基于支持向量机的组合预测模型及其应用研究

发布时间：2017-08-05 02:22

  本文关键词：基于支持向量机的组合预测模型及其应用研究

  更多相关文章： 短期负荷预测 EEMD LSSVM 贝叶斯框架 相空间重构 组合预测模型

【摘要】：预测广泛的应用到生活中的各个领域中,目前常用的预测方法有很多种,而支持向量机(SVM)是一种基于统计学理论的新方法,具有很好的推广能力以及全局最优解,在解决小样本、非线性等问题上有着很大的优势。但由于标准的SVM求解的是二次规划问题,计算量比较大,同时单一的预测方法都存在精度都不是很高,参数不易选择等问题,针对这些问题做了如下研究工作。本文首先介绍了预测的研究意义以及常用的预测方法,然后对电力短期负荷数据分析得到其时间序列是非线性、非平稳的,而经验模态分解(EMD)是一种自适应的非线性处理方法,通过将原始的时间序列分解,可以得到一系列相对比较平稳的分量,由于EMD可能会存在模态混叠的现象,因此在此基础之上采用集合经验模态分解(EEMD)对时间序列进行分解。其次,针对SVM计算量较大的问题,采用了最小二乘支持向量机(LSSVM),简化了计算,然后结合EEMD提出了EEMD-LSSVM的组合预测模型,并将这一预测模型应用于电力短期负荷预测中。首先利用EEMD对原始数据进行分解,然后对分解出来的各个分量分别建立LSSVM模型,再通过贝叶斯证据框架对模型参数进行优化选择,最后将各分量的预测结果叠加得到最终的预测值,仿真结果表明组合预测模型取得了较好的预测效果,并且EEMD更适合对非平稳数据进行处理。最后,虽然LSSVM在一定程度上简化了计算,但LSSVM丧失了稀疏性和鲁棒性,基于此,采用了加权最小二乘支持向量机(WLSSVM)。然后对电力短期负荷数据进行混沌特性识别,将混沌理论中的相空间重构方法用于预测中,再结合和EEMD建立了基于混沌理论的EEMD-WLSSVM的组合预测模型。通过对原始数据进行EEMD分解,然后对每个分量求取延迟时间和嵌入维数进行相空间重构,建立WLSSVM的预测模型,最后将各分量的预测结果相加得到最终预测结果,仿真结果表明,取得了比单一预测模型更好的预测效果,验证了该模型的有效性。
【关键词】：短期负荷预测 EEMD LSSVM 贝叶斯框架 相空间重构 组合预测模型
【学位授予单位】：河南理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP18;TM714
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1 绪论10-20
• 1.1 课题研究背景及意义10-11
• 1.2 国内外研究现状11-18
• 1.2.1 传统预测方法12-14
• 1.2.2 现代预测方法14-18
• 1.3 本文研究的主要内容18-20
• 2 统计学习理论与支持向量机20-32
• 2.1 机器学习与经验风险最小化20-21
• 2.2 统计学习理论21-23
• 2.2.1 VC维21
• 2.2.2 结构风险最小化21-23
• 2.2.3 泛化能力23
• 2.3 支持向量机算法23-29
• 2.3.1 支持向量机分类24-25
• 2.3.2 支持向量机回归25-29
• 2.4 最小二乘支持向量机算法29-31
• 2.5 本章小结31-32
• 3 基于EEMD-LSSVM的组合预测模型及应用32-50
• 3.1 EEMD基本原理32-35
• 3.2 贝叶斯框架下的LSSVM回归模型35-39
• 3.2.1 LSSVM的模型参数及超参数定义36-37
• 3.2.2 贝叶斯证据框架37-39
• 3.3 EEMD-LSSVM预测模型建立及仿真研究39-48
• 3.3.1 预测模型建立39-40
• 3.3.2 误差分析指标40-41
• 3.3.3 仿真研究41-48
• 3.4 本章小结48-50
• 4 基于混沌理论的EEMD-WLSSVM组合预测模型及应用50-66
• 4.1 LSSVM与其改进算法WLSSVM50
• 4.2 相空间重构理论参数选取50-55
• 4.2.1 延迟时间选取51-53
• 4.2.2 嵌入维数选取53-55
• 4.3 Lyapunov指数55-57
• 4.4 Kolmogorov熵57
• 4.5 WLSSVM预测模型57-59
• 4.6 EEMD-WLSSVM预测模型建立及仿真研究59-65
• 4.6.1 预测模型建立59-60
• 4.6.2 仿真研究60-65
• 4.7 本章小结65-66
• 5 结论与展望66-68
• 5.1 结论66-67
• 5.2 展望67-68
• 参考文献68-74
• 作者简历74-76
• 学位论文数据集76

