天堂网站WAS啪啪免费观看-欧美不卡一卡2卡三卡4卡-中日av乱码一区二区三区乱码-国产精品第一区揄拍

中長期電力負(fù)荷預(yù)測技術(shù)與應(yīng)用前言對負(fù)荷進(jìn)行中長期預(yù)測，有利于決定未來新發(fā)電機(jī)組的安裝，決定電網(wǎng)的增容和改建，也有利于國民經(jīng)濟(jì)健康、協(xié)調(diào)、快速地發(fā)展。負(fù)荷預(yù)測核心問題是預(yù)測的技術(shù)方法，如何改進(jìn)和簡化方法，提高負(fù)荷預(yù)報的精度，使預(yù)測手段和結(jié)果滿足市場經(jīng)濟(jì)的電力發(fā)展要求。本書主要研究電力系統(tǒng)負(fù)荷中長期預(yù)測技術(shù)。在大量查閱國內(nèi)外文獻(xiàn)的基礎(chǔ)上，對電力負(fù)荷預(yù)測研究做了較全面的綜述。在借鑒前人所做工作的基礎(chǔ)上，把當(dāng)前先進(jìn)的智能決策技術(shù)應(yīng)用到電力負(fù)荷預(yù)測中，并且通過對多個模型的組合優(yōu)化得到了組合預(yù)測模型。主要研究內(nèi)容和創(chuàng)新點有：(1) 回歸分析是一種被普遍應(yīng)用的統(tǒng)計分析與預(yù)測技術(shù)。但當(dāng)自變量高度相關(guān)時，回歸系數(shù)用普通最小二乘法就很難估計。本書所建立的以人口、收入、GDP等指標(biāo)為自變量的回歸模型中，自變量之間高度相關(guān)。因此，本書建立了江蘇省電力負(fù)荷預(yù)測逐步回歸模型、嶺回歸模型和偏最小二乘回歸模型。嶺回歸方法利用具有微小偏差的有偏估計量代替無偏估計，提高了精度。偏最小二乘回歸實現(xiàn)了多元線性回歸、主成分分析和典型相關(guān)分析的綜合，克服了自變量之間的多重共線性，其計算過程更可靠。(2) 建立了江蘇省電力負(fù)荷預(yù)測灰色預(yù)測模型：通過1997—2008年的數(shù)據(jù)來對模型進(jìn)行了驗證，結(jié)果表明模型的檢驗值P>0.95、C<0.35，表明模型的預(yù)測精度為“優(yōu)”，說明江蘇省全社會用電量用GM（1，1）完全能夠滿足要求。該模型對江蘇省2010—2015年全社會用電量進(jìn)行預(yù)測，結(jié)果表明，今后幾年江蘇省的用電量增加很快，到2015年將達(dá)到9 413.3 億kW·h，這就要求加快電力建設(shè)，來滿足今后幾年經(jīng)濟(jì)發(fā)展對電力的需求。(3) 人工智能也被廣泛用于預(yù)測，模仿人腦的智能化處理，對大腦非結(jié)構(gòu)性、非精確性規(guī)律有自學(xué)習(xí)自適應(yīng)功能，神經(jīng)網(wǎng)絡(luò)是被廣泛應(yīng)用的人工智能技術(shù)之一。本書應(yīng)用貝葉斯正則化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，通過多維經(jīng)濟(jì)數(shù)據(jù)（國內(nèi)生產(chǎn)總值、固定資產(chǎn)投資總額、人均收入）與用電量的相關(guān)分析，來確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，建立用電量的人工神經(jīng)網(wǎng)絡(luò)模型。用從江蘇統(tǒng)計年鑒和江蘇省電力局取得的17年數(shù)據(jù)為輸入、用電量為輸出來訓(xùn)練建立好的BP神經(jīng)網(wǎng)絡(luò)，經(jīng)仿真表明該神經(jīng)網(wǎng)絡(luò)能很好地解決用電量多影響因素之間的不確定性和非線性，模型的預(yù)測精度較高。(4) 建立了江蘇省電力負(fù)荷預(yù)測遺傳規(guī)劃預(yù)測模型：將遺傳規(guī)劃方法應(yīng)用于江蘇省電力系統(tǒng)中長期負(fù)荷預(yù)測，預(yù)測結(jié)果表明所建立的模型能根據(jù)歷史負(fù)荷與其相關(guān)因素數(shù)據(jù)自動生成負(fù)荷預(yù)測模型，無需事先確定各變量之間的函數(shù)關(guān)系，避免了人為判斷失誤而產(chǎn)生的誤差，從模型的運(yùn)行效率來看，GP模型結(jié)構(gòu)更簡單、預(yù)測精度更高。