检索结果-内蒙古大学图书馆

作者：唐凌兰州理工大学

学位级别：硕士

电力负荷预测在电力系统中扮演着至关重要的角色。构建一个优秀的电力负荷预测模型不仅对社会经济和居民的正常生活具有重要的现实意义,而且能为电力系统的各项决策提供重要保障,在智能电网的建设中具有占有重要地位。由于天气变化,节... 详细信息

电力负荷预测在电力系统中扮演着至关重要的角色。构建一个优秀的电力负荷预测模型不仅对社会经济和居民的正常生活具有重要的现实意义,而且能为电力系统的各项决策提供重要保障,在智能电网的建设中具有占有重要地位。由于天气变化,节假日以及大型活动的举办等多种影响因素使得负荷曲线呈现高度的周期性和非平稳性。这使得传统的深度学习模型无法较好的捕捉各种特征影响因素下的负荷变化,并且在应对负荷数据本身的非平稳性导致的预测误差无法有效解决。同时,传统的深度学习模型会因为结构的原因出现训练预测效率过低的情况。针对以上问题提出一种基于集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD),图卷积神经网络(Graph Convolutional Network,GCN)和Transformer模型融合的短期电力负荷预测方法,并基于圣地亚哥市和中国某省两地的电力负荷数据集验证该方法的有效性和泛化性。 (1)针对现有的负荷预测方法无法很好的提取各类影响因素从而导致的负荷预测精度不高以及传统模型训练时间过长等问题。提出一种基于GCNTransformer的短期负荷预测模型,首先提出一种图学习层方法对各类特征影响数据进行关联关系捕捉,然后将图学习层得到的邻接矩阵输入GCN进行特征提取,放大强相关特征并减弱无关特征的影响,得到融合特征矩阵。将提取特征信息后的融合特征矩阵和电力负荷数据并行输入改进的Transformer模型进行训练预测。Transformer模型的多头注意力机制可以并行计算,这一特点可以有效提高负荷预测的效率。通过该模型实现了对巴拿马圣地亚哥市和中国某省的用电负荷数据的训练与预测,实验结果验证了GCN-Transformer模型在多种特征影响下进行负荷预测的高准确性以及较好的训练效率。 (2)针对传统负荷预测方法忽略了电力负荷数据的本身的非线性和非平稳的特性导致的负荷预测误差,提出基于EEMD-GCN-Transformer短期负荷预测模型。在第三章提出的GCN-Transformer模型的基础上,增加EEMD算法对负荷数据进行分解然后通过皮尔逊相关系数法选择强相关性特征分量,从而降低负荷数据的非线性和不稳定性带来的预测误差,通过该模型对第三章相同的数据集进行负荷预测,实验结果表明,加入EEMD对负荷数据进行分解后可以有效提高GCN-Transformer模型的预测精准度。

关键词：电力负荷预测图卷积网络 Transformer 集合经验模态分解算法

来源：评论

学校读者我要写书评

暂无评论

基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究

引用

可再生能源 2021年第7期39卷 899-907页

作者：吴小涛袁晓辉袁艳斌易凡茹朱婧巍吴育联黄冈师范学院数学与统计学院湖北黄冈438000 华中科技大学土木与水利工程学院湖北武汉430074 武汉理工大学资源与环境工程学院湖北武汉430070

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个... 详细信息

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个频率不同的分量;然后,利用变分模态分解(VMD)算法进一步分解频率最高的分量,得到K个相对稳定的分量,其中,K由各分量与利用VMD算法分解得到的残差的相关系数确定;接着,建立基于高斯核和多项式核的混合核最小二乘支持向量机(LSSVM)预测模型,对所有分量进行预测,并利用蝗虫优化算法优化混合核函数的参数;最后,将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明,与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比,基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高,能有效反映太阳辐照度的变化规律。

关键词：集合经验模态分解算法变分模态分解算法混合核最小二乘支持向量机蝗虫优化算法

来源：评论

学校读者我要写书评

暂无评论

基于EEMD-WOA-LSTM的电力负荷能耗预测系统的设计与实现

基于EEMD-WOA-LSTM的电力负荷能耗预测系统的设计与实现

引用

作者：江旭东天津理工大学

学位级别：硕士

电力对于国家的工业发展而言至关重要,预测电力的使用情况可以更好的帮助电网和企业了解工厂的运行情况,因此提高电力负荷预测的精度迫在眉睫,同时也影响到电网和企业的供需平衡。仅依靠人工进行电力负荷数据的预测将面临着效率低、工... 详细信息

