国产AV天堂无码一区二区三区,麻豆亚洲一区,国产精品伦一区二区三级视频,中国老太婆XXXHD

中長(zhǎng)期電力負(fù)荷預(yù)測(cè)技術(shù)與應(yīng)用前言對(duì)負(fù)荷進(jìn)行中長(zhǎng)期預(yù)測(cè)，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(guó)民經(jīng)濟(jì)健康、協(xié)調(diào)、快速地發(fā)展。負(fù)荷預(yù)測(cè)核心問題是預(yù)測(cè)的技術(shù)方法，如何改進(jìn)和簡(jiǎn)化方法，提高負(fù)荷預(yù)報(bào)的精度，使預(yù)測(cè)手段和結(jié)果滿足市場(chǎng)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(zhǎng)期預(yù)測(cè)技術(shù)。在大量查閱國(guó)內(nèi)外文獻(xiàn)的基礎(chǔ)上，對(duì)電力負(fù)荷預(yù)測(cè)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(cè)中，并且通過對(duì)多個(gè)模型的組合優(yōu)化得到了組合預(yù)測(cè)模型。主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)有：(1) 回歸分析是一種被普遍應(yīng)用的統(tǒng)計(jì)分析與預(yù)測(cè)技術(shù)。但當(dāng)自變量高度相關(guān)時(shí)，回歸系數(shù)用普通最小二乘法就很難估計(jì)。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(cè)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(jì)量代替無偏估計(jì)，提高了精度。偏最小二乘回歸實(shí)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(jì)算過程更可靠。(2) 建立了江蘇省電力負(fù)荷預(yù)測(cè)灰色預(yù)測(cè)模型：通過1997—2008年的數(shù)據(jù)來對(duì)模型進(jìn)行了驗(yàn)證，結(jié)果表明模型的檢驗(yàn)值P>0.95、C<0.35，表明模型的預(yù)測(cè)精度為“優(yōu)”，說明江蘇省全社會(huì)用電量用GM（1，1）完全能夠滿足要求。該模型對(duì)江蘇省2010—2015年全社會(huì)用電量進(jìn)行預(yù)測(cè)，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(duì)電力的需求。(3) 人工智能也被廣泛用于預(yù)測(cè)，模仿人腦的智能化處理，對(duì)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(guó)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(jì)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(cè)精度較高。(4) 建立了江蘇省電力負(fù)荷預(yù)測(cè)遺傳規(guī)劃預(yù)測(cè)模型：將遺傳規(guī)劃方法應(yīng)用于江蘇省電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)，預(yù)測(cè)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?cái)?shù)據(jù)自動(dòng)生成負(fù)荷預(yù)測(cè)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(jiǎn)單、預(yù)測(cè)精度更高。(5) 每種模型的預(yù)測(cè)結(jié)果反映了其對(duì)歷史序列變化規(guī)律的擬合以及對(duì)未來變化規(guī)律的推測(cè)，因此各單一預(yù)測(cè)方法的結(jié)果時(shí)好時(shí)壞，需要通過組合預(yù)測(cè)來提高預(yù)測(cè)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(cè)值作為輸入，實(shí)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(dú)特優(yōu)勢(shì)來確定各回歸預(yù)測(cè)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(cè)江蘇省全社會(huì)用電量。結(jié)果顯示，組合預(yù)測(cè)的精度明顯高于單個(gè)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(cè)模型：根據(jù)模型預(yù)測(cè)精度選擇組合負(fù)荷預(yù)測(cè)的單個(gè)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(cè)校正法、灰色預(yù)測(cè)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(shí)通過一組樣本數(shù)據(jù)來驗(yàn)證所建立網(wǎng)絡(luò)的合理性。當(dāng)訓(xùn)練到100步時(shí)，誤差已很小，當(dāng)訓(xùn)練到587步時(shí)，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(cè)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(zhǎng)期負(fù)荷預(yù)測(cè)，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(cè)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(shí)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(yàn)數(shù)據(jù)放入各模型，從檢驗(yàn)效果來看，線性模型的預(yù)測(cè)值均高于實(shí)際值，非線性模型的預(yù)測(cè)值均低于實(shí)際值。(8) 歷年積累的江蘇省全社會(huì)用電量數(shù)據(jù)是個(gè)時(shí)間序列，時(shí)間序列預(yù)測(cè)是通過編制和分析時(shí)間序列，根據(jù)時(shí)間序列所反映出來的發(fā)展過程、方向和趨勢(shì)，進(jìn)行類推或延伸，借以預(yù)測(cè)下一段時(shí)間或以后若干年內(nèi)可能達(dá)到的水平。江蘇省全社會(huì)用電量時(shí)間序列的散點(diǎn)圖表明其發(fā)展趨勢(shì)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(huì)用電量發(fā)展重新變平穩(wěn)的曲線并不長(zhǎng)，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(huì)出現(xiàn)長(zhǎng)期的平穩(wěn)發(fā)展甚至出現(xiàn)下降趨勢(shì)，這些均給利用時(shí)間序列預(yù)測(cè)帶來困難，發(fā)展趨勢(shì)發(fā)生拐點(diǎn)，使得時(shí)間序列帶有的信息不能作為預(yù)測(cè)的基礎(chǔ)，因此傳統(tǒng)的時(shí)間序列預(yù)測(cè)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(guó)內(nèi)外研究現(xiàn)狀(6)

