǎng)絡(luò)
        2.3.1 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        2.3.2 反向傳播算法(BP)推導(dǎo)
    2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)
        2.4.1 網(wǎng)絡(luò)的計(jì)算方法
        2.4.2 網(wǎng)絡(luò)的訓(xùn)練:BPTT
    2.5 梯度爆炸和梯度消失問題
第三章 時(shí)間序列預(yù)測(cè)的混合算法:LSTM-ARIMA
    3.1 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò):LSTM
        3.1.1 網(wǎng)絡(luò)的計(jì)算方法
        3.1.2 網(wǎng)絡(luò)的訓(xùn)練
    3.2 ARIMA
        3.2.1 模型介紹
        3.2.2 建模步驟
    3.3 LSTM-ARIMA
第四章 風(fēng)速時(shí)間序列預(yù)測(cè)
    4.1 數(shù)據(jù)來源
    4.2 確定訓(xùn)練集和測(cè)試集
    4.3 建立模型并預(yù)測(cè)
        4.3.1 創(chuàng)建LSTM網(wǎng)絡(luò)并預(yù)測(cè)
        4.3.2 建立ARIMA模型并預(yù)測(cè)
        4.3.3 預(yù)測(cè)結(jié)果
    4.4 模型評(píng)價(jià)
第五章 附錄
    5.1 激活函數(shù)
    5.2 按元素對(duì)應(yīng)相乘
    5.3 學(xué)習(xí)率的設(shè)置
    5.4 AIC表
第六章 總結(jié)與展望
    6.1 論文所做工作
    6.2 未來展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)LSTM網(wǎng)絡(luò)的犯罪態(tài)勢(shì)預(yù)測(cè)方法[J]. 黃娜,何涇沙,孫靖超,朱娜斐.  北京工業(yè)大學(xué)學(xué)報(bào). 2019(08)
[2]基于深度長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的區(qū)域級(jí)超短期負(fù)荷預(yù)測(cè)方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術(shù). 2019(06)
[3]梯度下降法在機(jī)器學(xué)習(xí)中的應(yīng)用[J]. 孫婭楠,林文斌.  蘇州科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型改進(jìn)[J]. 唐寅.  時(shí)代金融. 2016(24)
[5]含高比例可再生能源電力系統(tǒng)靈活性規(guī)劃及挑戰(zhàn)[J]. 魯宗相,李海波,喬穎.  電力系統(tǒng)自動(dòng)化. 2016(13)
[6]基于時(shí)間序列ARIMA與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型[J]. 翟靜,曹俊.  統(tǒng)計(jì)與決策. 2016(04)
[7]應(yīng)用于高風(fēng)電滲透率電網(wǎng)的風(fēng)電調(diào)度實(shí)時(shí)控制方法與實(shí)現(xiàn)[J]. 王彬,孫勇,吳文傳,鄭太一,張伯明.  電力系統(tǒng)自動(dòng)化. 2015(21)
[8]基于卡爾曼濾波的風(fēng)速序列短期預(yù)測(cè)方法[J]. 修春波,任曉,李艷晴,劉明鳳.  電工技術(shù)學(xué)報(bào). 2014(02)
[9]時(shí)間序列ARIMA模型在艾滋病疫情預(yù)測(cè)中的應(yīng)用[J]. 羅靜,楊書,張強(qiáng),王璐.  重慶醫(yī)學(xué). 2012(13)
[10]世界風(fēng)電行業(yè)發(fā)展?fàn)顩r分析[J]. 付秋順.  黑龍江科技信息. 2012(07)

博士論文
[1]風(fēng)電場(chǎng)功率短期預(yù)測(cè)方法優(yōu)化的研究[D]. 楊志凌.華北電力大學(xué)（北京） 2011

碩士論文
[1]貝葉斯隨機(jī)梯度下降法[D]. Kenenisa Tadesse Dame.華東師范大學(xué) 2018
[2]基于ARIMA模型及回歸分析的區(qū)域用電量預(yù)測(cè)方法研究[D]. 夏麗.南京理工大學(xué) 2013



本文編號(hào)：3728183