电力对于国家的工业发展而言至关重要,预测电力的使用情况可以更好的帮助电网和企业了解工厂的运行情况,因此提高电力负荷预测的精度迫在眉睫,同时也影响到电网和企业的供需平衡。仅依靠人工进行电力负荷数据的预测将面临着效率低、工作量大、误差大及经济性差等缺点,所以,在当今用电量巨大的背景下,引入智能算法来改进传统算法,使得获得高精度的电力负荷预测结果显得尤为重要。其中,为了提高电力负荷的预测精度、工作效率,算法的选择和优化起到了巨大的作用。本文针对电力负荷预测算法展开研究,主要研究并优化了长短期记忆神经网络,解决了参数确定问题以及电力负荷数据的非线性平稳问题,对于非线性平稳的电力负荷数据,也可以达到准确预测的效果。本文主要研究内容如下:(1)首先本文介绍了传统算法,对比分析了循环神经网络(Recurrent Neural Network,RNN)和长短期记忆神经网络(Long-Short Term Memory,LSTM)两种算法的优缺点。由于LSTM具有较强的自适应学习能力以及良好的记忆功能,对长周期数据有长期记忆的学习优势,预测结果更为准确。因此采用了LSTM神经网络作为本文的预测算法。为了解决LSTM神经网络参数难以确定的问题,引入了鲸鱼算法(Whale Optimization Algorithm,WOA)进行参数寻优,将原本根据经验,人为设定参数的过程改为鲸鱼算法自动迭代搜索最优参数的过程。使用工厂真实数据作为原始数据进行验证,得到经过鲸鱼算法优化参数后的模型WOA-LSTM相比于传统LSTM模型,平均绝对误差(Mean Absolute Error,MAE)下降了35.9%,均方根误差(Root Mean Square Error,RMSE)下降了38.7%,平均绝对百分误差(Mean Absolute Percent Error,MAPE)下降了35.9%。结果证明经鲸鱼算法优化后的模型比未优化的模型有着更高的预测精度。(2)然后针对电力负荷数据的非线性平稳问题,提出采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法与WOA-LSTM相结合的模型EEMD-WOA-LSTM。首先将历史数据通过EEMD算法进行分解,得到若干特征分量IMF;将各个特征分量IMF通过神经网络训练,获得各分量的预测结果,然后进行线性叠加,即可得到最终结果。通过EEMD-WOA-LSTM算法与WOA-LSTM算法对比得出:MAE下降了30.6%,RMSE下降了35.1%,MAPE下降了29.6%,结果证明EEMD-WOA-LSTM模型在改善预测精度方面效果明显。(3)最后,本文设计实现了一套包含了数据采集、显示、预测的完整智能能耗管理系统。从该系统在工厂实际生产的长期运行结果来看,相比于传统的神经网络算法,本文提出的EEMD-WOA-LSTM模型具有更高的泛化能力,且预测精度提升比较明显,对电力负荷预测水平的提高具有积极意义。

关键词：电力负荷预测长短期记忆神经网络鲸鱼算法集合经验模态分解算法

来源：评论

学校读者我要写书评

暂无评论

基于MLR和LSTM神经网络的短期负荷预测方法

引用

黑龙江电力 2021年第4期43卷 297-301页

作者：武国良祖光鑫杨志军秦立志国网黑龙江省电力有限公司电力科学研究院哈尔滨150030 国网黑龙江省电力有限公司黑河供电公司黑龙江黑河164300 国网黑龙江省电力有限公司哈尔滨供电公司哈尔滨150070

由于短期负荷非静止和强随机特征,难以准确预测负荷行为。为此,提出了改进的短期负荷预测方法。应用集合经验模态分解算法,依据频率从低到高将负荷分组;通过MLR预测平滑、周期的低频部分,保持高效的计算能力,而对具有强随机性的高频部分... 详细信息

由于短期负荷非静止和强随机特征,难以准确预测负荷行为。为此,提出了改进的短期负荷预测方法。应用集合经验模态分解算法,依据频率从低到高将负荷分组;通过MLR预测平滑、周期的低频部分,保持高效的计算能力,而对具有强随机性的高频部分,则通过LSTM进行预测,即采用结合MLR和LSTM这两种方法获得实际预测负荷。最后,通过实验计算来自中国西部的测试数据,验证该方法的有效性。

关键词：集合经验模态分解算法 LSTM神经网络多元线性回归短期负荷预测

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：