应用季节调整方法和回声状态网络预测美国能源消耗量

发布时间：2021-08-18 09:48

　　随着经济的快速发展,社会对能源的需求越来越大。传统化石能源（包括:煤炭、石油、天然气等）为人们生活提供便利的同时也造成了环境污染问题。为了协调两者间的矛盾,新能源（包括:水能、风能、地热能等）逐渐在能源体系中崭露头角,占据着不少市场份额,一定程度上削弱了化石能源的消耗速率。尽管如此,化石能源的消耗量仍然在不断上涨。建立科学准确的能耗预测模型对国家具有极其重要的意义,因为预测有助于发展经济、制定能源政策和合理分配能源资源等。能耗是复杂的非线性系统,使用单一方法很难得到满意的预测效果。近年来,数据挖掘方法在不同领域被广泛应用并取得了不少成功,这为能耗预测的深入研究提供了成熟的技术支撑。本文将季节调整方法和神经网络模型相结合,对美国两种类型的月度能耗（包括:化石能源和新能源）进行建模并预测。根据本文提出的预测技术,使用季节调整方法将月度能耗时序分成两部分:季节性子序列和非季节性子序列。对于季节性子序列,使用状态回声网络（ESN）进行拟合并预测;对于非季节性子序列,首先使用集成经验模态分解（EEMD）方法将其分解为一系列的本征模态函数和残差序列,然后应用蚱蜢优化算法（GOA）提升的ESN进行拟... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：45 页

【学位级别】：硕士

【部分图文】：

ESN基本结构

兰州大学硕士学位论文应用季节调整方法和回声状态网络预测美国能源消耗量图2.2GOA-ESN流程图S2.5SAM-EEMD-GOA-ESN本文提出一种混合模型（SAM-EEMD-GOA-ESN），用来预测月度能源消耗量。该模型的主要特点在于将季节调整方法和分治思想结合，运用循环神经网络去解决能源时序预测问题。相关模型参数设置如下：（a）EEMD：白噪声和分解次数分别为0.01和50。（2）ESN：基本拓扑结构为12-10-1，网络连接权重取值在-1到1之间，储蓄池的连接率和谱半径分别为0.05和0.8。（3）GOA：种群规模为20，迭代次数为100，个体取值上下界为-1和1。构建SAM-EEMD-GOA-ESN的具体步骤如下:(1)原序列分解使用SAM将原始序列分解为季节成分和非季节成分，再使用EEMD对非季节成分进行二次分解得到本征模函数和残差项。(2)子序列预测使用ESN预测季节子序列，同时使用GOA-ESN预测其余子序列。(3)整合结果将三部分（季节成分、本征模函数、残差项）的预测结果加总得到最终预测输出。12

兰州大学硕士学位论文应用季节调整方法和回声状态网络预测美国能源消耗量混合模型SAM-EEMD-GOA-ESN的流程如下:图2.3SAM-EEMD-GOA-ESN流程图S2.6基准模型为了充分评价本文所提出的能源预测模型SAM-EEMD-GOA-ESN的性能，分别与单模型和混合模型进行比较，所有模型均在Matlab2016环境下执行。S2.6.1单模型的比较为了验证基础模型ESN的优势，本文将四种模型BP、LSSVR、ELM、ESN应用到原始序列上进行比较[30–32]。此外，为了评估模型的计算成本，本文统计了程序运行时间。13

【参考文献】：
期刊论文
[1]全球可再生能源消费现状分析[J]. 崔荣国,陈其慎,郭娟,郭振华,肖宇评.  地质与勘探. 2018(06)
[2]中国化石燃料环境污染治理重点及措施[J]. 刘志逊,刘珍奇,黄文辉.  资源·产业. 2005(05)



本文编号：3349662