基于EMD分解和集成深度信念神经网络的短期燃气负荷预测

发布时间：2020-08-11 17:24

【摘要】：随着智能燃气管网建设工作的飞速发展,负荷预测工作越来越重要。短期负荷预测是城市燃气系统的一项基础工作,其数据对项目规划、运行调度、管网维修以及工程技术分析都具有根本意义,因此寻求有效的短期负荷预测方法以提高预测精度是非常重要的。本文首先深入分析了经验模态分解(Empirical Mode Decomposition,EMD)方法在正常采样率条件下分解结果中可能存在虚假模态分量,而通过傅立叶插值法、sinc函数插值法等增加采样点可以减少虚假分量的产生,但并不能从根本上解决多余模态的问题,因此提出一种改进的模态分量消除算法,即利用经验模态分解的完备性、能量原理和虚假模态分量性质,在每得到一个本征模分量时,对这个分量进行检验是否满足以上三个性质,从而除去虚假模态分量及消除本征模态分量中的误差。接着阐述了一种添加了自适应学习率的深度信念神经网络(Deep belief Neural Network,DBN),用以减少深度信念神经网络模型训练时的迭代次数,从而加快模型的训练速度。一方面,燃气负荷值受多种外界因素影响,选择DBN可以通过逐层提取这些因素之间的内在隐含联系,达到模型预测目的。另一方面,传统的DBN在预训练和调优过程中注重调节w,b的值,忽视学习率α对预测结果的影响,本文在DBN的基础上对学习率做自适应研究,以提高模型训练速度,并且在一定程度上提高预测精度。最后详细介绍了基于EMD分解的集成深度信念神经网络预测模型的建立,以及仿真实验分析的过程。由于燃气负荷数据在日常监测过程中有部分数据缺失和仪器读数误差,因此在预测前需要对原始数据预处理,解决负荷数据序列存在异常数据的问题,同时将负荷数据归一化处理、影响因素数值化处理,构成预测模型的输入矩阵。针对燃气负荷序列非线性非平稳的特性,采用优化的EMD将负荷数据序列分解成多个本征模向量,再分别进行DBN建模和预测,得到各个分量的预测结果,最后使用线性神经网络将各分量的结果拟合得出最终预测结果。结果表明,集成方法确实能够避免单一模型过拟合的问题,提高预测精度。
【学位授予单位】：上海师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;TU996.62
【图文】：

对比图,主流,框架,对比图

2 章相关理论和工作上海师范大学硕士学位论表 2-1 主流深度学习框架在各个维度的评分模型设计接口部署性能架构设计总体评ensorflow 80 80 90 90 100 88affe 60 60 90 80 70 72NTK 50 55 70 100 60 66heano 80 70 40 50 50 58orch 90 70 60 70 90 76XNet 70 100 80 80 90 84

函数曲线图,特征相,取值范围,表达式

图 2-2 sigmoid 函数曲线图函数数的取值范围为[-1,1],多用于特征相差明显的情况下。数的表达式如式（2-4），曲线如图 2-3:f(x) = tanh(x) =exexexex

函数曲线图,特征相,取值范围,表达式

图 2-2 sigmoid 函数曲线图函数数的取值范围为[-1,1],多用于特征相差明显的情况下。数的表达式如式（2-4），曲线如图 2-3:f(x) = tanh(x) =exexexex

【相似文献】