2023年全國(guó)碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩53頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著能源和環(huán)境問題的日趨嚴(yán)重,新能源的開發(fā)和利用受到越來越多的關(guān)注,隨之帶來了微電網(wǎng)的興起和發(fā)展。為了保證微電網(wǎng)高效率的經(jīng)濟(jì)運(yùn)行,準(zhǔn)確地負(fù)荷預(yù)測(cè)就變得尤為重要。關(guān)于微電網(wǎng)短期負(fù)荷預(yù)測(cè)的研究還相對(duì)較少,因此,本文對(duì)微電網(wǎng)的負(fù)荷預(yù)測(cè)展開研究,對(duì)微電網(wǎng)安全、節(jié)能、高效運(yùn)行具有重要的理論意義和實(shí)用價(jià)值。
  首先針對(duì)人工蜂群算法易陷入局部最優(yōu)及收斂速度慢的缺點(diǎn),引入當(dāng)前最優(yōu)蜜源和慣性權(quán)重函數(shù),對(duì)該算法的食物源更新方式進(jìn)行改進(jìn);然后針對(duì)支持

2、向量回歸機(jī)的參數(shù)選擇和優(yōu)化問題,轉(zhuǎn)化成組合優(yōu)化的問題,并使用改進(jìn)的人工蜂群算法進(jìn)行優(yōu)化求解,進(jìn)而得到人工蜂群算法優(yōu)化SVR的預(yù)測(cè)模型。以微電網(wǎng)短期負(fù)荷預(yù)測(cè)數(shù)據(jù)為例,將該模型的預(yù)測(cè)結(jié)果與蟻群算法優(yōu)化的支持向量回歸機(jī)(ACO-SVR)、粒子群算法優(yōu)化的支持向量回歸機(jī)(PSO-SVR)和未改進(jìn)的蜂群算法優(yōu)化的支持向量回歸機(jī)(ABC-SVR)進(jìn)行對(duì)比分析,實(shí)驗(yàn)結(jié)果表明該模型具有最優(yōu)的預(yù)測(cè)效果并且運(yùn)行時(shí)間最短,相比其他模型具有更好的學(xué)習(xí)和推廣能力

3、。
  近年來電力系統(tǒng)智能化的發(fā)展導(dǎo)致了負(fù)荷數(shù)據(jù)的海量化和高維化,負(fù)荷預(yù)測(cè)面臨著單機(jī)計(jì)算資源不足、預(yù)測(cè)實(shí)時(shí)性差的挑戰(zhàn)。針對(duì)電力系統(tǒng)的海量歷史負(fù)荷數(shù)據(jù),對(duì)上面模型在 Spark平臺(tái)下進(jìn)行了并行化設(shè)計(jì)。利用實(shí)驗(yàn)室設(shè)備搭建了含一個(gè)主節(jié)點(diǎn)、七個(gè)數(shù)據(jù)節(jié)點(diǎn)的 Spark計(jì)算集群,在 Spark云平臺(tái)實(shí)現(xiàn)了分布式支持向量回歸預(yù)測(cè)算法。測(cè)試了本文設(shè)計(jì)的并行化算法的并行性能,實(shí)驗(yàn)分析表明本文設(shè)計(jì)的并行算法在進(jìn)行海量數(shù)據(jù)處理時(shí)相對(duì)于常用的方法具有更快

4、的處理速度。
  隨著能源和環(huán)境問題的日趨嚴(yán)重,新能源的開發(fā)和利用受到越來越多的關(guān)注,隨之帶來了微電網(wǎng)的興起和發(fā)展。為了保證微電網(wǎng)高效率的經(jīng)濟(jì)運(yùn)行,準(zhǔn)確地負(fù)荷預(yù)測(cè)就變得尤為重要。關(guān)于微電網(wǎng)短期負(fù)荷預(yù)測(cè)的研究還相對(duì)較少,因此,本文對(duì)微電網(wǎng)的負(fù)荷預(yù)測(cè)展開研究,對(duì)微電網(wǎng)安全、節(jié)能、高效運(yùn)行具有重要的理論意義和實(shí)用價(jià)值。
  首先針對(duì)人工蜂群算法易陷入局部最優(yōu)及收斂速度慢的缺點(diǎn),引入當(dāng)前最優(yōu)蜜源和慣性權(quán)重函數(shù),對(duì)該算法的食物源更新方

5、式進(jìn)行改進(jìn);然后針對(duì)支持向量回歸機(jī)的參數(shù)選擇和優(yōu)化問題,轉(zhuǎn)化成組合優(yōu)化的問題,并使用改進(jìn)的人工蜂群算法進(jìn)行優(yōu)化求解,進(jìn)而得到人工蜂群算法優(yōu)化SVR的預(yù)測(cè)模型。以微電網(wǎng)短期負(fù)荷預(yù)測(cè)數(shù)據(jù)為例,將該模型的預(yù)測(cè)結(jié)果與蟻群算法優(yōu)化的支持向量回歸機(jī)(ACO-SVR)、粒子群算法優(yōu)化的支持向量回歸機(jī)(PSO-SVR)和未改進(jìn)的蜂群算法優(yōu)化的支持向量回歸機(jī)(ABC-SVR)進(jìn)行對(duì)比分析,實(shí)驗(yàn)結(jié)果表明該模型具有最優(yōu)的預(yù)測(cè)效果并且運(yùn)行時(shí)間最短,相比其他模型

6、具有更好的學(xué)習(xí)和推廣能力。
  近年來電力系統(tǒng)智能化的發(fā)展導(dǎo)致了負(fù)荷數(shù)據(jù)的海量化和高維化,負(fù)荷預(yù)測(cè)面臨著單機(jī)計(jì)算資源不足、預(yù)測(cè)實(shí)時(shí)性差的挑戰(zhàn)。針對(duì)電力系統(tǒng)的海量歷史負(fù)荷數(shù)據(jù),對(duì)上面模型在 Spark平臺(tái)下進(jìn)行了并行化設(shè)計(jì)。利用實(shí)驗(yàn)室設(shè)備搭建了含一個(gè)主節(jié)點(diǎn)、七個(gè)數(shù)據(jù)節(jié)點(diǎn)的 Spark計(jì)算集群,在 Spark云平臺(tái)實(shí)現(xiàn)了分布式支持向量回歸預(yù)測(cè)算法。測(cè)試了本文設(shè)計(jì)的并行化算法的并行性能,實(shí)驗(yàn)分析表明本文設(shè)計(jì)的并行算法在進(jìn)行海量數(shù)據(jù)處理時(shí)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論