基于数据预处理和人工智能优化的组合预测模型的研究及应用
发布时间：2020-10-19 16:14
信息技术的发展以及互联网的普及使得信息数据迅速增长,如何将这些海量的数据进行有效地处理,挖掘到更多有用的信息已成为备受关注的问题。面对如此庞大的数据量,对数据加以预测已经是现阶段普遍使用的一种有效处理方式。预测是通过一定科学依据客观地、合理地揭示所预测对象的本质及其规律,借助于大量数据的支撑,可以定量的、定性的去了解数据,继而对被了解事物未来的趋势开展清晰地描述。通过对未来数据的预测,可以帮助人们、企业等提前制订合理的方案计划,也可有效避免一定损失。尤其是在电力系统中,对电力的准确预测不仅能节约生产成本,给社会带来大量的经济效益的同时,又能环保,打造一种绿色、低碳的生产、生活环境。电能作为一种清洁能源已广泛应用于人们的生产和生活中,是国家经济发展的一条关键的能源命脉。然而,受到气候、环境、人口等多种因素的影响,电能难以储存,导致电力生产商很难对电力生产量进行提前估计,因而可能造成能源的短缺或者能源浪费。同时电能生产量的不稳定波动会造成电价的大幅波动,对居民、企业等的使用和购买产生一定影响。随着电能的进一步广泛使用,精确的电力预测就显得更重要了,因此,一个有效的、准确的、适用性强的电力预测方法显得尤为关键。本文通过数据预处理和人工智能优化算法,提出了一种组合预测方法,该方法结合了小波变换(Wavelet Transform,WT)、极限学习机(Extreme Learning Machine,ELM)、相空间重构预测(Phase Space Reconstruction,PSR)、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)和粒子群优化(Particle Swarm Optimization,PSO)算法。该组合预测方法首先采用小波变换的阈值处理剔除原始数据中的噪声数据,接着分别用三种单独方法对降噪后的数据进行预测,得到中间预测结果,最后通过PSO进行权重优化调节,对三种单独方法赋予不同权重。权重和预测值相乘后再将三者相加从而得到最终预测结果。为了说明本文所提出的方法的高预测性能,本文采用了两种模拟性试验:电力负荷预测和电价预测。数据来源于澳大利亚能源市场(AEM)的其中两个区域:新南威尔士州和维多利亚州。两组数据的模拟仿真一方面可以证明所提出组合方法的高预测精度,另一方面又可以将方法进一步推广,可普遍适用于多种数据,有广泛的适用性。同时,该组合预测方法同多个单独方法及已提出的现存的组合方法进行数据对比分析,结果证明了本文所提出的组合预测方法有较高的预测精度和广泛的适用性。
【学位单位】：兰州大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP18;TM715
【部分图文】：
兰 大学硕士研究 学位论文 基于数据预处理和人 智能优化的组合预测模型的研究及应用6.2.2 实验仿真及结果因为电力负荷的数据会不可避免地受到各种因素的影响而含有噪声，如果直接使用原始数据进行预测则会增加预测的误差量，直接影响预测模型的效果。因而，在预测之前通过小波分解将一维的时间序列进行噪声处理。一般来说，不存在一个完美有效的选择分解层数的方法，故很多时候靠经验选择。考虑到数据内在的属性，本实验中将分解层级设定为 5，因为选用的是阈值法进行降噪，故阈值选择了固定阈值且设定为软阈值，小波选取的是 sysm8。图 6-3 展示了小波降噪的结果，经过小波分析处理之后，数据前后的对比图如下所示：图中展示了一周的数据，未降噪之前的数据曲线在某些点上稍微有些波动，使得整个曲线不是很平滑。经过降噪处理之后，去除了小于所设定的阈值门限的异常点，最后得到了降噪后的数据。经过仔细对比，可以发现降噪后的曲线明显比含有噪声数据的曲线更光滑，可以很好的证明小波降噪的效果。
