基于BP神经网络的混合预测模型的实例研究

发布时间：2017-08-29 06:37

  本文关键词：基于BP神经网络的混合预测模型的实例研究

  更多相关文章： BP神经网络 异常值检测 粒子群算法 布谷鸟算法 模糊时间序列

【摘要】：预测问题是统计学中的一个重要课题,准确的预测对于制定政策、计划,提前安排工作,预防不利情况发生有着重要意义。BP神经网络(BPNN)是一种人工智能的方法,因其具非线性映射、自学习自适应、泛化和容错能力以及结构简单的优点而被广泛应用于预测领域,有在本文中,利用其优良特性,构建了三种基于BPNN的混合预测模型,并应用于中国海南省风速预测、澳大利亚新南威尔士州(NSW)电力市场电价预测以及NSW电力市场电力负荷预测中,预测效果良好。第一个模型是基于异常值检测和模糊时间序列的混合预测预测模型,该模型由序列预处理组件和风速数据预测组件两个部分组成,其中BPNN被用来估计预测组件部分中二元高阶模糊时间序列(FTS)的模糊关系。该模型被应用于中国海南省四个风速站点2008年到2012年五年的日尺度风速序列预测研究中,在基本的ARMA模型已经达到较高的预测精度的情况下,混合模型仍然较大的提高了风速预测的精度,同时,实例研究发现,剔除风速序列数据中的异常值对提高模型精度是有必要的。第二、三个模型的主体分别为PSO优化的BPNN和CS优化的BPNN混合预测模型,这两个模型被分别应用于NSW电力市场电价预测和NSW电力市场电力负荷预测的研究中,实例研究对象分别为NSW 2011年6月份半小时电价和电力负荷数据。研究结果表明混合模型能在一定程度上提高NSW电价和电力负荷的预测精度,同时也发现,在具体实例中SVM达到了比混合模型更高的预测精度。通过对三个实例研究的综合分析发现,混合模型均在不同程度上提高了预测精度,表明基于BPNN混合预测模型在提高模型预测精度方面具有实际意义,但同时也可以看到,并不是在所有情况下,基于BPNN的预测模型都能到达最优的效果,此现象要求分析研究人员根据具体的情况,分析具体的问题, 进而提出适合于该具体问题的解决方法,以到达更好的预测效果。
【关键词】：BP神经网络 异常值检测 粒子群算法 布谷鸟算法 模糊时间序列
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：C81;F416.61
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 第一章 引言8-16
• 1.1 研究背景8
• 1.2 研究现状8-9
• 1.3 本文方法9-14
• 1.3.1 BP神经网络结构9
• 1.3.2 BP神经网络的数学表达9-11
• 1.3.3 后向传播学习算法11-14
• 1.4 创新之处14
• 1.4.1 风速预测问题14
• 1.4.2 电力市场电价预测问题14
• 1.4.3 电力市场电力负荷预测问题14
• 1.5 研究框架及结构安排14-16
• 第二章 基于BPNN的混合预测模型在风电场中的应用16-38
• 2.1 风速预测的研究背景及意义16
• 2.2 国内外研究现状16-19
• 2.3 具体研究对象19-20
• 2.4 算法理论描述20-28
• 2.4.1 混合方法预处理组件20-23
• 2.4.2 混合方法的预测组件23-27
• 2.4.3 混合模型27-28
• 2.5 实例研究28-37
• 2.5.1 数据来源28
• 2.5.2 数据采集28-29
• 2.5.3 模型评价标准29
• 2.5.4 混合方法过程中的详细结果29-37
• 2.6 实例研究结论37-38
• 第三章 基于BPNN的混合预测模型在电价预测中的应用38-45
• 3.1 电价预测的研究背景及意义38
• 3.2 研究现状简述38-39
• 3.3 具体研究对象39
• 3.4 算法描述39-42
• 3.5 实例研究42-44
• 3.6 实例研究结论44-45
• 第四章 基于BPNN的混合预测模型在电力负荷预测中的应用45-49
• 4.1 电力负荷预测的研究背景及意义45
• 4.2 研究现状简述45
• 4.3 具体研究对象45
• 4.4 算法描述45-47
• 4.5 实例研究47-48
• 4.6 实例研究结论48-49
• 第五章 结论49-51
• 参考文献51-55
• 致谢55

【参考文献】

中国期刊全文数据库 前1条

1 赵晶;;电力市场中电价预测方法综述[J];企业技术开发;2013年18期

中国硕士学位论文全文数据库 前2条

1 马睿;超短期电力负荷预测的多模型极限学习算法[D];上海交通大学;2011年

2 刘奎;基于混沌和小波神经网络的短期电力负荷预测方法研究[D];西南交通大学;2012年

，

本文编号：751848