基于SARIMA与SVR的短期电力负荷预测
发布时间：2022-01-06 00:51
电力负荷预测是电力系统调度中极为重要的一个环节,若能准确预测未来的电力负荷情况,可以为电力系统的规划以及相关部门的决策提供较大的帮助.实际生活中,电力负荷会受到天气、温度等因素的影响,使得电力负荷数据中既含有线性信息又含有较强的非线性信息.因此,使用单一的传统时间序列分析方法或智能预测方法已经无法较好地表现出电力负荷数据的综合趋势.为探索新的负荷预测方法,提出一种基于SARIMA与DPADE-SVR的组合预测模型.本文的主要研究内容如下:1)通过对实验数据分析得知,本文采用的电力负荷数据为非平稳周期性时间序列.经过一阶季节差分与一阶趋势差分将其转化为平稳序列,根据自相关检验结果对SARIMA模型进行定阶,通过评价指标及残差检验选择其中的SARIMA（4,1,4）（1,1,2）9 6作为电力负荷预测模型,实验结果表明该模型能够反映出电力负荷的变化趋势及周期性波动情况,其MAPE为5.55%.2)对电力负荷数据进行相空间重构,并将其作为SVR模型的输入与输出,对SVR模型进行训练,在训练过程中采用网格搜索法对其参数寻优,将SVR模型的预测结果与B...
【文章来源】：东华理工大学江西省
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本文研究内容
第2章 相关方法简介
2.1 时间序列模型
2.2 支持向量机简介
2.2.1 SVR的建模原理
2.2.2 核函数
2.3 差分进化算法
第3章 基于SARIMA的短期电力负荷预测
3.1 数据来源及模型评价指标
3.1.1 数据来源
3.1.2 评价指标
3.2 SARIMA建模步骤
3.3 模型确定
3.3.1 原始序列平稳性检验
3.3.2 差分后序列的平稳性检验
3.3.3 模型定阶
3.3.4 模型检验
3.4 仿真试验
第4章 基于SVR的短期电力负荷预测
4.1 数据来源及处理
4.2 模型参数选择
4.3 仿真实验
第5章 基于DPADE-SVR的短期电力负荷预测
5.1 DPADE算法
5.2 DPADE算法测试效果
5.3 DPADE-SVR模型建立
5.4 仿真实验
第6章 基于SARIMA与DPADE-SVR的组合预测模型
6.1 组合模型选择
6.2 仿真实验
6.3 模型效果对比
第7章 总结与展望
7.1 总结
7.2 展望
参考文献
附录 完成的论文和参与的科研项目
致谢
【参考文献】：
期刊论文
[1]一种新的改进差分进化算法[J]. 刘龙龙,颜七笙. 江西科学. 2017(04)
[2]改进种群多样性的双变异差分进化算法[J]. 李荣雨,陈庆倩,陈菲尔. 运筹学学报. 2017(01)
[3]最小二乘小波支持向量机在电力负荷预测中的应用[J]. 张政国,吴艾玲. 兰州交通大学学报. 2016(04)
[4]夏季短期电力负荷ARIMA-SVR组合预测模型[J]. 王喜平,王雅琪. 黑龙江电力. 2016(02)
[5]基于ARIMA模型的短期电力负荷预测[J]. 李晨熙. 吉林电力. 2015(06)
[6]基于ARIMAX模型的夏季短期电力负荷预测[J]. 崔和瑞,彭旭. 电力系统保护与控制. 2015(04)
[7]差分进化算法研究进展[J]. 汪慎文,丁立新,张文生,郭肇禄,谢承旺. 武汉大学学报(理学版). 2014(04)
[8]Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents[J]. 牛东晓,王永利,马小勇. Journal of Central South University of Technology. 2010(02)
硕士论文
[1]基于改进型Elman神经网络的电力负荷预测[D]. 夏杨.西安理工大学 2017
[2]基于ARIMA与SVM组合模型的国内旅游市场预测研究[D]. 刘胜.东华理工大学 2017
[3]组合算法在相山铀矿资源岩石含矿类型识别中的应用[D]. 李佳丽.东华理工大学 2017
[4]基于极限学习机的内蒙古短期电力负荷预测系统[D]. 阿木古楞.华北电力大学 2017
[5]基于小波—灰色模型的电力负荷预测研究[D]. 韩文婧.山东大学 2017
