基于SARIMAX+EMD+GRU的燃气日负荷预测
发布时间：2022-07-12 16:36
建设节约型能源社会已成为社会发展的一大要求,燃气作为城市发展和居民使用的重要能源之一起着至关重要的作用,如何在一定程度上发挥燃气最大价值是一个值得研究的课题。如果人们在生活中对燃气的使用不规范,就会出现燃气供量不足或者是燃气过剩、资源浪费等问题,这些问题都会影响城市居民或企业的使用。因此,针对具体的城市燃气用量构建一套有效的预测模型是非常有必要的。之前有大量学者针对城市燃气用量的预测问题已提出多种模型,有传统预测模型,也有近几年来流行的神经网络模型。传统模型虽具有较高的稳定性但很难处理大规模数据;而神经网络模型在擅长处理大规模数据时且有不错的预测效果时,模型波动比较大。因此,为了保证模型既有较高的稳定性又有足够的精确性,本文提出了一种将传统模型和神经网络结合起来的一种新的组合预测模型,SARIMAX+EMD+GRU模型。在已有具体城市燃气使用量数据基础上,具体分析数据所包含的外在特征和内在特征,选取了多种可能影响预测结果的特征。除此之外为了评价分析提出的新模型的预测效果,文章还建立了小波+SARIMAX模型,卷积神经网络模型和长短期记忆神经网络多种预测模型。通过对比分析各个模型预测的结...
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题来源
1.2 课题背景及研究的目的和意义
1.3 国内外在该方向的研究现状
1.4 主要研究内容
第2章 分析数据信息并提取特征
2.1 分析数据信息
2.2 提取模型特征
2.3 本章小结
第3章 预备知识
3.1 小波分析
3.1.1 傅里叶变换
3.1.2 小波变换
3.1.3 常见的几种小波基函数
3.2 经验模态分解
3.2.1 EMD方法中的前提假设
3.2.2 EMD分解过程
3.2.3 EMD分解性质
3.3 ARIMA模型
3.3.1 AR(p)模型
3.3.2 MA(q)模型
3.3.3 ARIMA(p,d,q)模型
3.3.4 建模过程
3.4 SARIMAX模型
3.4.1 SARIMAX模型表达式
3.4.2 SARIMAX模型建模过程
3.5 CNN
3.5.1 CNN的结构
3.5.2 CNN的训练方法
3.6 RNN
3.6.1 RNN网络结构
3.6.2 RNN前向传播过程
3.6.3 梯度消失和梯度爆炸问题
3.7 LSTM和 GRU
3.7.1 LSTM概述
3.7.2 LSTM网络结构
3.7.3 GRU
3.8 本章小结
第4章 基于SARIMAX+EMD+GRU的燃气日负荷预测
4.1 建模思想与建模框架
4.2 模型的初步预测-SARIMAX模型
4.2.1 模型识别
4.2.2 模型定阶
4.2.3 模型训练
4.2.4 模型评价及实验结果分析
4.3 模型第二阶段预测-EMD+GRU模型
4.3.1 预测步骤
4.3.2 EMD分解结果
4.3.3 建立GRU模型
4.4 模型整个预测结果分析
4.5 其他预测模型
4.5.1 小波+SARIMAX模型
4.5.2 CNN
4.5.3 LSTM
4.6 模型预测结果对比分析
4.7 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]基于ARIMA和马氏链模型的中国财政收入预测[J]. 侯甜甜,杨丛,詹炳欢. 平顶山学院学报. 2020(02)
[2]基于指数平滑法的G市主要货物流通量预测[J]. 单海霞,余秋豪,高波. 物流科技. 2020(01)
[3]基于改进LMD与GRU网络的短期燃气负荷预测[J]. 张彤,徐晓钟,王晓霞,杨超. 计算机系统应用. 2019(06)
[4]基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测[J]. 陈川,陈冬林,何李凯. 安全与环境工程. 2019(01)
[5]城市天然气短期日需求量预测新模型[J]. 舒漫,刘夏兰,徐婷,谢雯娟,何斌. 天然气工业. 2018(06)
[6]基于Akima-LMD和GRNN的短期负荷预测[J]. 邹红波,伏春林,喻圣. 电工电能新技术. 2018(01)
[7]基于多项式拟合的铁水含硅量动态预测模型[J]. 熊琦. 中国高新区. 2018(02)
[8]基于神经网络的短期电力负荷预测仿真研究[J]. 陈亚,李萍. 电气技术. 2017(01)
