基于小波神经网络与支持向量机的供热负荷预测方法研究
发布时间：2021-04-26 10:54
北方冬季供暖耗能巨大,采取集中供暖方式代替分散供热可以有效提高供热效率,减少资源浪费。但与此同时,不合理的供暖计划往往无法满足用户的需求或者由于供热过多造成热能耗散。针对这种情况,本文建立预测模型来确定供热负荷。精确的负荷预测对集中供热达到供需平衡有很好的促进作用。本文采用MATLAB软件分别建立小波神经网络与支持向量机热负荷预测模型,并将吉林市某热电厂历史数据及历史天气数据作为模型的输入参数,比较不同热负荷预测模型的预测精度、预测速度与泛化能力等指标。经过影响因素的初步筛选及相关性分析,最终将室外温度、风速、太阳辐射、前一时刻热负荷及前两时刻热负荷作为预测模型的输入参数。针对传统小波神经网络随机初始参数引起的网络收敛缓慢甚至不收敛的问题,本文采用全局搜索能力强、收敛速度快的遗传算法对供热负荷预测模型网络结构及初始参数进行优化。结果表明,将优化后的小波神经网络用于集中供热负荷预测,其预测结果的准确性与稳定性显著提高。为了克服以RBF为核函数的支持向量机模型全局搜索能力较差的问题,又能够利用具有较强的局部搜索能力,随后分别使用全局搜索能力强的网格搜索算法、粒子群算法和遗传算法来优化模型。...
【文章来源】：东北电力大学吉林省
【文章页数】：52 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及意义
1.2 国内外研究进展
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3 存在的主要问题
1.4 本文主要研究内容
第2章 热负荷预测相关数据采集及预处理
2.1 影响因素分析
2.2 相关性分析
2.3 数据采集及预处理
2.3.1 输入参数选择
2.3.2 输入数据处理
2.4 评价指标
2.5 本章小结
第3章 基于小波神经网络的供热负荷预测方法研究
3.1 小波神经网络相关理论
3.1.1 BP神经网络
3.1.2 小波分析
3.1.3 小波神经网络
3.2 小波神经网络建模要素
3.2.1 隐含层节点
3.2.2 权值与阈值
3.3 遗传优化算法
3.3.1 遗传算法基本原理
3.3.2 遗传算法参数确定
3.4 优化前后小波神经网络预测模型构建
3.4.1 小波神经网络预测模型的构建
3.4.2 遗传算法优化的预测模型的构建
3.5 本章小结
第4章 基于支持向量机的供热负荷预测方法研究
4.1 支持向量机的方法及原理
4.2 支持向量机建模要素
4.2.1 核函数
4.2.2 其他相关参数
4.3 参数优化算法
4.3.1. 网格搜索法
4.3.2 粒子群优化算法
4.4 不同优化算法预测模型的构建
4.4.1 网格搜索算法下的支持向量机预测模型的构建
4.4.2 粒子群优化算法下的支持向量机预测模型的构建
4.4.3 遗传优化算法下的支持向量机预测模型的构建
4.5 不同数据类型下的支持向量机供热负荷预测研究
4.6 基于小波神经网络与基于支持向量机预测模型对比分析
4.7 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢
【参考文献】：
期刊论文
[1]基于神经网络的供热负荷预测模型[J]. 李思琦,蒋志坚. 区域供热. 2018(04)
[2]BP世界能源展望（2018年版）发布[J]. 李春梅. 中国能源. 2018(04)
[3]数据挖掘在电力负荷预测中的应用[J]. 高二凯,朱趁红,韩丹. 科技风. 2017(07)
[4]气象因素与供热负荷的关系研究[J]. 蔡麒. 区域供热. 2016(04)
[5]基于小波神经网络的热负荷预测方法[J]. 张震,徐子怡,张龙,袁淑芳. 自动化技术与应用. 2016(05)
[6]基于模糊神经网络的供热负荷预测[J]. 沈晓峰,张子平,吕冬杰. 门窗. 2016(05)
[7]基于模糊神经网络的供热负荷预测[J]. 刘杰,郭玮,崔杰,姜茗. 湖南科技大学学报(自然科学版). 2015(03)
[8]基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J]. 叶林,陈政,赵永宁,朱倩雯. 电力系统自动化. 2015(16)