兰 大学硕士研究 学位论文 基于数据预处理和人 智能优化的组合预测模型的研究及应用在周六的后半段时间段也同样出现真实值稍大于预测值。尽管 ELM 在一些时刻预测会出现一些偏差，但并不影响整体的预测效果。图 6-4 中下半部分是以三维柱状图的形式将 ELM 的三种评价指标数据展现出来，其预测效果以另一种方式得以呈现。表 6-1 则直观的以具体数据形式展示了 ELM 的预测结果及效果，最终地预测结果的 MAPE 值在周五的时候最小，而且平均 MAPE 值达到了 2.613%。所有的结果图及表均显示出 ELM 方法的强大。
兰 大学硕士研究 学位论文 基于数据预处理和人 智能优化的组合预测模型的研究及应用MAPE 值整周除了星期天均低于 3%，但周日的 MAPE 值也相当接近于 3%，尽管该方法预测稍存在误差，但其他 6 天结果足以证明其性能的强大。表 6-2 也展示了三个指标（MAE、RMSE 和 MAPE）的预测结果，可以清楚地看到，预测方法的 MAPE 值在整个星期的波动十分小，最低值达到 2.161%，而最高也只有3.104%，数据可很明显表明相空间重构预测的高精度性及预测方法的稳定性。
【参考文献】
本文编号：2847430
【学位单位】：兰州大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP18;TM715
【部分图文】：
兰 大学硕士研究 学位论文 基于数据预处理和人 智能优化的组合预测模型的研究及应用6.2.2 实验仿真及结果因为电力负荷的数据会不可避免地受到各种因素的影响而含有噪声，如果直接使用原始数据进行预测则会增加预测的误差量，直接影响预测模型的效果。因而，在预测之前通过小波分解将一维的时间序列进行噪声处理。一般来说，不存在一个完美有效的选择分解层数的方法，故很多时候靠经验选择。考虑到数据内在的属性，本实验中将分解层级设定为 5，因为选用的是阈值法进行降噪，故阈值选择了固定阈值且设定为软阈值，小波选取的是 sysm8。图 6-3 展示了小波降噪的结果，经过小波分析处理之后，数据前后的对比图如下所示：图中展示了一周的数据，未降噪之前的数据曲线在某些点上稍微有些波动，使得整个曲线不是很平滑。经过降噪处理之后，去除了小于所设定的阈值门限的异常点，最后得到了降噪后的数据。经过仔细对比，可以发现降噪后的曲线明显比含有噪声数据的曲线更光滑，可以很好的证明小波降噪的效果。
兰 大学硕士研究 学位论文 基于数据预处理和人 智能优化的组合预测模型的研究及应用在周六的后半段时间段也同样出现真实值稍大于预测值。尽管 ELM 在一些时刻预测会出现一些偏差，但并不影响整体的预测效果。图 6-4 中下半部分是以三维柱状图的形式将 ELM 的三种评价指标数据展现出来，其预测效果以另一种方式得以呈现。表 6-1 则直观的以具体数据形式展示了 ELM 的预测结果及效果，最终地预测结果的 MAPE 值在周五的时候最小，而且平均 MAPE 值达到了 2.613%。所有的结果图及表均显示出 ELM 方法的强大。
兰 大学硕士研究 学位论文 基于数据预处理和人 智能优化的组合预测模型的研究及应用MAPE 值整周除了星期天均低于 3%，但周日的 MAPE 值也相当接近于 3%，尽管该方法预测稍存在误差，但其他 6 天结果足以证明其性能的强大。表 6-2 也展示了三个指标（MAE、RMSE 和 MAPE）的预测结果，可以清楚地看到，预测方法的 MAPE 值在整个星期的波动十分小，最低值达到 2.161%，而最高也只有3.104%，数据可很明显表明相空间重构预测的高精度性及预测方法的稳定性。
【参考文献】
相关期刊论文 前1条
1 陈文颖;林永君;杨春来;刘卫亮;马进;马良玉;马永光;;基于SVM预测模型的光伏发电系统MPPT研究[J];太阳能学报;2013年02期
相关硕士学位论文 前1条
1 秦珊珊;悬浮颗粒物PM10与PM2.5的统计分析与预测[D];兰州大学;2014年
本文编号：2847430
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2847430.html
