基于懒惰学习的优化算法及组合预测模型的研究与应用

发布时间：2017-09-30 09:09

  本文关键词：基于懒惰学习的优化算法及组合预测模型的研究与应用

  更多相关文章： 特征提取 组合模型 多步预测 EEMD去噪 懒惰学习

【摘要】：人工神经网络自从其提出后已被成功运用到信息处理、模式识别、智能控制及系统建模等多个领域。在预测方面,国内外学者通过对多种神经网络算法进行组合或者混合得到了良好的预测效果。本文通过对电力负荷和风速数据进行模拟实验,研究神经网络组合模型在实际预测中的效果和稳定性。研究表明在竞争激烈的电力市场,由于自身的不稳定性以及各种其他因素的干扰,电力负荷序列特征难以被精确提炼。因此,如何提高电力负荷预测精度已成为电力市场的发展和完善的关键环节。为了有效解决这一难题,本文提出了基于支持向量机(SVM)、自适应神经模糊推理系统(ANFIS)、极限学习机(ELM)、特征提取和优化算法(OA)的时间序列组合优化模型(TSCOM)预测未来一天的电力负荷。这种新模式成功地吸取了每个基本模型的优点,同时还考虑了时间序列的特征。相比简单地给每个模型一个特定的权重将其组合起来,这种特征提取并结合优化算法的方法可以获得更好的预测精度。为了验证这个新模型一一TSCOM的预测精度,本文分析、模拟了澳大利亚昆士兰州的电力负荷数据,仿真结果表明该模型在预测精度上确实优于单一的SVM、ANFIS和ELM模型。在风能利用方面,风的波动性和不稳定性使其难以大规模地进行开发与利用,所以准确的风速预测,尤其是在长时间跨度下的多步风速预测是极其重要且颇具挑战性的工作。目前,多步风速预测一般使用数值模拟方法来实现,但是该方法对初值敏感的特点增加了预测误差。除了数值模拟方法,统计方法和机器学习方法也被广泛用于风速的预测,但是这两种方法很少被用来进行多步预测,其主要原因是对于这两种方法,预测精度会随着预测步数的增加而降低。由于多步风速预测方法的限制和不确定性,本文基于去噪、曲线调整、懒惰学习算法、多输出预测策略和验证的布谷鸟算法提出了一种新的混合预测模型ALL-DDVC,该模型能在有异常数据的情况下进行多步风速预测。此外,四个风电场十分钟风速数据的验证表明ALL-DDVC模型对于长时间的风速的多步预测是实用、有效的。
【关键词】：特征提取 组合模型 多步预测 EEMD去噪 懒惰学习
【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】：TM715
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-10
• 第二章 神经网络在电力负荷预测中的研究及应用10-31
• 2.1 前言10-12
• 2.2 基本方法介绍12-15
• 2.2.1 支持向量机12-13
• 2.2.2 极端学习机13-14
• 2.2.3 自适应模糊神经推断系统14
• 2.2.4 优化算法14-15
• 2.3 时间序列组合优化模型(TSCOM)15-18
• 2.3.1 时间序列的重构与预处理15-16
• 2.3.2 TSCOM模型的构建16-18
• 2.4 模型仿真和案例研究18-30
• 2.4.1 数据信息,预测原则和研究案例19
• 2.4.2 TSCOM模型用于案例1的详细过程19-23
• 2.4.3 一个案例的研究：澳大利亚夏季电力负荷预测23-28
• 2.4.4 TSCOM模型的整体预测效力28-30
• 2.5 结论30-31
• 第三章 局部模型神经网络在风速预测中的研究及应用31-66
• 3.1 前言31-32
• 3.2 研究方法介绍32-37
• 3.2.1 多步策略的介绍和比较32-36
• 3.2.2 EEMD算法简介36
• 3.2.3 选择最优模型和平均模型36-37
• 3.3 ALL_DDVC模型的提出37-42
• 3.3.1 适用于多步与单步的懒惰学习法37-40
• 3.3.2 验证布谷鸟搜索算法(VC)40-41
• 3.3.3 ALL-DDVC的规则和步骤41-42
• 3.4 实验设计过程42-46
• 3.4.1 删除异常值43-44
• 3.4.2 预测精度评价44
• 3.4.3 实验详细步骤44-46
• 3.5 实验设计过程46-65
• 3.5.1 用于风场A的原始方法的结果46-58
• 3.5.2 在风电场A时ALL-DDVC的预测结果58-59
• 3.5.3 对所有风电场的普遍结果59-65
• 3.6 主要结论65-66
• 参考文献66-74
• 在学期间的研究成果74-75
• 致谢75

【相似文献】

中国期刊全文数据库 前10条

1 王华,李介谷;人脸斜视图象的特征提取与恢复[J];上海交通大学学报;1997年01期

2 黄丽莉;皋军;;基于局部加权的非线性特征提取方法[J];华中科技大学学报(自然科学版);2013年S1期

3 徐f ,邱道尹,沈宪章;粮仓害虫的特征提取与分类的研究[J];郑州工业大学学报;2000年04期

4 张焱;张志龙;沈振康;;一种融入运动特性的显著性特征提取方法[J];国防科技大学学报;2008年03期

5 张辉;林建华;;网上交易历史记录的特征提取[J];企业科技与发展;2008年18期

6 刘美春;赵敏;谢胜利;;基于邻域空间模式的运动相关电位特征提取方法[J];华南理工大学学报(自然科学版);2009年10期

7 王天杨;程卫东;李建勇;;基于3种测度值的特征提取方法优化评价[J];仪器仪表学报;2010年04期

8 李霆,吉小军,李世中,彭长清,宋寿鹏;回归谱特征提取与识别效果分析[J];探测与控制学报;1999年04期

9 王智文,谢国庆;图像中点、线、面特征提取[J];广西工学院学报;2005年03期

10 朱永娇;;汉字特征提取的量化研究[J];科学技术与工程;2007年10期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光，

本文编号：947311