【相似文献】

中国期刊全文数据库 前10条

1 文军;蒋由辉;方文清;;航空货运量的优化组合预测模型[J];计算机工程与应用;2010年15期

2 黄元生;黎特;皮薇;;非平均权重条件下电力负荷组合预测模型研究[J];山东电力高等专科学校学报;2013年03期

3 丁岳维;组合预测模型的研究[J];西安公路交通大学学报;1997年04期

4 朱章;对组合预测模型预测精度的分析[J];黄石高等专科学校学报;1997年01期

5 邢棉;能源发展趋势的非线性优化组合预测模型研究[J];华北电力大学学报;2002年03期

6 陈华友,赵佳宝,刘春林;基于灰色关联度的组合预测模型的性质[J];东南大学学报(自然科学版);2004年01期

7 李眉眉;丁晶;衡彤;覃光华;;电力月负荷的混沌趋势组合模型预测[J];四川电力技术;2006年03期

8 张欣;;组合预测模型在上海内河港口吞吐量预测中的应用[J];水运工程;2007年04期

9 王斌;张金隆;;航线流量组合预测模型研究[J];武汉理工大学学报(信息与管理工程版);2008年03期

10 赵海青,杨秀岐;灰色加法组合预测模型及其应用[J];保定师范专科学校学报;2002年04期

中国重要会议论文全文数据库 前10条

1 谢如贤;成盛超;程仕军;陈思华;;变结构组合预测模型的建立与应用[A];全国青年管理科学与系统科学论文集（第2卷）[C];1993年

2 董景荣;;基于遗传辅助设计的汇率组合预测模型研究[A];面向复杂系统的管理理论与信息系统技术学术会议专辑[C];2000年

3 马永开;唐小我;;组合预测模型研究[A];管理科学与系统科学进展——全国青年管理科学与系统科学论文集（第4卷）[C];1997年

4 成枢;刘国林;高放;;最优组合预测模型及其在变形预测中的应用[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

5 何迎东;吴婉莹;郭u&;陈华友;;基于离消度的组合预测模型及其应用[A];第十届中国不确定系统年会、第十四届中国青年信息与管理学者大会论文集[C];2012年

6 陈华友;程蕾;张倩;;基于相关系数的IOWA算子最优组合预测模型[A];第四届中国不确定系统年会论文集[C];2006年

7 陈华友;;IOWA算子的组合预测模型及在所得税预测中的应用[A];第三届不确定系统年会论文集[C];2005年

8 谢正文;孔凡玉;胡毅夫;;基于熵权的沉降组合预测模型及应用[A];第一届中国水利水电岩土力学与工程学术讨论会论文集（下册）[C];2006年

9 王永光;赵国浩;;变权组合预测模型在中国煤炭需求预测中的应用[A];2007中国可持续发展论坛暨中国可持续发展学术年会论文集（4）[C];2007年

10 王尚俊;吴刚;陈华友;周礼刚;;基于广义10WA算子的组合预测模型及在卷烟消费需求中应用[A];第十一届中国不确定系统年会、第十五届中国青年信息与管理学者大会论文集[C];2013年

中国博士学位论文全文数据库 前4条

1 赵川;重载交通对高速公路桥梁的疲劳影响研究[D];河北工业大学;2015年

2 向昌盛;基于支持向量机的时间序列组合预测模型[D];湖南农业大学;2011年

3 万玉成;基于未确知性的预测与决策方法及其应用研究[D];东南大学;2004年

4 南晓强;风电预测技术及其运行分析[D];西南交通大学;2013年

中国硕士学位论文全文数据库 前10条

1 宋鹤;基于WEB的风电场可视化监测技术研究[D];沈阳理工大学;2015年

2 高兴良;基于逐步回归分析的组合神经网络股指预测研究[D];哈尔滨工业大学;2015年

3 Phanthavong Tulaxay;基于小波-BP神经网络的贝叶斯概率组合预测模型及其在预报调度中的应用[D];华北电力大学;2015年

4 徐晓波;电动汽车充/换电站短期负荷预测方法研究[D];华北电力大学;2015年

5 蒋星;基于趋势点模型的超短期风电功率预测研究[D];广西大学;2015年

6 奚晨;组合预测模型的应用与研究[D];兰州大学;2015年

7 周清平;沪深300指数的组合预测模型研究[D];兰州大学;2015年

8 熊威;顾及多效应的混凝土坝位移联合预报与监控分析[D];南昌大学;2015年

9 李滢;基于灰色理论的车辆轮对踏面磨损预测研究[D];兰州交通大学;2015年

10 吴念;地区电网中长期负荷组合预测模型和方法研究[D];华南理工大学;2012年

，

本文编号：622803