基于SVM组合模型的燃气负荷预测研究

论文摘要

燃气负荷预测是燃气管网系统对燃气运行与控制的基础，同时也是燃气市场运作的基础，负荷预测结果的数据是保证天然气管网的安全性、管网调度的合理性工作的重要依据。燃气负荷预测系统的准确性、实时性、可靠性、智能性是目前急需解决的课题。本文首先对燃气负荷数据进行了特征分析，深入了解影响负荷变化的主要因素，为确定预测模型输入样本提供依据;其次,通过数据预处理把带有噪音的数据序列修正为平滑的负荷数据序列，进一步提高预测模型的训练及预测精度;最后,进行一系列实验与分析:（1）将BP神经网络与传统基于交叉验证择参的RBF-SVM预测精度进行了对比，证明了在燃气数据序列条件下，SVM模型优于BP神经网络;（2）对SVM的核参数和核函数的选择做了实验对比研究，在优化方法上发现遗传算法优于交叉验证法，而混沌遗传算法可以进一步克服传统遗传算法诸如过早收敛的不足，最终发现使用小波核表现出比RBF核更精确的预测效果。通过以上一系列的实验比较,得出采用混沌遗传算法择参的小波核SVM这一组合模型的预测精度最高的结论。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景
• 1.2 国内外研究状况
• 1.2.1 回归分析法
• 1.2.2 灰色模型
• 1.2.3 时间序列
• 1.2.4 神经网络
• 1.2.5 支持向量机
• 1.3 主要研究内容及论文结构
• 第二章 燃气数据特征分析及预处理
• 2.1 负荷自身的周期性
• 2.2 温度对负荷的影响
• 2.3 日期类型对负荷的影响
• 2.4 数据的预处理
• 2.4.1 伪数据修正
• 2.4.2 小波去噪理论
• 2.4.3 小波去噪效果
• 2.4.4 数据归一化处理
• 2.5 本章小结
• 第三章 算法理论
• 3.1 统计学习与支持向量机
• 3.1.1 广义最优分类面
• 3.1.2 核函数
• 3.2 小波理论
• 3.3 小波核支持向量机
• 3.4 遗传算法
• 3.5 混沌算法
• 3.6 混沌遗传算法
• 3.7 本章小结
• 第四章 模型验证实验
• 4.1 实验模型输入向量
• 4.2 BP 神经网络验证实验
• 4.2.1 实验过程
• 4.2.2 实验结果分析
• 4.3 RBF 核 SVM（RBF‐SVM）验证实验
• 4.3.1 交叉验证法择参（K‐CV RBF‐SVM）
• （1）实验过程
• （2）实验结果分析
• 4.3.2 遗传算法择参（GA RBF‐SVM）
• （1）实验过程
• （2）实验结果分析
• 4.3.3 混沌遗传算法择参（CGA RBF‐SVM）
• （1）实验过程
• （2）实验结果分析
• 4.3.4 参数选择算法比较结果
• 4.4 小波核 SVM（Wv‐SVM）验证实验
• 4.4.1 小波核函数的选取
• 4.4.2 实验过程
• 4.4.3 实验结果分析
• 4.5 本章小结
• 第五章 结论与展望
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