資源描述:
《基于貝葉斯理論mcmc優(yōu)化參數(shù)的負荷預(yù)測模型》由會員上傳分享,免費在線閱讀,更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、國內(nèi)圖書分類號:F062.4國際圖書分類號:338.2管理學(xué)博士學(xué)位論文學(xué)校代碼:10079密級:公開基于貝葉斯理論MCMC優(yōu)化參數(shù)的負荷預(yù)測模型博士研究生:導(dǎo)師:副導(dǎo)師:申請學(xué)位:學(xué)科:專業(yè):所在單位:答辯日期:授予學(xué)位單位:史會峰乞建勛教授牛東曉教授管理學(xué)博士工商管理技術(shù)經(jīng)濟及管理經(jīng)濟與管理學(xué)院2013年6月華北電力大學(xué)ClassifiedIndex:F062.4U.D.C:338.2DissertationfortheDoctoralDegreeinManagementTheLoadFore
2、castingModelwhichParametersOptimizedbyMCMCBasedCandidate:onBayesianTheor311eorySupervisor:AssociateSupervisor:ShiHuifengProf.QiJianxunProf.NiuDongxiaoAcademicDegreeAppliedfor:DoctorofManagementSpecialty:Amliation:DateofDefe!nce:TechnicalEconomyandMana
3、gementSchoolofEconomicandManagementJune,2013Degree··Conferring-·Institution:NorthChinaElectricPowerUniversity華北電力大學(xué)博士學(xué)位論文原創(chuàng)性聲明本人鄭重聲明:此處所提交的博士學(xué)位論文《基于貝葉斯理論MCMC優(yōu)化參數(shù)的負荷預(yù)測模型》,是本人在導(dǎo)師指導(dǎo)下,在華北電力大學(xué)攻讀博士學(xué)位期間獨立進行研究工作所取得的成果。據(jù)本人所知,論文中除已注明部分外不包含他人已發(fā)表或撰寫過的研究成果。對本文的研究工
4、作做出重要貢獻的個人和集體,均己在文中以明確方式注明。本聲明的法律結(jié)果將完全由本人承擔。作者簽名:日期:如,歲年多月/手日華北電力大學(xué)博士學(xué)位論文使用授權(quán)書《基于貝葉斯理論MCMC優(yōu)化參數(shù)的負荷預(yù)測模型》系本人在華北電力大學(xué)攻讀博士學(xué)位期間在導(dǎo)師指導(dǎo)下完成的博士學(xué)位論文。本論文的研究成果歸華北電力大學(xué)所有,本論文的研究內(nèi)容不得以其它單位的名義發(fā)表。本人完全了解華北電力大學(xué)關(guān)于保存、使用學(xué)位論文的規(guī)定,同意學(xué)校保留并向有關(guān)部門送交論文的復(fù)印件和電子版本,允許論文被查閱和借閱,學(xué)??梢詾榇嬖陴^際合作關(guān)
5、系的兄弟高校用戶提供文獻傳遞服務(wù)和交換服務(wù)。本人授權(quán)華北電力大學(xué),可以采用影印、縮印或其他復(fù)制手段保存論文,可以公布論文的全部或部分內(nèi)容。本學(xué)位論文屬于(請在以上相應(yīng)方框內(nèi)打“4”):保密口,在年解密后適用本授權(quán)書不保密訂作者簽名:導(dǎo)師簽名:日期:掃噦年衫月哆日日期:2,1.3年/月修日哪撇摘要摘要電力負荷預(yù)測是電力技術(shù)經(jīng)濟分析的重要組成部分,在電力規(guī)劃、運行、調(diào)度中發(fā)揮著重要的作用。電力負荷預(yù)測對于電力系統(tǒng)經(jīng)濟安全可靠地運行具有重要的意義。本文提出了基于貝葉斯理論馬爾可夫鏈蒙特卡洛(MCMC)算
6、法優(yōu)化參數(shù)的負荷預(yù)測模型。利用MCMC學(xué)習(xí)優(yōu)化模型的參數(shù)時,模型的參數(shù)被看作隨機變量。首先,利用樣本數(shù)據(jù)和先驗分布,根據(jù)貝葉斯定理計算參數(shù)的后驗概率分布。然后,利用參數(shù)的后驗概率分布來確定模型參數(shù)的估計值。計算參數(shù)的后驗概率分布常常需要在高維的參數(shù)空間中進行積分計算。由于很難求出多重積分的解析值,數(shù)值計算方法常常用來計算多重積分。本文利用MCMC算法對高維積分進行近似計算。本文的主要研究工作如下:1)分析了氣象因素和短期負荷之間的關(guān)系,通過散點圖和擬合曲線來確定氣象因素和短期負荷是否存在聯(lián)系。由分
7、析結(jié)果可知溫度和相對濕度是兩個對負荷有著明顯影響的氣象因素。2)建立了基于貝葉斯神經(jīng)網(wǎng)絡(luò)日負荷曲線預(yù)測模型。氣象因素變量和時間變量作為貝葉斯神經(jīng)網(wǎng)絡(luò)的輸入變量,負荷作為輸出變量。隱層神經(jīng)元的數(shù)目手動給定的。貝葉斯神經(jīng)網(wǎng)絡(luò)的權(quán)參數(shù)是一個高維隨機變量。本文提出了一種新的混合馬爾可夫鏈蒙特卡洛算法來學(xué)習(xí)貝葉斯神經(jīng)網(wǎng)絡(luò)的權(quán)向量參數(shù)。這是將Leapfrog迭代算法和Metropolis—Hasting抽樣方法相結(jié)合的混合算法。在學(xué)習(xí)貝葉斯神經(jīng)網(wǎng)絡(luò)的參數(shù)時貝葉斯神經(jīng)網(wǎng)絡(luò)看作是一個Hamilton動力系統(tǒng),權(quán)向
8、量參數(shù)看作是動力系統(tǒng)的位置變量?;旌螹CMC算法用來構(gòu)造一個權(quán)向量參數(shù)的馬爾可夫鏈,使得權(quán)向量參數(shù)的后驗概率分布就是這個馬爾可夫鏈的平穩(wěn)分布。葉斯神經(jīng)網(wǎng)絡(luò)作為預(yù)測模型對整日負荷曲線進行預(yù)測。實驗結(jié)果表明由混合馬爾可夫鏈蒙特卡洛算法確定參數(shù)的貝葉斯神經(jīng)網(wǎng)絡(luò)較高的預(yù)測精度和較強的泛化能力。很好地克服了過擬合現(xiàn)象。3)提出了基于具有解釋變量狀態(tài)空間模型的月度典型負荷預(yù)測方法。本文考慮月度的最大負荷和最小負荷典型負荷的預(yù)測。由于氣象因素溫度和相對濕度與負荷之間存在著正相關(guān)的關(guān)系,加熱指數(shù)、