[9]基于Elman神经网络的短期天然气负荷预测建模与仿真[J]. 宋超,宋娟,任军. 工业控制计算机. 2016(04)
[10]基于改进的LMD和GRNN组合风速预测[J]. 雷庆坤,李生虎,陈曦鸣,王艳艳,华玉婷. 合肥工业大学学报(自然科学版). 2015(07)
硕士论文
[1]基于最小二乘支持向量机的磁滞建模[D]. 康传会.浙江师范大学 2010
[2]基于EMD的时频分析方法研究[D]. 戴桂平.燕山大学 2006
本文编号：3659472
【文章页数】：61 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题来源
1.2 课题背景及研究的目的和意义
1.3 国内外在该方向的研究现状
1.4 主要研究内容
第2章 分析数据信息并提取特征
2.1 分析数据信息
2.2 提取模型特征
2.3 本章小结
第3章 预备知识
3.1 小波分析
3.1.1 傅里叶变换
3.1.2 小波变换
3.1.3 常见的几种小波基函数
3.2 经验模态分解
3.2.1 EMD方法中的前提假设
3.2.2 EMD分解过程
3.2.3 EMD分解性质
3.3 ARIMA模型
3.3.1 AR(p)模型
3.3.2 MA(q)模型
3.3.3 ARIMA(p,d,q)模型
3.3.4 建模过程
3.4 SARIMAX模型
3.4.1 SARIMAX模型表达式
3.4.2 SARIMAX模型建模过程
3.5 CNN
3.5.1 CNN的结构
3.5.2 CNN的训练方法
3.6 RNN
3.6.1 RNN网络结构
3.6.2 RNN前向传播过程
3.6.3 梯度消失和梯度爆炸问题
3.7 LSTM和 GRU
3.7.1 LSTM概述
3.7.2 LSTM网络结构
3.7.3 GRU
3.8 本章小结
第4章 基于SARIMAX+EMD+GRU的燃气日负荷预测
4.1 建模思想与建模框架
4.2 模型的初步预测-SARIMAX模型
4.2.1 模型识别
4.2.2 模型定阶
4.2.3 模型训练
4.2.4 模型评价及实验结果分析
4.3 模型第二阶段预测-EMD+GRU模型
4.3.1 预测步骤
4.3.2 EMD分解结果
4.3.3 建立GRU模型
4.4 模型整个预测结果分析
4.5 其他预测模型
4.5.1 小波+SARIMAX模型
4.5.2 CNN
4.5.3 LSTM
4.6 模型预测结果对比分析
4.7 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]基于ARIMA和马氏链模型的中国财政收入预测[J]. 侯甜甜,杨丛,詹炳欢. 平顶山学院学报. 2020(02)
[2]基于指数平滑法的G市主要货物流通量预测[J]. 单海霞,余秋豪,高波. 物流科技. 2020(01)
[3]基于改进LMD与GRU网络的短期燃气负荷预测[J]. 张彤,徐晓钟,王晓霞,杨超. 计算机系统应用. 2019(06)
[4]基于BPNN-EMD-LSTM组合模型的城市短期燃气负荷预测[J]. 陈川,陈冬林,何李凯. 安全与环境工程. 2019(01)
[5]城市天然气短期日需求量预测新模型[J]. 舒漫,刘夏兰,徐婷,谢雯娟,何斌. 天然气工业. 2018(06)
[6]基于Akima-LMD和GRNN的短期负荷预测[J]. 邹红波,伏春林,喻圣. 电工电能新技术. 2018(01)
[7]基于多项式拟合的铁水含硅量动态预测模型[J]. 熊琦. 中国高新区. 2018(02)
[8]基于神经网络的短期电力负荷预测仿真研究[J]. 陈亚,李萍. 电气技术. 2017(01)
[9]基于Elman神经网络的短期天然气负荷预测建模与仿真[J]. 宋超,宋娟,任军. 工业控制计算机. 2016(04)
[10]基于改进的LMD和GRNN组合风速预测[J]. 雷庆坤,李生虎,陈曦鸣,王艳艳,华玉婷. 合肥工业大学学报(自然科学版). 2015(07)
硕士论文
[1]基于最小二乘支持向量机的磁滞建模[D]. 康传会.浙江师范大学 2010
[2]基于EMD的时频分析方法研究[D]. 戴桂平.燕山大学 2006
本文编号：3659472
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/3659472.html
