作為能源領(lǐng)域的一項(xiàng)技術(shù)創(chuàng)新,綜合能源系統(tǒng)的發(fā)展影響著人類的社會(huì)生活。綜合能源系統(tǒng)的供能與用戶各類負(fù)荷需求之間的動(dòng)態(tài)平衡對(duì)于系統(tǒng)的供能質(zhì)量至關(guān)重要,而綜合能源系統(tǒng)多元負(fù)荷短期預(yù)測(cè)正是解決上述動(dòng)態(tài)性問題的主要措施,因此其成為了綜合能源系統(tǒng)方面的重要研究領(lǐng)域。為了提高多元負(fù)荷預(yù)測(cè)的精度,需要在預(yù)測(cè)之前對(duì)各負(fù)荷的特性進(jìn)行分析。文中,首先通過不同的負(fù)荷指標(biāo)分析了各類負(fù)荷的負(fù)荷特性,對(duì)負(fù)荷的變化規(guī)律進(jìn)行了研究。其次,采用經(jīng)Copula理論導(dǎo)出的Spearman系數(shù),對(duì)多元負(fù)荷之間以及多元負(fù)荷與氣象因素之間的非線性相關(guān)關(guān)系進(jìn)行了定量分析。為了改善模型的學(xué)習(xí)和泛化能力,基于多元負(fù)荷之間以及多元負(fù)荷與天氣因素之間存在的非線性耦合,文中選擇能夠處理非線性數(shù)據(jù)的核主成分分析法（KPCA）進(jìn)行對(duì)原始數(shù)據(jù)的降維解耦,并選擇廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）實(shí)現(xiàn)對(duì)于多元負(fù)荷的短期預(yù)測(cè)。通過算例分析,可知KPCA-GRNN模型相比于PCA-GRNN模型以及GRNN模型,能夠更加準(zhǔn)確地實(shí)現(xiàn)多元負(fù)荷的預(yù)測(cè)。在研究分析了GRNN模型之后,針對(duì)其存在的不足,構(gòu)造了一種改進(jìn)廣義回歸神經(jīng)網(wǎng)絡(luò)（IGRNN）模型,在GRNN的基礎(chǔ)上,對(duì)... 