[9]基于小波神经网络和蚁群算法的供热负荷预测[J]. 魏宇杰,杨洁明. 煤炭技术. 2015(08)
[10]从BP世界能源统计年鉴看中国能源发展[J]. 赵敏,黄东风,佘孝云. 能源与环境. 2014(06)
硕士论文
[1]基于粒子群优化BP神经网络的长春东卉供热区域热力负荷预测研究[D]. 全红梅.吉林大学 2016
[2]改进网格搜索的支持向量机参数优化研究及应用[D]. 顾凯成.兰州理工大学 2016
[3]集中供热系统控制策略研究[D]. 魏宇杰.太原理工大学 2015
本文编号：3161291
【文章来源】：东北电力大学吉林省
【文章页数】：52 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及意义
1.2 国内外研究进展
1.2.1 国内研究现状
1.2.2 国外研究现状
1.3 存在的主要问题
1.4 本文主要研究内容
第2章 热负荷预测相关数据采集及预处理
2.1 影响因素分析
2.2 相关性分析
2.3 数据采集及预处理
2.3.1 输入参数选择
2.3.2 输入数据处理
2.4 评价指标
2.5 本章小结
第3章 基于小波神经网络的供热负荷预测方法研究
3.1 小波神经网络相关理论
3.1.1 BP神经网络
3.1.2 小波分析
3.1.3 小波神经网络
3.2 小波神经网络建模要素
3.2.1 隐含层节点
3.2.2 权值与阈值
3.3 遗传优化算法
3.3.1 遗传算法基本原理
3.3.2 遗传算法参数确定
3.4 优化前后小波神经网络预测模型构建
3.4.1 小波神经网络预测模型的构建
3.4.2 遗传算法优化的预测模型的构建
3.5 本章小结
第4章 基于支持向量机的供热负荷预测方法研究
4.1 支持向量机的方法及原理
4.2 支持向量机建模要素
4.2.1 核函数
4.2.2 其他相关参数
4.3 参数优化算法
4.3.1. 网格搜索法
4.3.2 粒子群优化算法
4.4 不同优化算法预测模型的构建
4.4.1 网格搜索算法下的支持向量机预测模型的构建
4.4.2 粒子群优化算法下的支持向量机预测模型的构建
4.4.3 遗传优化算法下的支持向量机预测模型的构建
4.5 不同数据类型下的支持向量机供热负荷预测研究
4.6 基于小波神经网络与基于支持向量机预测模型对比分析
4.7 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢
【参考文献】：
期刊论文
[1]基于神经网络的供热负荷预测模型[J]. 李思琦,蒋志坚. 区域供热. 2018(04)
[2]BP世界能源展望（2018年版）发布[J]. 李春梅. 中国能源. 2018(04)
[3]数据挖掘在电力负荷预测中的应用[J]. 高二凯,朱趁红,韩丹. 科技风. 2017(07)
[4]气象因素与供热负荷的关系研究[J]. 蔡麒. 区域供热. 2016(04)
[5]基于小波神经网络的热负荷预测方法[J]. 张震,徐子怡,张龙,袁淑芳. 自动化技术与应用. 2016(05)
[6]基于模糊神经网络的供热负荷预测[J]. 沈晓峰,张子平,吕冬杰. 门窗. 2016(05)
[7]基于模糊神经网络的供热负荷预测[J]. 刘杰,郭玮,崔杰,姜茗. 湖南科技大学学报(自然科学版). 2015(03)
[8]基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J]. 叶林,陈政,赵永宁,朱倩雯. 电力系统自动化. 2015(16)
[9]基于小波神经网络和蚁群算法的供热负荷预测[J]. 魏宇杰,杨洁明. 煤炭技术. 2015(08)
[10]从BP世界能源统计年鉴看中国能源发展[J]. 赵敏,黄东风,佘孝云. 能源与环境. 2014(06)
硕士论文
[1]基于粒子群优化BP神经网络的长春东卉供热区域热力负荷预测研究[D]. 全红梅.吉林大学 2016
[2]改进网格搜索的支持向量机参数优化研究及应用[D]. 顾凯成.兰州理工大学 2016
[3]集中供热系统控制策略研究[D]. 魏宇杰.太原理工大学 2015
本文编号：3161291
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3161291.html