[6]基于组合模型的最大电力负荷预测[D]. 刘玉东.兰州大学 2017
[7]基于BP神经网络的电力负荷中长期预测[D]. 朱晓露.华北电力大学(北京) 2017
[8]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[9]基于灰色理论的电力负荷预测研究[D]. 王超.山东大学 2016
[10]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
本文编号：3571381
【文章来源】：东华理工大学江西省
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本文研究内容
第2章 相关方法简介
2.1 时间序列模型
2.2 支持向量机简介
2.2.1 SVR的建模原理
2.2.2 核函数
2.3 差分进化算法
第3章 基于SARIMA的短期电力负荷预测
3.1 数据来源及模型评价指标
3.1.1 数据来源
3.1.2 评价指标
3.2 SARIMA建模步骤
3.3 模型确定
3.3.1 原始序列平稳性检验
3.3.2 差分后序列的平稳性检验
3.3.3 模型定阶
3.3.4 模型检验
3.4 仿真试验
第4章 基于SVR的短期电力负荷预测
4.1 数据来源及处理
4.2 模型参数选择
4.3 仿真实验
第5章 基于DPADE-SVR的短期电力负荷预测
5.1 DPADE算法
5.2 DPADE算法测试效果
5.3 DPADE-SVR模型建立
5.4 仿真实验
第6章 基于SARIMA与DPADE-SVR的组合预测模型
6.1 组合模型选择
6.2 仿真实验
6.3 模型效果对比
第7章 总结与展望
7.1 总结
7.2 展望
参考文献
附录 完成的论文和参与的科研项目
致谢
【参考文献】：
期刊论文
[1]一种新的改进差分进化算法[J]. 刘龙龙,颜七笙. 江西科学. 2017(04)
[2]改进种群多样性的双变异差分进化算法[J]. 李荣雨,陈庆倩,陈菲尔. 运筹学学报. 2017(01)
[3]最小二乘小波支持向量机在电力负荷预测中的应用[J]. 张政国,吴艾玲. 兰州交通大学学报. 2016(04)
[4]夏季短期电力负荷ARIMA-SVR组合预测模型[J]. 王喜平,王雅琪. 黑龙江电力. 2016(02)
[5]基于ARIMA模型的短期电力负荷预测[J]. 李晨熙. 吉林电力. 2015(06)
[6]基于ARIMAX模型的夏季短期电力负荷预测[J]. 崔和瑞,彭旭. 电力系统保护与控制. 2015(04)
[7]差分进化算法研究进展[J]. 汪慎文,丁立新,张文生,郭肇禄,谢承旺. 武汉大学学报(理学版). 2014(04)
[8]Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents[J]. 牛东晓,王永利,马小勇. Journal of Central South University of Technology. 2010(02)
硕士论文
[1]基于改进型Elman神经网络的电力负荷预测[D]. 夏杨.西安理工大学 2017
[2]基于ARIMA与SVM组合模型的国内旅游市场预测研究[D]. 刘胜.东华理工大学 2017
[3]组合算法在相山铀矿资源岩石含矿类型识别中的应用[D]. 李佳丽.东华理工大学 2017
[4]基于极限学习机的内蒙古短期电力负荷预测系统[D]. 阿木古楞.华北电力大学 2017
[5]基于小波—灰色模型的电力负荷预测研究[D]. 韩文婧.山东大学 2017
[6]基于组合模型的最大电力负荷预测[D]. 刘玉东.兰州大学 2017
[7]基于BP神经网络的电力负荷中长期预测[D]. 朱晓露.华北电力大学(北京) 2017
[8]基于人工神经网络的短期电力负荷预测研究[D]. 程宇也.浙江大学 2017
[9]基于灰色理论的电力负荷预测研究[D]. 王超.山东大学 2016
[10]基于神经网络的电力负荷预测研究与实现[D]. 石德琳.山东大学 2016
本文编号：3571381
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3571381.html
