基于数据分解和ESN网络的短期电力负荷预测模型

发布时间：2017-10-16 23:02

  本文关键词：基于数据分解和ESN网络的短期电力负荷预测模型

  更多相关文章： 短期负荷预测 回声状态网络 EMD EEMD ILMD 相似日筛选

【摘要】：电力负荷预测精度的好坏直接关系着电力系统的稳定性,也和社会、人民生活的正常有序进行息息相关。尤其是短期电力负荷,关系着电力系统的日调度和生产计划工作。准确的短期负荷预测能够降低发电成本,节约资源,也是电力系统实现自动化管理不可或缺的。因此高精度的预测模型意义重大。本文对短期电力负荷的特性进行了分析后,提出了基于数据分解和回声状态网络(ESN)相结合的预测模型。根据电力负荷的特性,用合适的分解方法对负荷数据进行分解,挖掘出数据本身固有的内在规律特征。再针对不同的分解量分别建立ESN网络,用相应的样本训练对应的ESN网络,并用训练好的网络对分量分别预测,最后累加所有分量的预测值得到最后的负荷预测值。论文首先考虑了相似日对短期负荷的影响,用模糊方法进行相似日的选取,使得训练样本更加有针对性,对预测将更加有效。接着,将数据分解到不同时间尺度上,对每一个分解量分别进行分析和预测能更准确的挖掘电力负荷数据本身具有的特性和规律。最后用一种新型的递归神经网络——ESN网络对每一个分量进行预测,可以避免传统的神经网络训练学习过程复杂、容易陷入局部极值等问题。本文在进行数据分解时用了三种分解方法:经验模态分解(EMD),平均经验模态分解(EEMD),改进的局部均值分解(ILMD),对每一个分解的结果进行了分析对比。最后用三种分解方法分别和回声状态网络结合对电力负荷进行预测,对结果进行了对比和分析。由仿真结果可知:对负荷进行分解后再预测,其效果优于不分解直接进行预测;在三种分解方法与ESN网络相结合的预测模型中,ILMD与ESN网络相结合的预测模型,其预测精度和速度是最理想。
【关键词】：短期负荷预测 回声状态网络 EMD EEMD ILMD 相似日筛选
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM715
【目录】：

• 摘要4-5
• Abstract5-10
• 1 绪论10-19
• 1.1 背景和意义10-11
• 1.2 国内外研究现状11-17
• 1.2.1 传统的预测方法12-13
• 1.2.2 现代预测方法13-17
• 1.3 本文的主要工作内容17-19
• 2 电力负荷的特征19-23
• 2.1 电力负荷的分类19-20
• 2.1.1 工业用电19
• 2.1.2 商业用电19
• 2.1.3 农业用电19
• 2.1.4 居民生活用电19-20
• 2.2 电力负荷的周期特性20-22
• 2.2.1 电力负荷的日周期性20-21
• 2.2.2 电力负荷的周周期性21-22
• 2.2.3 电力负荷的年周期性22
• 2.3 电力负荷的混沌性22-23
• 3 相似日选择23-28
• 3.1 模糊聚类分析23-26
• 3.1.1 数据标准化24-25
• 3.1.2 构造模糊相似矩阵25
• 3.1.3 模糊传递闭包法分类25-26
• 3.2 选取相似日26
• 3.3 实例分析26-28
• 4 数据分解方法28-38
• 4.1 EMD28-32
• 4.1.1 EMD基本原理28
• 4.1.2 EMD分解过程28-30
• 4.1.3 EMD分解实验30-32
• 4.2 EEMD32-34
• 4.2.1 EEMD基本原理32
• 4.2.2 EEMD分解过程32-33
• 4.2.3 EEMD分解实验33-34
• 4.3 ILMD34-37
• 4.3.1 LMD基本原理34-35
• 4.3.2 ILMD分解过程35-36
• 4.3.3 ILMD分解实验36-37
• 4.4 三种分解实验比较37-38
• 5 回声状态网络（ESN）38-44
• 5.1 ESN概述38-39
• 5.2 ESN网络的主要优势39
• 5.3 ESN网络结构39-41
• 5.4 ESN网络的重要参数41-42
• 5.5 ESN网络的训练过程42-44
• 5.5.1 ESN网络的初始化42
• 5.5.2 状态储备池状态的更新42
• 5.5.3 计算得出输出权值矩阵42-44
• 6 基于数据分解与ESN网络的短期电力负荷预测44-54
• 6.1 总体预测模型44-46
• 6.1.1 预测模型结构44-45
• 6.1.2 预测模型训练45
• 6.1.3 模型预测过程45-46
• 6.2 EMD+ESN实验46-48
• 6.2.1 实验的过程46
• 6.2.2 实验结果46-47
• 6.2.3 结果分析47-48
• 6.3 EEMD+ESN实验48-50
• 6.3.1 实验过程48
• 6.3.2 实验结果48-50
• 6.3.3 结果分析50
• 6.4 ILMD+ESN实验50-52
• 6.4.1 实验过程50
• 6.4.2 实验结果50-52
• 6.5 三种模型方法比较52-54
• 7 结论与展望54-56
• 7.1 总结54-55
• 7.2 展望55-56
• 参考文献56-59
• 致谢59-60
• 个人简历、在学期间发表的学术论文与研究成果60

