隨著經濟的快速發(fā)展,社會對能源的需求越來越大。傳統化石能源（包括:煤炭、石油、天然氣等）為人們生活提供便利的同時也造成了環(huán)境污染問題。為了協調兩者間的矛盾,新能源（包括:水能、風能、地熱能等）逐漸在能源體系中嶄露頭角,占據著不少市場份額,一定程度上削弱了化石能源的消耗速率。盡管如此,化石能源的消耗量仍然在不斷上漲。建立科學準確的能耗預測模型對國家具有極其重要的意義,因為預測有助于發(fā)展經濟、制定能源政策和合理分配能源資源等。能耗是復雜的非線性系統,使用單一方法很難得到滿意的預測效果。近年來,數據挖掘方法在不同領域被廣泛應用并取得了不少成功,這為能耗預測的深入研究提供了成熟的技術支撐。本文將季節(jié)調整方法和神經網絡模型相結合,對美國兩種類型的月度能耗（包括:化石能源和新能源）進行建模并預測。根據本文提出的預測技術,使用季節(jié)調整方法將月度能耗時序分成兩部分:季節(jié)性子序列和非季節(jié)性子序列。對于季節(jié)性子序列,使用狀態(tài)回聲網絡（ESN）進行擬合并預測;對于非季節(jié)性子序列,首先使用集成經驗模態(tài)分解（EEMD）方法將其分解為一系列的本征模態(tài)函數和殘差序列,然后應用蚱蜢優(yōu)化算法（GOA）提升的ESN進行擬... 

【文章來源】：蘭州大學甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：45 頁

【學位級別】：碩士

【部分圖文】：

ESN基本結構

蘭州大學碩士學位論文應用季節(jié)調整方法和回聲狀態(tài)網絡預測美國能源消耗量圖2.2GOA-ESN流程圖S2.5SAM-EEMD-GOA-ESN本文提出一種混合模型（SAM-EEMD-GOA-ESN），用來預測月度能源消耗量。該模型的主要特點在于將季節(jié)調整方法和分治思想結合，運用循環(huán)神經網絡去解決能源時序預測問題。相關模型參數設置如下：（a）EEMD：白噪聲和分解次數分別為0.01和50。（2）ESN：基本拓撲結構為12-10-1，網絡連接權重取值在-1到1之間，儲蓄池的連接率和譜半徑分別為0.05和0.8。（3）GOA：種群規(guī)模為20，迭代次數為100，個體取值上下界為-1和1。構建SAM-EEMD-GOA-ESN的具體步驟如下:(1)原序列分解使用SAM將原始序列分解為季節(jié)成分和非季節(jié)成分，再使用EEMD對非季節(jié)成分進行二次分解得到本征模函數和殘差項。(2)子序列預測使用ESN預測季節(jié)子序列，同時使用GOA-ESN預測其余子序列。(3)整合結果將三部分（季節(jié)成分、本征模函數、殘差項）的預測結果加總得到最終預測輸出。12

蘭州大學碩士學位論文應用季節(jié)調整方法和回聲狀態(tài)網絡預測美國能源消耗量混合模型SAM-EEMD-GOA-ESN的流程如下:圖2.3SAM-EEMD-GOA-ESN流程圖S2.6基準模型為了充分評價本文所提出的能源預測模型SAM-EEMD-GOA-ESN的性能，分別與單模型和混合模型進行比較，所有模型均在Matlab2016環(huán)境下執(zhí)行。S2.6.1單模型的比較為了驗證基礎模型ESN的優(yōu)勢，本文將四種模型BP、LSSVR、ELM、ESN應用到原始序列上進行比較[30–32]。此外，為了評估模型的計算成本，本文統計了程序運行時間。13

【參考文獻】：
期刊論文
[1]全球可再生能源消費現狀分析[J]. 崔榮國,陳其慎,郭娟,郭振華,肖宇評.  地質與勘探. 2018(06)
[2]中國化石燃料環(huán)境污染治理重點及措施[J]. 劉志遜,劉珍奇,黃文輝.  資源·產業(yè). 2005(05)



本文編號：3349662