1.3主要工作(6)

2電力需求預(yù)測(cè)方法

2.1電力負(fù)荷的構(gòu)成及特點(diǎn)(9)

2.2負(fù)荷預(yù)測(cè)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(cè)模型的建立(11)

2.3電力負(fù)荷預(yù)測(cè)方法簡(jiǎn)介(11)

2.3.1基于參數(shù)模型的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)方法(12)

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

2.3.3與動(dòng)態(tài)過程結(jié)合的預(yù)測(cè)方法(19)

2.3.4組合預(yù)測(cè)方法(19)

2.4電力需求預(yù)測(cè)的難點(diǎn)(21)

3江蘇省電力供需現(xiàn)狀及影響因素

3.1電力市場(chǎng)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(shì)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(cè)的數(shù)據(jù)和解釋變量選取(36)

4電力需求預(yù)測(cè)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(duì)負(fù)荷影響因素多重共線性的實(shí)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(jì)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(cè)(58)

4.5結(jié)論(62)

5電力需求灰色預(yù)測(cè)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(cè)模型(66)

5.3.1GM(1,1)預(yù)測(cè)模型(66)

5.3.2預(yù)測(cè)精度的檢驗(yàn)(67)

5.4模型預(yù)測(cè)實(shí)例(68)

5.4.1模型建立及檢驗(yàn)(68)

5.4.2預(yù)測(cè)結(jié)果與檢驗(yàn)(70)

6電力需求預(yù)測(cè)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(gè)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(cè)遺傳規(guī)劃模型(78)

6.2.1負(fù)荷預(yù)測(cè)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(cè)模型研究

7.1引言(80)

7.2全省用電量增長(zhǎng)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(cè)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(cè)結(jié)果比較(88)

7.5結(jié)論(89)

8電力需求預(yù)測(cè)優(yōu)選組合模型

8.1優(yōu)選組合預(yù)測(cè)方法(90)

8.1.1等權(quán)平均組合預(yù)測(cè)(90)

8.1.2方差協(xié)方差優(yōu)選組合預(yù)測(cè)(90)

8.1.3回歸組合預(yù)測(cè)(92)

8.1.4模型群優(yōu)選預(yù)測(cè)法(93)

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

8.3基于回歸神經(jīng)網(wǎng)絡(luò)的長(zhǎng)期電力負(fù)荷組合預(yù)測(cè)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(cè)模型(97)

8.3.3負(fù)荷組合預(yù)測(cè)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(cè)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(zhǎng)期負(fù)荷預(yù)測(cè)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(cè)模型變量的選取(104)

9.2.2經(jīng)濟(jì)增長(zhǎng)與用電量增長(zhǎng)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(cè)結(jié)果與分析(106)

9.3.1模型結(jié)果與擬合度檢驗(yàn)(106)

9.3.2模型預(yù)測(cè)效果分析(108)

9.4結(jié)論(108)

10基于時(shí)間序列的江蘇省用電量預(yù)測(cè)模型

10.1時(shí)間序列及時(shí)間序列預(yù)測(cè)法(110)

10.1.1時(shí)間序列及時(shí)間序列預(yù)測(cè)法的概念(110)

10.1.2時(shí)間序列預(yù)測(cè)法的內(nèi)容(111)

10.1.3時(shí)間序列預(yù)測(cè)法的基本特征(113)

10.2移動(dòng)平均法(113)

10.2.1簡(jiǎn)單移動(dòng)平均法(114)

10.2.2加權(quán)移動(dòng)平均法(114)

10.2.3趨勢(shì)移動(dòng)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(dòng)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(fèi)驅(qū)動(dòng)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)