基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夂蛢?yōu)化神經(jīng)網(wǎng)絡(luò)的燃?xì)庳?fù)荷預(yù)測(cè)研究.pdf

1、天然氣因其安全可靠、潔凈環(huán)保的優(yōu)點(diǎn)受到廣泛的應(yīng)用，目前，我國城市用氣規(guī)模不斷擴(kuò)大，燃?xì)夤芫W(wǎng)也越來越復(fù)雜和龐大，對(duì)燃?xì)夤芫W(wǎng)的建設(shè)、維護(hù)、調(diào)峰以及儲(chǔ)氣等方面的要求也不斷提高，負(fù)荷預(yù)測(cè)是上述工作的一個(gè)重要參考依據(jù)，所以負(fù)荷預(yù)測(cè)方法得以廣泛的研究，改善預(yù)測(cè)精度也比較重要。
　　本文首先對(duì)燃?xì)庳?fù)荷預(yù)測(cè)的研究背景和現(xiàn)狀以及預(yù)測(cè)基礎(chǔ)知識(shí)進(jìn)行了介紹，由于系統(tǒng)或人為原因，必然會(huì)產(chǎn)生不良數(shù)據(jù)，真實(shí)的負(fù)荷變化規(guī)律就不能被發(fā)現(xiàn)，而歷史負(fù)荷數(shù)據(jù)的準(zhǔn)確性是影

2、響預(yù)測(cè)精度的重要環(huán)節(jié)，所以對(duì)不良數(shù)據(jù)的發(fā)現(xiàn)及預(yù)處理進(jìn)行了詳細(xì)分析，包括缺失數(shù)據(jù)的填補(bǔ)、異常數(shù)據(jù)的修正和文字信息的量化處理。然后簡要分析了文中建立負(fù)荷預(yù)測(cè)模型所用到的關(guān)鍵技術(shù)，包括BP神經(jīng)網(wǎng)絡(luò)、線性神經(jīng)網(wǎng)絡(luò)、粒子群算法以及經(jīng)驗(yàn)?zāi)Ｊ椒纸獾幕驹?，為?shí)驗(yàn)環(huán)節(jié)的燃?xì)庳?fù)荷預(yù)測(cè)模型的建立及仿真準(zhǔn)備了理論基礎(chǔ)。
　　接著是文章的重要部分，即負(fù)荷預(yù)測(cè)模型的建立和仿真實(shí)驗(yàn)。由于粒子群算法的全局搜索能力，首先建立PSO_BP預(yù)測(cè)模型進(jìn)行仿真。針對(duì)基

3、本算法的缺點(diǎn)，本文做出了一些改進(jìn)：采用根據(jù)適應(yīng)值自適應(yīng)調(diào)整的慣性權(quán)重w。當(dāng)粒子的適應(yīng)值小于平均適應(yīng)值時(shí)，對(duì)應(yīng)一個(gè)較小的權(quán)重，使粒子的局部能力增強(qiáng)；當(dāng)粒子的適應(yīng)值大于平均適應(yīng)值時(shí)，說明粒子的質(zhì)量不高，應(yīng)該增大w，使粒子向更優(yōu)的方向搜索，增加全局搜索能力；采用Logistic映射將粒子映射為混沌變量，利用混沌的遍歷性進(jìn)行搜索，避免 PSO算法陷入局部極小值；局部搜索。對(duì)粒子群進(jìn)行初始化，得到當(dāng)前最優(yōu)值之后，選出前1/5的最優(yōu)粒子進(jìn)行混沌搜索

4、。最后提出了新的改進(jìn)粒子群算法ACLSPSO,并建立ACLSPSO優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行預(yù)測(cè)仿真,證明改進(jìn)算法的有效性。
　　最后，對(duì)燃?xì)庳?fù)荷特性進(jìn)行了分析，提出在負(fù)荷預(yù)測(cè)模型中引入EMD設(shè)想，并分析了將EMD用于燃?xì)庳?fù)荷預(yù)測(cè)的可行性，建立經(jīng)驗(yàn)?zāi)Ｊ椒纸夂虯CLSPSO優(yōu)化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行預(yù)測(cè)仿真，燃?xì)庳?fù)荷被分解分解成幾個(gè)模式分量，針對(duì)各分量建立合適的燃?xì)庳?fù)荷預(yù)測(cè)模型進(jìn)行預(yù)測(cè)仿真，再擬合出總的預(yù)測(cè)結(jié)果，并給出預(yù)測(cè)結(jié)果和對(duì)比實(shí)驗(yàn)