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。風能作為環(huán)境友好型新能源,憑借其便于獲取,成本低廉等優(yōu)點,成為了所有新能源中最具潛力、發(fā)展最快、技術相對成熟的清潔可再生能源。但由于風是一種極不穩(wěn)定的能源形勢,是最難預測的氣象要素之一,因此不斷地提高風速預測的精度成為了一項意義重大的研究。傳統(tǒng)的風速預測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于風速數(shù)據(jù)這種具有很強的非線性性時間序列數(shù)據(jù)的預測上要優(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速時間序列的非線性性和線性性,提出了一種新的混合建模預測方法:LSTM-ARIMA。利用長短時記憶神經(jīng)網(wǎng)絡LSTM強大的非線性擬合能力及快速學習的能力針對風速數(shù)據(jù)的非線性特征進行建模,然后對其誤差序列使用ARIMA建模并進行預測,最終將兩個模型的預測結果加和得到最終的風速預測結果。因為ARIMA模型是對數(shù)據(jù)進行線性擬合預測的,因此兩者的和可以看作是用預測的誤差對神經(jīng)網(wǎng)絡的非線性預測的風速值進行小幅度的線性的修正。 

【文章頁數(shù)】：70 頁

【學位級別】：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 風速預測研究現(xiàn)狀
        1.2.1 物理模型
        1.2.2 統(tǒng)計模型
    1.3 論文結構
第二章 預備知識
    2.1 監(jiān)督學習
        2.1.1 目標函數(shù)
    2.2 梯度下降法
        2.2.1 梯度的推導
        2.2.2 批梯度下降與隨機梯度下降
    2.3 神經(jīng)網(wǎng)絡
        2.3.1 神經(jīng)網(wǎng)絡的訓練
        2.3.2 反向傳播算法(BP)推導
    2.4 循環(huán)神經(jīng)網(wǎng)絡(RNN)
        2.4.1 網(wǎng)絡的計算方法
        2.4.2 網(wǎng)絡的訓練:BPTT
    2.5 梯度爆炸和梯度消失問題
第三章 時間序列預測的混合算法:LSTM-ARIMA
    3.1 長短時記憶神經(jīng)網(wǎng)絡:LSTM
        3.1.1 網(wǎng)絡的計算方法
        3.1.2 網(wǎng)絡的訓練
    3.2 ARIMA
        3.2.1 模型介紹
        3.2.2 建模步驟
    3.3 LSTM-ARIMA
第四章 風速時間序列預測
    4.1 數(shù)據(jù)來源
    4.2 確定訓練集和測試集
    4.3 建立模型并預測
        4.3.1 創(chuàng)建LSTM網(wǎng)絡并預測
        4.3.2 建立ARIMA模型并預測
        4.3.3 預測結果
    4.4 模型評價
第五章 附錄
    5.1 激活函數(shù)
    5.2 按元素對應相乘
    5.3 學習率的設置
    5.4 AIC表
第六章 總結與展望
    6.1 論文所做工作
    6.2 未來展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于改進LSTM網(wǎng)絡的犯罪態(tài)勢預測方法[J]. 黃娜,何涇沙,孫靖超,朱娜斐.  北京工業(yè)大學學報. 2019(08)
[2]基于深度長短時記憶網(wǎng)絡的區(qū)域級超短期負荷預測方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術. 2019(06)
[3]梯度下降法在機器學習中的應用[J]. 孫婭楠,林文斌.  蘇州科技大學學報(自然科學版). 2018(02)
[4]長短時記憶神經(jīng)網(wǎng)絡模型改進[J]. 唐寅.  時代金融. 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)自動化. 2016(13)
[6]基于時間序列ARIMA與BP神經(jīng)網(wǎng)絡的組合預測模型[J]. 翟靜,曹俊.  統(tǒng)計與決策. 2016(04)
[7]應用于高風電滲透率電網(wǎng)的風電調(diào)度實時控制方法與實現(xiàn)[J]. 王彬,孫勇,吳文傳,鄭太一,張伯明.  電力系統(tǒng)自動化. 2015(21)
[8]基于卡爾曼濾波的風速序列短期預測方法[J]. 修春波,任曉,李艷晴,劉明鳳.  電工技術學報. 2014(02)
[9]時間序列ARIMA模型在艾滋病疫情預測中的應用[J]. 羅靜,楊書,張強,王璐.  重慶醫(yī)學. 2012(13)
[10]世界風電行業(yè)發(fā)展狀況分析[J]. 付秋順.  黑龍江科技信息. 2012(07)

博士論文
[1]風電場功率短期預測方法優(yōu)化的研究[D]. 楊志凌.華北電力大學（北京） 2011

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



本文編號：3728183