学位论文 > 优秀研究生学位论文题录展示

城市燃气负荷预测的研究

作　者: 苗艳姝
导　师: 段常贵
学　校: 哈尔滨工业大学
专　业: 供热、供燃气、通风及空调工程
关键词: 燃气负荷预测离群数据挖掘小波神经网络支持向量机相似日
分类号: TU996.3
类　型: 博士论文
年　份: 2006年
下　载: 789次
引　用: 6次
阅　读: 论文下载

内容摘要

“西气东输”工程实现全面商业运营,标志着我国燃气管网格局开始发生巨大的变化,由各城市单一的网络体系逐步转变为全国联网的大规模网络系统,最终实现天然气资源多元化、供应网络化和市场规模化。显然,这一变化将使燃气供应系统的储气、调峰和调度管理等都会发生质的改变。因此掌握燃气负荷的特性和变化规律,对其进行准确、合理的预测,从而使城市燃气供气系统实现高效运行、优化调度和科学管理,是目前急需解决的十分有意义的课题。针对目前燃气负荷研究状况,本文采用数据挖掘、小波分析、神经网络、支持向量机和组合预测理论等多种先进的智能化方法对城市燃气负荷预测体系进行深入研究,主要内容如下:负荷预测需要从大量的历史负荷和相关因素中提取负荷变化的规律性,可见历史负荷数据的准确和翔实,对各种负荷预测模型的好坏来说是非常重要的一环。而当系统出现故障、人为记录的缺失等都会对负荷的规律性进行破坏。本文基于离群数据挖掘理论,采用κ-最近邻法对燃气历史负荷序列中反常态势的数据进行查找和定位,并采用基于特征曲线的方法对其进行修正。城市燃气小时负荷波动频繁,且具有周期性。针对这一特点,本文提出采用多分辨小波网络模型对其进行预测。多分辨小波网络的隐层激励函数采用正交小波基函数和尺度函数,因此可以利用多分辨分析把大规模计算分解在多个层次上实现,分层递阶的求取网络参数。实例证明,多分辨小波网络的预测精度高,误差变化均匀,具有良好的应用效果。支持向量机是机器学习领域中新兴的分类预测方法,有着比传统的基于经验风险最小化原则的人工神经网络更为优越的性能。因此,本文将这一理论引入到燃气日负荷预测中来,并将小波理论与支持向量机相结合,采用小波核支持向量机的预测模型,对城市燃气日负荷进行预测,实例证明了该方法的可行性和有效性。节假日的负荷预测一直是燃气负荷预测的难点所在,随着我国长假制度的实施,在五一、十一和春节等法定节假日的燃气负荷与正常工作日相比大不相同,负荷曲线出现长时间、大幅度的变形,致使对正常日预测效果良好的模型也会产生较大的误差。因此,本文试图从预测模型原始输入数据的角度出发,提出燃气负荷相似日的概念。这样,通过查找与被预测日相似的历

