基于回聲狀態(tài)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)研究.pdf

1、負(fù)荷預(yù)測(cè)對(duì)于電力部門有計(jì)劃地制定電網(wǎng)規(guī)劃至關(guān)重要，歷史的電力負(fù)荷值受溫度、季節(jié)等諸多因素的影響，可看作為具有強(qiáng)非線性和非平穩(wěn)特性的復(fù)雜非線性時(shí)間序列。目前，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等單一的計(jì)算智能方法是主要的電力負(fù)荷預(yù)測(cè)工具?；芈暊顟B(tài)網(wǎng)絡(luò)(echo state networks,ESN)作為一種新的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)，已引起研究者的廣泛關(guān)注，并且已經(jīng)應(yīng)用于電力負(fù)荷預(yù)測(cè)中。與常規(guī)的遞歸神經(jīng)網(wǎng)絡(luò)相比，它在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練時(shí)只需計(jì)算網(wǎng)絡(luò)輸出權(quán)值，具有很

2、強(qiáng)的動(dòng)態(tài)逼近能力。因此，其具有計(jì)算簡(jiǎn)單有效、收斂速度快的優(yōu)點(diǎn)。
　　經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)作為一種自適應(yīng)的信號(hào)分解方法，可實(shí)現(xiàn)對(duì)復(fù)雜非平穩(wěn)負(fù)荷序列進(jìn)行分解，有助于準(zhǔn)確地把握負(fù)荷序列的內(nèi)在變化規(guī)律，進(jìn)而有效地提高負(fù)荷預(yù)測(cè)精度。因此，EMD方法作為一種自適應(yīng)的信號(hào)處理方法，已成功地應(yīng)用于負(fù)荷預(yù)測(cè)。在ESN和EMD的基礎(chǔ)上，給出互補(bǔ)型集成經(jīng)驗(yàn)?zāi)B(tài)分解(Complementary

3、Ensemble Empirical Mode Decomposition,CEEMD)-模糊熵(Fuzzy Entropy,FE)結(jié)合泄漏積分回聲狀態(tài)網(wǎng)絡(luò)(Echo State Network with Leaky Integrator Neurons,LiESN)的短期組合預(yù)測(cè)方法以及具有自適應(yīng)白噪聲的完整集成經(jīng)驗(yàn)?zāi)B(tài)分解(Complete Ensemble Empirical Mode Decomposition with ada

4、ptive noise,CEEMDAN)-排列熵(Permutation Entropy,PE)結(jié)合LiESN的中期峰值組合預(yù)測(cè)方法，取得了不錯(cuò)的預(yù)測(cè)效果。本文的主要研究?jī)?nèi)容如下：
　　(1)研究ESN網(wǎng)絡(luò)及相應(yīng)的學(xué)習(xí)算法，在此基礎(chǔ)上進(jìn)一步研究了LiESN網(wǎng)絡(luò)，同時(shí)，為提高網(wǎng)絡(luò)的推廣性，將嶺回歸學(xué)習(xí)算法應(yīng)用于其網(wǎng)絡(luò)的輸出權(quán)值求解中。
　　(2)研究EMD和集成經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode De

5、composition,EEMD)信號(hào)處理方法，在此基礎(chǔ)上，為提高信號(hào)分解的完整性，進(jìn)一步研究了CEEMD和CEEMDAN方法；為降低組合預(yù)測(cè)的計(jì)算規(guī)模，還將PE和FE用于本征模態(tài)分量(Intrinsic Model Function,IMF)序列的復(fù)雜度評(píng)估中。
　　(3)給出基于CEEMD-FE和LiESN的組合預(yù)測(cè)方法，將其應(yīng)用于美國(guó)新英格蘭地區(qū)的短期電力負(fù)荷預(yù)測(cè)實(shí)例中；給出基于CEEMDAN-PE和LiESN的組合預(yù)測(cè)方法