(5) 每種模型的預(yù)測結(jié)果反映了其對歷史序列變化規(guī)律的擬合以及對未來變化規(guī)律的推測，因此各單一預(yù)測方法的結(jié)果時好時壞，需要通過組合預(yù)測來提高預(yù)測精度，組合模型的關(guān)鍵是權(quán)重的取得。本書將神經(jīng)網(wǎng)絡(luò)技術(shù)與回歸模型相結(jié)合，將通過各回歸方法得出的預(yù)測值作為輸入，實際用電量值作為輸出，確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，利用神經(jīng)網(wǎng)絡(luò)在處理非線性、不確定性或模糊關(guān)系方面具有的獨特優(yōu)勢來確定各回歸預(yù)測方法的變權(quán)系數(shù)，最后用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測江蘇省全社會用電量。結(jié)果顯示，組合預(yù)測的精度明顯高于單個模型。(6) 建立了江蘇省電力負(fù)荷神經(jīng)網(wǎng)絡(luò)優(yōu)化組合預(yù)測模型：根據(jù)模型預(yù)測精度選擇組合負(fù)荷預(yù)測的單個模型分別為：逐步回歸模型、嶺回歸模型、偏最小二乘回歸模型、二步預(yù)測校正法、灰色預(yù)測模型和遺傳規(guī)劃模型。首先定義網(wǎng)絡(luò)的輸入、輸出樣本，然后設(shè)定建立的神經(jīng)網(wǎng)絡(luò)，訓(xùn)練和仿真所建立的BP網(wǎng)絡(luò)，同時通過一組樣本數(shù)據(jù)來驗證所建立網(wǎng)絡(luò)的合理性。當(dāng)訓(xùn)練到100步時，誤差已很小，當(dāng)訓(xùn)練到587步時，網(wǎng)絡(luò)性能達(dá)到要求。最終得到的均方誤差為9.995×10-4。(7) 為了提高負(fù)荷預(yù)測精度，將主成分回歸（PCR）、偏最小二乘回歸(PLSR)和反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）結(jié)合用于中長期負(fù)荷預(yù)測，分別建立基于PCR、PLSR及與神經(jīng)網(wǎng)絡(luò)耦合的年用電量預(yù)測模型。模型結(jié)果表明，分別以PCR、PLSR方法提取成分作為神經(jīng)網(wǎng)絡(luò)的輸入，以實際用電量作為輸出建立的PCBPNN和LVBPNN非線性模型擬合優(yōu)度優(yōu)于PCR和PLSR模型。將2009—2011年的數(shù)據(jù)作為檢驗數(shù)據(jù)放入各模型，從檢驗效果來看，線性模型的預(yù)測值均高于實際值，非線性模型的預(yù)測值均低于實際值。(8) 歷年積累的江蘇省全社會用電量數(shù)據(jù)是個時間序列，時間序列預(yù)測是通過編制和分析時間序列，根據(jù)時間序列所反映出來的發(fā)展過程、方向和趨勢，進(jìn)行類推或延伸，借以預(yù)測下一段時間或以后若干年內(nèi)可能達(dá)到的水平。江蘇省全社會用電量時間序列的散點圖表明其發(fā)展趨勢為曲線，更類似于生命周期曲線，即前期發(fā)展較慢，表現(xiàn)為較平穩(wěn)的上升，隨后發(fā)展迅速，表現(xiàn)為較陡峭的上升曲線，發(fā)展到一定程度后，發(fā)展速度再次變緩，曲線重新變平穩(wěn)，但目前江蘇省全社會用電量發(fā)展重新變平穩(wěn)的曲線并不長，隨著經(jīng)濟(jì)發(fā)展速度的放緩以及新能源的替代作用的發(fā)揮，可能會出現(xiàn)長期的平穩(wěn)發(fā)展甚至出現(xiàn)下降趨勢，這些均給利用時間序列預(yù)測帶來困難，發(fā)展趨勢發(fā)生拐點，使得時間序列帶有的信息不能作為預(yù)測的基礎(chǔ)，因此傳統(tǒng)的時間序列預(yù)測方法并不適用。

