基于LSTM和ARIMA的风速时间序列预测研究
发布时间：2023-01-06 18:56
随着近年来传统能源煤炭、石油、天然气等化石燃料的过度开采,发展可再生能源形式已经成为了能源发展的必然趋势。风能作为环境友好型新能源,凭借其便于获取,成本低廉等优点,成为了所有新能源中最具潜力、发展最快、技术相对成熟的清洁可再生能源。但由于风是一种极不稳定的能源形势,是最难预测的气象要素之一,因此不断地提高风速预测的精度成为了一项意义重大的研究。传统的风速预测模型中有线性模型也有非线性模型,大部分的非线性模型在对于风速数据这种具有很强的非线性性时间序列数据的预测上要优于线性模型,但是单一的非线性模型也有其自身的局限,因此本文综合考虑了风速时间序列的非线性性和线性性,提出了一种新的混合建模预测方法:LSTM-ARIMA。利用长短时记忆神经网络LSTM强大的非线性拟合能力及快速学习的能力针对风速数据的非线性特征进行建模,然后对其误差序列使用ARIMA建模并进行预测,最终将两个模型的预测结果加和得到最终的风速预测结果。因为ARIMA模型是对数据进行线性拟合预测的,因此两者的和可以看作是用预测的误差对神经网络的非线性预测的风速值进行小幅度的线性的修正。
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
中文摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 风速预测研究现状
1.2.1 物理模型
1.2.2 统计模型
1.3 论文结构
第二章 预备知识
2.1 监督学习
2.1.1 目标函数
2.2 梯度下降法
2.2.1 梯度的推导
2.2.2 批梯度下降与随机梯度下降
2.3 神经网络
2.3.1 神经网络的训练
2.3.2 反向传播算法(BP)推导
2.4 循环神经网络(RNN)
2.4.1 网络的计算方法
2.4.2 网络的训练:BPTT
2.5 梯度爆炸和梯度消失问题
第三章 时间序列预测的混合算法:LSTM-ARIMA
3.1 长短时记忆神经网络:LSTM
3.1.1 网络的计算方法
3.1.2 网络的训练
3.2 ARIMA
3.2.1 模型介绍
3.2.2 建模步骤
3.3 LSTM-ARIMA
第四章 风速时间序列预测
4.1 数据来源
4.2 确定训练集和测试集
4.3 建立模型并预测
4.3.1 创建LSTM网络并预测
4.3.2 建立ARIMA模型并预测
4.3.3 预测结果
4.4 模型评价
第五章 附录
5.1 激活函数
5.2 按元素对应相乘
5.3 学习率的设置
5.4 AIC表
第六章 总结与展望
6.1 论文所做工作
6.2 未来展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于改进LSTM网络的犯罪态势预测方法[J]. 黄娜,何泾沙,孙靖超,朱娜斐. 北京工业大学学报. 2019(08)
[2]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱. 电网技术. 2019(06)
[3]梯度下降法在机器学习中的应用[J]. 孙娅楠,林文斌. 苏州科技大学学报(自然科学版). 2018(02)
[4]长短时记忆神经网络模型改进[J]. 唐寅. 时代金融. 2016(24)
[5]含高比例可再生能源电力系统灵活性规划及挑战[J]. 鲁宗相,李海波,乔颖. 电力系统自动化. 2016(13)
[6]基于时间序列ARIMA与BP神经网络的组合预测模型[J]. 翟静,曹俊. 统计与决策. 2016(04)
[7]应用于高风电渗透率电网的风电调度实时控制方法与实现[J]. 王彬,孙勇,吴文传,郑太一,张伯明. 电力系统自动化. 2015(21)
[8]基于卡尔曼滤波的风速序列短期预测方法[J]. 修春波,任晓,李艳晴,刘明凤. 电工技术学报. 2014(02)
[9]时间序列ARIMA模型在艾滋病疫情预测中的应用[J]. 罗静,杨书,张强,王璐. 重庆医学. 2012(13)
[10]世界风电行业发展状况分析[J]. 付秋顺. 黑龙江科技信息. 2012(07)
博士论文
[1]风电场功率短期预测方法优化的研究[D]. 杨志凌.华北电力大学（北京） 2011
硕士论文
[1]贝叶斯随机梯度下降法[D]. Kenenisa Tadesse Dame.华东师范大学 2018
[2]基于ARIMA模型及回归分析的区域用电量预测方法研究[D]. 夏丽.南京理工大学 2013
本文编号：3728183
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
中文摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 风速预测研究现状
1.2.1 物理模型
1.2.2 统计模型
1.3 论文结构
第二章 预备知识
2.1 监督学习
2.1.1 目标函数
2.2 梯度下降法
2.2.1 梯度的推导
2.2.2 批梯度下降与随机梯度下降
2.3 神经网络
2.3.1 神经网络的训练
2.3.2 反向传播算法(BP)推导
2.4 循环神经网络(RNN)
2.4.1 网络的计算方法
2.4.2 网络的训练:BPTT
2.5 梯度爆炸和梯度消失问题
第三章 时间序列预测的混合算法:LSTM-ARIMA
3.1 长短时记忆神经网络:LSTM
3.1.1 网络的计算方法
3.1.2 网络的训练
3.2 ARIMA
3.2.1 模型介绍
3.2.2 建模步骤
3.3 LSTM-ARIMA
第四章 风速时间序列预测
4.1 数据来源
4.2 确定训练集和测试集
4.3 建立模型并预测
4.3.1 创建LSTM网络并预测
4.3.2 建立ARIMA模型并预测
4.3.3 预测结果
4.4 模型评价
第五章 附录
5.1 激活函数
5.2 按元素对应相乘
5.3 学习率的设置
5.4 AIC表
第六章 总结与展望
6.1 论文所做工作
6.2 未来展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于改进LSTM网络的犯罪态势预测方法[J]. 黄娜,何泾沙,孙靖超,朱娜斐. 北京工业大学学报. 2019(08)
[2]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱. 电网技术. 2019(06)
[3]梯度下降法在机器学习中的应用[J]. 孙娅楠,林文斌. 苏州科技大学学报(自然科学版). 2018(02)
[4]长短时记忆神经网络模型改进[J]. 唐寅. 时代金融. 2016(24)
[5]含高比例可再生能源电力系统灵活性规划及挑战[J]. 鲁宗相,李海波,乔颖. 电力系统自动化. 2016(13)
[6]基于时间序列ARIMA与BP神经网络的组合预测模型[J]. 翟静,曹俊. 统计与决策. 2016(04)
[7]应用于高风电渗透率电网的风电调度实时控制方法与实现[J]. 王彬,孙勇,吴文传,郑太一,张伯明. 电力系统自动化. 2015(21)
[8]基于卡尔曼滤波的风速序列短期预测方法[J]. 修春波,任晓,李艳晴,刘明凤. 电工技术学报. 2014(02)
[9]时间序列ARIMA模型在艾滋病疫情预测中的应用[J]. 罗静,杨书,张强,王璐. 重庆医学. 2012(13)
[10]世界风电行业发展状况分析[J]. 付秋顺. 黑龙江科技信息. 2012(07)
博士论文
[1]风电场功率短期预测方法优化的研究[D]. 杨志凌.华北电力大学（北京） 2011
硕士论文
[1]贝叶斯随机梯度下降法[D]. Kenenisa Tadesse Dame.华东师范大学 2018
[2]基于ARIMA模型及回归分析的区域用电量预测方法研究[D]. 夏丽.南京理工大学 2013
本文编号：3728183
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3728183.html