【参考文献】

中国期刊全文数据库 前10条

1 刘振宇;冯华;杨仁刚;;基于混沌时间序列及神经网络的大同电网负荷短期预测研究[J];中北大学学报(自然科学版);2014年06期

2 宋海军;黄传金;刘宏超;陈铁军;李景丽;罗勇;;基于改进LMD的电能质量扰动检测新方法[J];中国电机工程学报;2014年10期

3 林扬宇;易_";陈彬;包宇庆;;考虑气象因素和日期类型的短期负荷预测[J];计算机仿真;2014年03期

4 罗勇;郑金;宁美凤;;基于相似日搜索的PSO-WNN组合模型在短期电力负荷预测中的应用[J];信息与控制;2013年03期

5 周志宇;;基于EMD与GA-BP神经网络的短期负荷预测[J];电测与仪表;2013年04期

6 薛凯;周亚建;平源;郭燕慧;杨飞;;基于小波变换和ESN的P2P流量预测模型[J];计算机工程与设计;2013年04期

7 许岩岩;翟希;孔庆杰;刘允才;;高速路交通流短时预测方法[J];交通运输工程学报;2013年02期

8 王伟国;赵新民;;基于EMD-BP神经网络的我国棉花期货价格预测方法研究[J];石河子大学学报(哲学社会科学版);2013年01期

9 杨德昌;唐巍;屈瑞谦;C.Rehtanz;李勇;;基于改进局部均值分解的低频振荡参数提取[J];中国电机工程学报;2013年04期

10 张平;潘学萍;薛文超;;基于小波分解模糊灰色聚类和BP神经网络的短期负荷预测[J];电力自动化设备;2012年11期

中国博士学位论文全文数据库 前1条

1 李眉眉;电力负荷混沌特性分析及其预测研究[D];四川大学;2004年

中国硕士学位论文全文数据库 前10条

1 刘帅;基于粒子群优化的GM(1,1)幂模型电力负荷预测研究[D];华北电力大学;2014年

2 贾雪;基于EMD-ESN的智能预测方法研究[D];郑州大学;2013年

3 夏丽;基于ARIMA模型及回归分析的区域用电量预测方法研究[D];南京理工大学;2013年

4 刘荣;基于Elman神经网络的短期负荷预测[D];浙江大学;2013年

5 张乾;电力负荷混沌特性分析及混沌时间序列的预测[D];天津理工大学;2013年

6 徐鹏;基于模糊聚类与RBF神经网络的负荷预测方法研究[D];广西大学;2012年

7 陈标;短期电力负荷的小波神经网络预测[D];湖南大学;2012年

8 胡玲;基于模糊神经网络的短期电力负荷预测研究[D];南华大学;2011年

9 钟光科;偏最小二乘回归分析在短期负荷预测中的应用[D];河北工程大学;2011年

10 刘晶;基于相似日和支持向量机的短期负荷预测研究[D];华南理工大学;2010年

，

本文编号：1045376