編者2016年5月

1緒論

1.1選題背景及意義(1)

1.2國內(nèi)外研究現(xiàn)狀(6)

1.3主要工作(6)

2電力需求預(yù)測方法

2.1電力負(fù)荷的構(gòu)成及特點(9)

2.2負(fù)荷預(yù)測的步驟(10)

2.2.1歷史數(shù)據(jù)的收集(10)

2.2.2歷史數(shù)據(jù)的整理(10)

2.2.3負(fù)荷數(shù)據(jù)的預(yù)處理(11)

2.2.4負(fù)荷預(yù)測模型的建立(11)

2.3電力負(fù)荷預(yù)測方法簡介(11)

2.3.1基于參數(shù)模型的中長期電力負(fù)荷預(yù)測方法(12)

2.3.2基于非參數(shù)模型的中長期電力負(fù)荷預(yù)測方法(14)

2.3.3與動態(tài)過程結(jié)合的預(yù)測方法(19)

2.3.4組合預(yù)測方法(19)

2.4電力需求預(yù)測的難點(21)

3江蘇省電力供需現(xiàn)狀及影響因素

3.1電力市場環(huán)境分析(22)

3.1.1經(jīng)濟(jì)發(fā)展總體情況(22)

3.1.2能源環(huán)境(23)

3.2江蘇電力供需形勢分析(24)

3.2.1電力供應(yīng)能力(24)

3.2.2可再生能源發(fā)電(26)

3.2.3電力需求情況(27)

3.3影響江蘇用電量的因素分析(32)

3.3.1經(jīng)濟(jì)因素與用電量的關(guān)系分析(32)

3.3.2用電量預(yù)測的數(shù)據(jù)和解釋變量選取(36)

4電力需求預(yù)測回歸模型

4.1多重共線性分析(39)

4.1.1產(chǎn)生多重共線性原因(39)

4.1.2多重共線性的影響(40)

4.1.3多重共線性的診斷(42)

4.1.4解決多重共線性的方法(44)

4.1.5對負(fù)荷影響因素多重共線性的實證分析(45)

4.2逐步回歸(47)

4.2.1逐步回歸法的基本思想和計算方法(47)

4.2.2負(fù)荷的逐步回歸模型(49)

4.3嶺回歸(51)

4.3.1嶺回歸的基本原理和算法(51)

4.3.2負(fù)荷的嶺回歸模型(52)

4.4偏最小二乘回歸(54)

4.4.1偏最小二乘回歸分析原理和算法(55)

4.4.2基于偏最小二乘回歸模型的負(fù)荷預(yù)測(58)

4.5結(jié)論(62)

5電力需求灰色預(yù)測模型

5.1灰色系統(tǒng)(63)

5.2灰色模型建模機(jī)理(65)

5.3灰色預(yù)測模型(66)

5.3.1GM(1,1)預(yù)測模型(66)

5.3.2預(yù)測精度的檢驗(67)

5.4模型預(yù)測實例(68)

5.4.1模型建立及檢驗(68)

5.4.2預(yù)測結(jié)果與檢驗(70)

6電力需求預(yù)測遺傳規(guī)劃模型

6.1遺傳規(guī)劃基本原理(74)

6.1.1算式表達(dá)(74)

6.1.2初始個體生成(75)

6.1.3確定適應(yīng)度(76)

6.1.4復(fù)制(76)

6.1.5交叉(76)

6.1.6變異(77)

6.1.7終止準(zhǔn)則(77)

6.2負(fù)荷預(yù)測遺傳規(guī)劃模型(78)

6.2.1負(fù)荷預(yù)測理論基礎(chǔ)(78)

6.2.2算例分析(78)

6.3本章小結(jié)(79)

7基于BP神經(jīng)網(wǎng)絡(luò)的江蘇用電量預(yù)測模型研究

7.1引言(80)