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 綜合能源系統(tǒng)發(fā)展現(xiàn)狀
        1.2.2 負(fù)荷特性分析研究現(xiàn)狀
        1.2.3 短期負(fù)荷預(yù)測(cè)模型研究現(xiàn)狀
    1.3 論文主要內(nèi)容與結(jié)構(gòu)安排
第二章 綜合能源系統(tǒng)負(fù)荷特性及多元負(fù)荷相關(guān)性分析
    2.1 負(fù)荷特性分析
        2.1.1 日負(fù)荷特性分析
        2.1.2 月負(fù)荷特性分析
        2.1.3 年負(fù)荷特性分析
        2.1.4 周負(fù)荷特性分析
    2.2 基于Copula理論的多元負(fù)荷相關(guān)性分析
        2.2.1 Copula理論
        2.2.2 相關(guān)性度量指標(biāo)
        2.2.3 基于Copula理論的相關(guān)性分析
        2.2.4 多元負(fù)荷相關(guān)性分析
    2.3 小結(jié)
第三章 基于KPCA-GRNN的多元負(fù)荷短期預(yù)測(cè)模型
    3.1 主成分分析(PCA)
        3.1.1 PCA數(shù)學(xué)原理
        3.1.2 PCA計(jì)算步驟
    3.2 核主成分分析(KPCA)
        3.2.1 KPCA數(shù)學(xué)原理
        3.2.2 KPCA計(jì)算步驟
    3.3 KPCA-GRNN模型
        3.3.1 廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)數(shù)學(xué)原理
        3.3.2 KPCA-GRNN模型
    3.4 算例分析
    3.5 小結(jié)
第四章 基于KPCA-IBA-IGRNN的多元負(fù)荷短期預(yù)測(cè)模型
    4.1 IGRNN模型
        4.1.1 傳統(tǒng)GRNN模型缺陷
        4.1.2 GRNN改進(jìn)方法
        4.1.3 多帶寬設(shè)置
    4.2 蝙蝠算法
        4.2.1 蝙蝠的生物特性
        4.2.2 蝙蝠算法基本原理
        4.2.3 蝙蝠算法數(shù)學(xué)模型
        4.2.4 蝙蝠算法實(shí)現(xiàn)流程
    4.3 改進(jìn)蝙蝠算法
        4.3.1 蝙蝠算法缺陷
        4.3.2 慣性權(quán)重因子和學(xué)習(xí)因子
        4.3.3 方向約束機(jī)制
    4.4 算例分析
    4.5 小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)會(huì)約束的多能源樞紐電氣互聯(lián)綜合能源系統(tǒng)日前經(jīng)濟(jì)調(diào)度[J]. 周晟銳,劉繼春,張浩禹,文杰,張林,馮麒銘.  現(xiàn)代電力. 2020(02)
[2]長(zhǎng)江流域居住建筑不同供暖模式下的負(fù)荷特性分析[J]. 繆玉玲,丁勇,謝源源.  暖通空調(diào). 2020(01)
[3]基于GA-GRNN-GA的飛機(jī)發(fā)動(dòng)機(jī)風(fēng)扇葉片清洗參數(shù)優(yōu)化[J]. 董慧芬,代玉行,王滲.  計(jì)算機(jī)應(yīng)用與軟件. 2020(01)
[4]考慮區(qū)域綜合能源系統(tǒng)拓?fù)涮匦缘哪茉凑竞凸芫�規(guī)劃[J]. 徐成司,董樹鋒,吳金城,韓榮杰,壽挺,李建斌.  電力系統(tǒng)自動(dòng)化. 2020(03)
[5]基于SARIMA-GRNN-SVM的短期商業(yè)電力負(fù)荷組合預(yù)測(cè)方法[J]. 徐晶,遲福建,葛磊蛟,李娟,張梁,羨一鳴.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2020(02)
[6]考慮分布式風(fēng)電接入下的區(qū)域綜合能源系統(tǒng)多元儲(chǔ)能雙層優(yōu)化配置研究[J]. 賈云輝,張峰.  可再生能源. 2019(10)
[7]基于智能相似日識(shí)別及偏差校正的短期負(fù)荷預(yù)測(cè)方法[J]. 劉翊楓,周國(guó)鵬,劉昕,汪洋,鄭宇鵬,邵立政.  電力系統(tǒng)保護(hù)與控制. 2019(12)
[8]基于一種組合模型的短期電力負(fù)荷預(yù)測(cè)[J]. 王瑞,周晨曦,逯靜.  計(jì)算機(jī)仿真. 2018(12)
[9]基于時(shí)間序列嵌入的電力負(fù)荷預(yù)測(cè)方法[J]. 田英杰,蘇運(yùn),郭乃網(wǎng),姚博,龐悅,周向東.  計(jì)算機(jī)應(yīng)用與軟件. 2018(11)
[10]基于時(shí)間序列分析和卡爾曼濾波算法的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[J]. 石文清,吳開宇,王東旭,王迪.  自動(dòng)化技術(shù)與應(yīng)用. 2018(09)

博士論文
[1]并網(wǎng)型光伏電站發(fā)電功率預(yù)測(cè)方法與系統(tǒng)[D]. 王飛.華北電力大學(xué) 2013

碩士論文
[1]基于改進(jìn)脊波神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)研究[D]. 岳遠(yuǎn)波.青島大學(xué) 2019
[2]基于PCA-BA-GRNN模型的公共自行車需求預(yù)測(cè)[D]. 張山山.蘭州大學(xué) 2018
[3]基于回歸分析的短期負(fù)荷概率密度預(yù)測(cè)方法研究[D]. 蒙園.華北電力大學(xué)(北京) 2018
[4]電力負(fù)荷季節(jié)特性分析及需求響應(yīng)動(dòng)態(tài)電價(jià)策略研究[D]. 劉紅.華北電力大學(xué)(北京) 2018
[5]基于核主成分分析和徑向基神經(jīng)網(wǎng)絡(luò)的文本分類研究[D]. 楊俊.中國(guó)科學(xué)技術(shù)大學(xué) 2009
[6]電力負(fù)荷特性分析及中長(zhǎng)期負(fù)荷預(yù)測(cè)方法研究[D]. 原媛.上海交通大學(xué) 2008



本文編號(hào)：3706654