基于分解集成模型优化的能源预测研究
发布时间：2021-10-28 19:19
能源作为人类一切生产活动的动力基础,对于国家政治、经济以及战略的发展有着重要意义。并且,能源经济相关变量波动,如能源产量或者价格的涨跌,在很大程度上影响着国家政策和企业决策的制定。所以,实现能源经济相关变量的精准预测一直科学家们所研究的热点话题。本文基于对分解集成框架的改进优化进行研究,实现对能源经济变量,如生物能源产量和国际原油价格预测精度方面的提升,为国家和相关企业的能源发展提供决策支撑,具体包括以下三方面工作:（1）基于分解-重构-集成深度学习的生物能源产量预测模型本文针对生物能源产量序列的复杂性等特点,提出一种基于分解-重构-集成的深度学习预测模型。该模型涉及四个步骤:首先,为降低直接建模困难程度,对生物能源月度产量数据进行EMD分解;其次,对分解后的分量根据其频率特性进行分量重构,形成高频、低频、趋势项三个序列,以减少计算时间复杂度;再次,根据高频、低频、趋势项序列的特点,高频分量波动较为复杂,所以长短期记忆神经网络（LSTM）被用于对高频项进行预测,而低频和趋势项序列波动相对规律,极致学习机（ELM）模型被用于进行预测分析;最后,通过简单加和的方法对重构后各分量的预测结果进...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
图１－１论文章节框架图??．
?Ｉ?士?１??ｊ?｜?分解序＾重构?｜?ｊ?ｊ丨分解序列比例觸?｜?ｊ?ｊ?１?麵舰?｜?ｊ??ｉ?ｉ?ｊ?ｉ?＾?ｉ?ｉ?ｊ?ｉ?…士?ｉ??高频、低频、趋势项ＪＳ测；?；成分约杗下的分量预测，；?分量测??！?！?！?：?＋?！?！?１?！??Ｉ?￣ｆＳ测结果加去集成?Ｉ?Ｉ?｜?误差最小４权重集成￣?Ｉ?Ｉ?漏赔果集成?１??????Ｖ???深“习?Ｉ?Ｉ?比例约朿?Ｉ?Ｉ偏差－方差－复杂性均衡框架??１???能源序列预测精度、效率的改进优化??图１－２技术路线图??１．４创新之处??５??
?第三章基于分解－重构－集成的生物能源产量预测???３．３实证分析??３．３．１数据描述??在这一章节将以美国生物燃料的月度生产数据为实验数据，代入模型进行检验计??算，本文所有样本数据收集，包括生物燃料产量数据以及原油价格数据，均来自美国??能源信息管理局（ＥＩＡ）?（ｈｔｔｐ：／／ｗｗｗ．ｅｉａ．ｄｏｅ．ｇｏｖ／）。从图可以看出，美国生物燃料月??度生产数据涵盖了从１９８１年１月至２０１８年５月，共有４４９个观察数据。为保证实验??可靠性，本文所有数据实验数据设计均基于２８原则，将前８０％的样本数据作为训练??集进行模型训练，后２０％数据作为测试集用于训练后模型的性能评估［４５］。并以一个月、??二个月、三个月和六个月为提前预测期，进行多步超前预测，以检验所提出的混合集??成预测模型的优越性。??Ｂｉｏｆｕｅｌｓ?Ｐｒｏｄｕｃｔｉｏｎ：Ｔｒｉｌｌｋ＞ｎ?Ｂｔｕ??：?，??Ｉ?—???／??〇??：????■二—??????；?＞?ｙｅａｒ??ｌｌｉｌｌｌｌｌｌｌＳｉｌｉｌｌｌｌｌｌｌｌｌｉｉｌｉｉｌｉｉｉｌｌｌｌｌｌ??图３－４美国生物燃料月度产量数据??３．３．２原始系列分解与重构??ＥＭＤ分解方法被用于对生物燃料产量序列进行分级，它的分解结果取决于原有数??据固有的特征，这些分解分量承载这不同因素信息。通过ＥＭＤ分解生物燃料月度生产??的原始序列数据，分解结果如图３－５所示。由此可见，生物燃料月度生产的原始时间序??列数据共分解为７个ＩＭＦ和１个残差项。??１９??
本文编号：3463228
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
图１－１论文章节框架图??．
?Ｉ?士?１??ｊ?｜?分解序＾重构?｜?ｊ?ｊ丨分解序列比例觸?｜?ｊ?ｊ?１?麵舰?｜?ｊ??ｉ?ｉ?ｊ?ｉ?＾?ｉ?ｉ?ｊ?ｉ?…士?ｉ??高频、低频、趋势项ＪＳ测；?；成分约杗下的分量预测，；?分量测??！?！?！?：?＋?！?！?１?！??Ｉ?￣ｆＳ测结果加去集成?Ｉ?Ｉ?｜?误差最小４权重集成￣?Ｉ?Ｉ?漏赔果集成?１??????Ｖ???深“习?Ｉ?Ｉ?比例约朿?Ｉ?Ｉ偏差－方差－复杂性均衡框架??１???能源序列预测精度、效率的改进优化??图１－２技术路线图??１．４创新之处??５??
?第三章基于分解－重构－集成的生物能源产量预测???３．３实证分析??３．３．１数据描述??在这一章节将以美国生物燃料的月度生产数据为实验数据，代入模型进行检验计??算，本文所有样本数据收集，包括生物燃料产量数据以及原油价格数据，均来自美国??能源信息管理局（ＥＩＡ）?（ｈｔｔｐ：／／ｗｗｗ．ｅｉａ．ｄｏｅ．ｇｏｖ／）。从图可以看出，美国生物燃料月??度生产数据涵盖了从１９８１年１月至２０１８年５月，共有４４９个观察数据。为保证实验??可靠性，本文所有数据实验数据设计均基于２８原则，将前８０％的样本数据作为训练??集进行模型训练，后２０％数据作为测试集用于训练后模型的性能评估［４５］。并以一个月、??二个月、三个月和六个月为提前预测期，进行多步超前预测，以检验所提出的混合集??成预测模型的优越性。??Ｂｉｏｆｕｅｌｓ?Ｐｒｏｄｕｃｔｉｏｎ：Ｔｒｉｌｌｋ＞ｎ?Ｂｔｕ??：?，??Ｉ?—???／??〇??：????■二—??????；?＞?ｙｅａｒ??ｌｌｉｌｌｌｌｌｌｌＳｉｌｉｌｌｌｌｌｌｌｌｌｉｉｌｉｉｌｉｉｉｌｌｌｌｌｌ??图３－４美国生物燃料月度产量数据??３．３．２原始系列分解与重构??ＥＭＤ分解方法被用于对生物燃料产量序列进行分级，它的分解结果取决于原有数??据固有的特征，这些分解分量承载这不同因素信息。通过ＥＭＤ分解生物燃料月度生产??的原始序列数据，分解结果如图３－５所示。由此可见，生物燃料月度生产的原始时间序??列数据共分解为７个ＩＭＦ和１个残差项。??１９??
本文编号：3463228
本文链接：https://www.wllwen.com/kejilunwen/dongligc/3463228.html