7.2全省用電量增長與經(jīng)濟(jì)關(guān)系分析(80)

7.2.1江蘇省GDP、固定資產(chǎn)投資總額、人均收入與用電量關(guān)系的定性分析

(80)

7.2.2江蘇省GDP、固定資產(chǎn)投資總額、人均收入與用電量關(guān)系的定量分析

(81)

7.3BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練方法(82)

7.3.1BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)(82)

7.3.2BP網(wǎng)絡(luò)的訓(xùn)練方法(82)

7.4基于貝葉斯正則化優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型(84)

7.4.1正則化方法(84)

7.4.2神經(jīng)網(wǎng)絡(luò)的貝葉斯學(xué)習(xí)(85)

7.4.3貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟(86)

7.4.4用電量模型的建立(87)

7.4.5仿真結(jié)果及分析(88)

7.4.6預(yù)測結(jié)果比較(88)

7.5結(jié)論(89)

8電力需求預(yù)測優(yōu)選組合模型

8.1優(yōu)選組合預(yù)測方法(90)

8.1.1等權(quán)平均組合預(yù)測(90)

8.1.2方差協(xié)方差優(yōu)選組合預(yù)測(90)

8.1.3回歸組合預(yù)測(92)

8.1.4模型群優(yōu)選預(yù)測法(93)

8.2神經(jīng)網(wǎng)絡(luò)優(yōu)選組合預(yù)測模型(93)

8.3基于回歸神經(jīng)網(wǎng)絡(luò)的長期電力負(fù)荷組合預(yù)測模型研究(95)

8.3.1變量間多重共線性的判定(96)

8.3.2回歸預(yù)測模型(97)

8.3.3負(fù)荷組合預(yù)測模型(98)

8.3.4負(fù)荷組合模型的求解(99)

8.3.5仿真結(jié)果及分析(99)

8.3.6預(yù)測結(jié)果分析(100)

8.3.7結(jié)論(102)

9主成分回歸、偏最小二乘回歸與神經(jīng)網(wǎng)絡(luò)耦合的中長期負(fù)荷預(yù)測研究

9.1引言(103)

9.2指標(biāo)與方法(104)

9.2.1年用電量預(yù)測模型變量的選取(104)

9.2.2經(jīng)濟(jì)增長與用電量增長的關(guān)系分析(104)

9.2.3自變量間多重共線性分析(105)

9.2.4建模方法(105)

9.3預(yù)測結(jié)果與分析(106)

9.3.1模型結(jié)果與擬合度檢驗(106)

9.3.2模型預(yù)測效果分析(108)

9.4結(jié)論(108)

10基于時間序列的江蘇省用電量預(yù)測模型

10.1時間序列及時間序列預(yù)測法(110)

10.1.1時間序列及時間序列預(yù)測法的概念(110)

10.1.2時間序列預(yù)測法的內(nèi)容(111)

10.1.3時間序列預(yù)測法的基本特征(113)

10.2移動平均法(113)

10.2.1簡單移動平均法(114)

10.2.2加權(quán)移動平均法(114)

10.2.3趨勢移動平均法(115)

10.3指數(shù)平滑法(118)

10.3.1一次指數(shù)平滑法(119)

10.3.2二次指數(shù)平滑法(120)

10.3.3三次指數(shù)平滑法(123)

10.4自適應(yīng)濾波算法(126)

10.4.1自適應(yīng)濾波算法背景(126)

10.4.2典型的自適應(yīng)濾波算法(126)

10.4.3自適應(yīng)濾波法的基本過程(127)

10.5ARIMA模型(128)

11江蘇省用電量消耗與經(jīng)濟(jì)發(fā)展關(guān)系及脫鉤效應(yīng)

——基于STIRPAT模型和OECD脫鉤指數(shù)的研究

11.1研究方法(131)

11.1.1驅(qū)動因素分析方法(131)

11.1.2脫鉤效應(yīng)分析方法(134)

11.2結(jié)果與分析(135)

11.2.1用電量耗費驅(qū)動因素分解(135)

11.2.2用電量與經(jīng)濟(jì)發(fā)展脫鉤效應(yīng)(137)

11.3結(jié)論(139)

12總結(jié)(140)

參考文獻(xiàn)(144)