北方冬季供暖耗能巨大,采取集中供暖方式代替分散供熱可以有效提高供熱效率,減少資源浪費(fèi)。但與此同時(shí),不合理的供暖計(jì)劃往往無(wú)法滿足用戶的需求或者由于供熱過(guò)多造成熱能耗散。針對(duì)這種情況,本文建立預(yù)測(cè)模型來(lái)確定供熱負(fù)荷。精確的負(fù)荷預(yù)測(cè)對(duì)集中供熱達(dá)到供需平衡有很好的促進(jìn)作用。本文采用MATLAB軟件分別建立小波神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)熱負(fù)荷預(yù)測(cè)模型,并將吉林市某熱電廠歷史數(shù)據(jù)及歷史天氣數(shù)據(jù)作為模型的輸入?yún)?shù),比較不同熱負(fù)荷預(yù)測(cè)模型的預(yù)測(cè)精度、預(yù)測(cè)速度與泛化能力等指標(biāo)。經(jīng)過(guò)影響因素的初步篩選及相關(guān)性分析,最終將室外溫度、風(fēng)速、太陽(yáng)輻射、前一時(shí)刻熱負(fù)荷及前兩時(shí)刻熱負(fù)荷作為預(yù)測(cè)模型的輸入?yún)?shù)。針對(duì)傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)隨機(jī)初始參數(shù)引起的網(wǎng)絡(luò)收斂緩慢甚至不收斂的問題,本文采用全局搜索能力強(qiáng)、收斂速度快的遺傳算法對(duì)供熱負(fù)荷預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)及初始參數(shù)進(jìn)行優(yōu)化。結(jié)果表明,將優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)用于集中供熱負(fù)荷預(yù)測(cè),其預(yù)測(cè)結(jié)果的準(zhǔn)確性與穩(wěn)定性顯著提高。為了克服以RBF為核函數(shù)的支持向量機(jī)模型全局搜索能力較差的問題,又能夠利用具有較強(qiáng)的局部搜索能力,隨后分別使用全局搜索能力強(qiáng)的網(wǎng)格搜索算法、粒子群算法和遺傳算法來(lái)優(yōu)化模型。... 

【文章來(lái)源】：東北電力大學(xué)吉林省

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及意義
    1.2 國(guó)內(nèi)外研究進(jìn)展
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
    1.3 存在的主要問題
    1.4 本文主要研究?jī)?nèi)容
第2章 熱負(fù)荷預(yù)測(cè)相關(guān)數(shù)據(jù)采集及預(yù)處理
    2.1 影響因素分析
    2.2 相關(guān)性分析
    2.3 數(shù)據(jù)采集及預(yù)處理
        2.3.1 輸入?yún)?shù)選擇
        2.3.2 輸入數(shù)據(jù)處理
    2.4 評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
第3章 基于小波神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測(cè)方法研究
    3.1 小波神經(jīng)網(wǎng)絡(luò)相關(guān)理論
        3.1.1 BP神經(jīng)網(wǎng)絡(luò)
        3.1.2 小波分析
        3.1.3 小波神經(jīng)網(wǎng)絡(luò)
    3.2 小波神經(jīng)網(wǎng)絡(luò)建模要素
        3.2.1 隱含層節(jié)點(diǎn)
        3.2.2 權(quán)值與閾值
    3.3 遺傳優(yōu)化算法
        3.3.1 遺傳算法基本原理
        3.3.2 遺傳算法參數(shù)確定
    3.4 優(yōu)化前后小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建
        3.4.1 小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的構(gòu)建
        3.4.2 遺傳算法優(yōu)化的預(yù)測(cè)模型的構(gòu)建
    3.5 本章小結(jié)
第4章 基于支持向量機(jī)的供熱負(fù)荷預(yù)測(cè)方法研究
    4.1 支持向量機(jī)的方法及原理
    4.2 支持向量機(jī)建模要素
        4.2.1 核函數(shù)
        4.2.2 其他相關(guān)參數(shù)
    4.3 參數(shù)優(yōu)化算法
        4.3.1. 網(wǎng)格搜索法
        4.3.2 粒子群優(yōu)化算法
    4.4 不同優(yōu)化算法預(yù)測(cè)模型的構(gòu)建
        4.4.1 網(wǎng)格搜索算法下的支持向量機(jī)預(yù)測(cè)模型的構(gòu)建
        4.4.2 粒子群優(yōu)化算法下的支持向量機(jī)預(yù)測(cè)模型的構(gòu)建
        4.4.3 遺傳優(yōu)化算法下的支持向量機(jī)預(yù)測(cè)模型的構(gòu)建
    4.5 不同數(shù)據(jù)類型下的支持向量機(jī)供熱負(fù)荷預(yù)測(cè)研究
    4.6 基于小波神經(jīng)網(wǎng)絡(luò)與基于支持向量機(jī)預(yù)測(cè)模型對(duì)比分析
    4.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測(cè)模型[J]. 李思琦,蔣志堅(jiān).  區(qū)域供熱. 2018(04)
[2]BP世界能源展望（2018年版）發(fā)布[J]. 李春梅.  中國(guó)能源. 2018(04)
[3]數(shù)據(jù)挖掘在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 高二凱,朱趁紅,韓丹.  科技風(fēng). 2017(07)
[4]氣象因素與供熱負(fù)荷的關(guān)系研究[J]. 蔡麒.  區(qū)域供熱. 2016(04)
[5]基于小波神經(jīng)網(wǎng)絡(luò)的熱負(fù)荷預(yù)測(cè)方法[J]. 張震,徐子怡,張龍,袁淑芳.  自動(dòng)化技術(shù)與應(yīng)用. 2016(05)
[6]基于模糊神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測(cè)[J]. 沈曉峰,張子平,呂冬杰.  門窗. 2016(05)
[7]基于模糊神經(jīng)網(wǎng)絡(luò)的供熱負(fù)荷預(yù)測(cè)[J]. 劉杰,郭瑋,崔杰,姜茗.  湖南科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(03)
[8]基于遺傳算法—模糊徑向基神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)模型[J]. 葉林,陳政,趙永寧,朱倩雯.  電力系統(tǒng)自動(dòng)化. 2015(16)
[9]基于小波神經(jīng)網(wǎng)絡(luò)和蟻群算法的供熱負(fù)荷預(yù)測(cè)[J]. 魏宇杰,楊潔明.  煤炭技術(shù). 2015(08)
[10]從BP世界能源統(tǒng)計(jì)年鑒看中國(guó)能源發(fā)展[J]. 趙敏,黃東風(fēng),佘孝云.  能源與環(huán)境. 2014(06)

碩士論文
[1]基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的長(zhǎng)春東卉供熱區(qū)域熱力負(fù)荷預(yù)測(cè)研究[D]. 全紅梅.吉林大學(xué) 2016
[2]改進(jìn)網(wǎng)格搜索的支持向量機(jī)參數(shù)優(yōu)化研究及應(yīng)用[D]. 顧凱成.蘭州理工大學(xué) 2016
[3]集中供熱系統(tǒng)控制策略研究[D]. 魏宇杰.太原理工大學(xué) 2015



本文編號(hào)：3161291