基于VMD和改进LSTM的短期电力负荷预测研究

发布时间：2021-01-16 17:48

　　电力工业是国家的重要的基础行业之一,电力负荷预测的精度也直接关系到电网的供需平衡、运营成本。传统单一的预测方法在面对非平稳、非线性波动剧烈的负荷序列时拟合效果较差,本文结合深度学习和信号分解的多种方法,结合实际数据对短期电力负荷预测的组合方法进行了研究。本文的主要工作内容包括:（1）本文详细介绍了负荷预测的概念、特点和基本过程,重点分析讨论了电力负荷预测的时间、气候等影响因素。（2）长短期记忆神经网络（Long Short-Term Memory,LSTM）对复杂数据的拟合和复杂数据时间相关性分析的优势。本文详细对比分析了不同神经网络模型的拟合效果和预测精度。由于LSTM神经网络存在着参数无法确定的问题,引入自适应调整的惯性权重和学习因子的粒子群算法（Adaptive Particle Swarm Optimization,APSO）,对LSTM神经网络模型中的隐藏层神经元节点数、迭代次数和学习率进行网络参数寻优,利用三种测试函数验证了APSO算法在寻优精度和速度上的优越性。（3）本文将负荷序列当作随机波动信号,结合信号处理的方法引入变分模态分解（Variational Mode De... 

【文章来源】：湖北工业大学湖北省

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 经典预测方法
        1.2.2 现代预测方法
        1.2.3 信号分解技术
    1.3 论文研究内容及章节安排
第2章 电力负荷预测的基本理论
    2.1 电力负荷预测概述
    2.2 电力负荷预测的特点
    2.3 电力负荷预测的影响因素
    2.4 电力负荷预测误差
        2.4.1 误差产生的原因
        2.4.2 误差的评价指标
    2.5 电力负荷预测基本过程
    2.6 本章小结
第3章 基于改进LSTM的短期电力负荷预测模型
    3.1 神经网络的基本原理
        3.1.1 循环神经网络
        3.1.2 LSTM神经网络
        3.1.3 实例分析
        3.1.4 LSTM的优势与局限性
    3.2 改进的LSTM优化算法
        3.2.1 自适应惯性权重粒子群算法
        3.2.2 APSO算法的性能测试仿真
        3.2.3 APSO-LSTM电力负荷预测模型
    3.3 本章小结
第4章 基于加权VMD-APSO-LSTM的负荷预测模型
    4.1 变分模态分解的基本原理
    4.2 变分模态分解的优势
        4.2.1 模态混叠
        4.2.2 端点效应
    4.3 基于加权VMD-APSO-LSTM的负荷预测模型
        4.3.1 加权VMD的原理
        4.3.2 基于加权VMD-APSO-LSTM的负荷预测模型
    4.4 本章小结
第5章 仿真与实验分析
    5.1 数据选择和仿真环境
    5.2 VMD算法重要参数的选取
        5.2.1 分解尺度K的选取
        5.2.2 惩罚因子?的选取
    5.3 基于加权VMD方法的仿真分析
        5.3.1 VMD分解原始负荷序列
        5.3.2 VMD分解子序列权重求解
    5.4 基于加权VMD-APSO-LSTM的负荷预测模型仿真分析
        5.4.1 VMD各子模态分量的预测结果对比
        5.4.2 实验预测结果对比
        5.4.3 加权重构和VMD分解结果对比分析
    5.5 本章小结
第6章 总结与展望
    6.1 全文总结
    6.2 展望
参考文献
致谢
附录



本文编号：2981264