全文目录

摘要  3-5
Abstract  5-7
物理量名称及符号表  7-17
第1章绪论  17-40
  1.1 课题背景  17-18
  1.2 燃气负荷预测研究的意义  18-19
  1.3 城市燃气负荷的特点分析  19-24
    1.3.1 城市燃气负荷的组成  19-20
    1.3.2 各类用户的用气规律分析  20-23
    1.3.3 城市燃气负荷变化的相关影响因素  23-24
  1.4 城市燃气负荷预测研究方法及现状  24-38
    1.4.1 预测问题概述  24-25
    1.4.2 燃气负荷预测的分类  25
    1.4.3 负荷预测方法综述  25-37
    1.4.4 相关领域负荷预测研究进展  37
    1.4.5 燃气负荷预测中存在的问题  37-38
  1.5 本课题主要研究的内容  38-40
第2章燃气负荷时序数列的离群数据挖掘  40-52
  2.1 离群数据挖掘  40-44
    2.1.1 数据挖掘的基本概念  40-41
    2.1.2 离群数据挖掘的概念  41-42
    2.1.3 离群数据挖掘的一般方法  42-44
  2.2 基于κ 最近邻的燃气负荷时序数列离群数据挖掘  44-47
    2.2.1 燃气系统中离群数据的产生及影响  44-45
    2.2.2 κ 最近邻方法描述  45
    2.2.3 离群数据的再挖掘  45-46
    2.2.4 基于特征曲线的离群数据修正  46-47
  2.3 实例分析  47-51
    2.3.1 燃气日负荷时序数列的离群数据挖掘  48
    2.3.2 日负荷离群数据再挖掘  48-49
    2.3.3 日负荷离群数据的修正  49-51
  2.4 本章小结  51-52
第3章基于多分辨小波网络的小时负荷预测  52-77
  3.1 城市燃气小时负荷特性  52-53
  3.2 小波网络的理论基础  53-59
    3.2.1 小波和小波变换理论  53-57
    3.2.2 神经网络理论  57-59
    3.2.3 小波与神经网络的结合  59
  3.3 小波网络理论  59-62
    3.3.1 几种不同形式的小波网络构建方法及算法分析  60-61
    3.3.2 小波网络与常规前馈神经网络的比较  61-62
  3.4 多分辨小波网络  62-68
    3.4.1 多分辨小波网络结构  63-64
    3.4.2 多分辨小波网络的分层、递阶学习算法  64-66
    3.4.3 多分辨小波网络权重的确定  66-68
  3.5 应用多分辨小波网络进行燃气小时负荷预测  68-76
    3.5.1 小波网络构建  68-69
    3.5.2 输入变量  69-72
    3.5.3 小波函数和尺度函数  72-73
    3.5.4 隐层节点数的确定  73
    3.5.5 预测结果及分析  73-76
  3.6 本章小结  76-77
第4章基于小波核支持向量机的日负荷预测  77-96
  4.1 日负荷特性分析  77-80
    4.1.1 天气情况对日负荷的影响  78-79
    4.1.2 日期类型对日负荷的影响  79-80
  4.2 支持向量机的基本理论和概念  80-84
    4.2.1 统计学习理论与 VC 维  80-81
    4.2.2 结构风险最小化  81
    4.2.3 支持向量  81-82
    4.2.4 核函数  82-83
    4.2.5 支持向量机的特点  83-84
  4.3 小波核支持向量机回归  84-90
    4.3.1 支持向量机回归估计  84-85
    4.3.2 不敏感损失函数  85
    4.3.3 估计函数  85-87
    4.3.4 Morlet 小波核函数  87-88
    4.3.5 小波核支持向量机的构建  88-89
    4.3.6 支持向量机的求解算法  89-90
  4.4 基于小波核支持向量机的负荷预测分析  90-95
    4.4.1 小波核支持向量机的输入相量  91-92
    4.4.2 小波核支持向量机的参数  92
    4.4.3 预测结果分析  92-95
  4.5 本章小结  95-96
第5章基于相似日的节假日燃气负荷预测  96-109
  5.1 燃气负荷相似日  96-102
    5.1.1 相似问题的提出  96
    5.1.2 形状相似日及形状相似度  96-97
    5.1.3 趋势相似日及趋势相似度  97-99
    5.1.4 特征相似日和特征相似度  99-101
    5.1.5 不同定义的相似日之间的关系  101
    5.1.6 综合相似度定义的相似日  101-102
  5.2 基于相似性和相似日的城市燃气节假日负荷预测  102-108
    5.2.1 综合相似度参数的确定  102-103
    5.2.2 相似日查询范围  103
    5.2.3 燃气负荷相似日的查询  103-105
    5.2.4 基于小波核支持向量机的预测  105
    5.2.5 预测结果及分析  105-108
  5.3 本章小结  108-109
第6章基于信息熵的年负荷多模型组合预测  109-124
  6.1 年度负荷运行规律及影响因素分析  109-113
    6.1.1 国民经济发展对年度负荷的影响  110-111
    6.1.2 国家能源政策对年度负荷的影响  111-112
    6.1.3 城市人口数的影响  112
    6.1.4 居民生活水平的影响  112-113
  6.2 组合预测理论  113-115
  6.3 预测模型的选择及效果评价  115-118
    6.3.1 预测模型的选择  115-117
    6.3.2 预测模型效果评价  117-118
  6.4 单一模型权重的确定  118-121
    6.4.1 信息熵及其含义  118-119
    6.4.2 基于信息熵的权重计算  119-121
  6.5 基于信息熵的组合预测模型实例分析  121-122
  6.6 本章小结  122-124
结论  124-127
参考文献  127-135
攻读博士学位期间发表的论文  135-137
致谢  137-138
个人简历  138

城市燃气负荷预测的研究

内容摘要

全文目录

相似论文