本文關(guān)鍵詞：基于BP神經(jīng)網(wǎng)絡(luò)的混合預(yù)測(cè)模型的實(shí)例研究

  更多相關(guān)文章： BP神經(jīng)網(wǎng)絡(luò) 異常值檢測(cè) 粒子群算法 布谷鳥算法 模糊時(shí)間序列

【摘要】：預(yù)測(cè)問題是統(tǒng)計(jì)學(xué)中的一個(gè)重要課題,準(zhǔn)確的預(yù)測(cè)對(duì)于制定政策、計(jì)劃,提前安排工作,預(yù)防不利情況發(fā)生有著重要意義。BP神經(jīng)網(wǎng)絡(luò)(BPNN)是一種人工智能的方法,因其具非線性映射、自學(xué)習(xí)自適應(yīng)、泛化和容錯(cuò)能力以及結(jié)構(gòu)簡(jiǎn)單的優(yōu)點(diǎn)而被廣泛應(yīng)用于預(yù)測(cè)領(lǐng)域,有在本文中,利用其優(yōu)良特性,構(gòu)建了三種基于BPNN的混合預(yù)測(cè)模型,并應(yīng)用于中國(guó)海南省風(fēng)速預(yù)測(cè)、澳大利亞新南威爾士州(NSW)電力市場(chǎng)電價(jià)預(yù)測(cè)以及NSW電力市場(chǎng)電力負(fù)荷預(yù)測(cè)中,預(yù)測(cè)效果良好。第一個(gè)模型是基于異常值檢測(cè)和模糊時(shí)間序列的混合預(yù)測(cè)預(yù)測(cè)模型,該模型由序列預(yù)處理組件和風(fēng)速數(shù)據(jù)預(yù)測(cè)組件兩個(gè)部分組成,其中BPNN被用來估計(jì)預(yù)測(cè)組件部分中二元高階模糊時(shí)間序列(FTS)的模糊關(guān)系。該模型被應(yīng)用于中國(guó)海南省四個(gè)風(fēng)速站點(diǎn)2008年到2012年五年的日尺度風(fēng)速序列預(yù)測(cè)研究中,在基本的ARMA模型已經(jīng)達(dá)到較高的預(yù)測(cè)精度的情況下,混合模型仍然較大的提高了風(fēng)速預(yù)測(cè)的精度,同時(shí),實(shí)例研究發(fā)現(xiàn),剔除風(fēng)速序列數(shù)據(jù)中的異常值對(duì)提高模型精度是有必要的。第二、三個(gè)模型的主體分別為PSO優(yōu)化的BPNN和CS優(yōu)化的BPNN混合預(yù)測(cè)模型,這兩個(gè)模型被分別應(yīng)用于NSW電力市場(chǎng)電價(jià)預(yù)測(cè)和NSW電力市場(chǎng)電力負(fù)荷預(yù)測(cè)的研究中,實(shí)例研究對(duì)象分別為NSW 2011年6月份半小時(shí)電價(jià)和電力負(fù)荷數(shù)據(jù)。研究結(jié)果表明混合模型能在一定程度上提高NSW電價(jià)和電力負(fù)荷的預(yù)測(cè)精度,同時(shí)也發(fā)現(xiàn),在具體實(shí)例中SVM達(dá)到了比混合模型更高的預(yù)測(cè)精度。通過對(duì)三個(gè)實(shí)例研究的綜合分析發(fā)現(xiàn),混合模型均在不同程度上提高了預(yù)測(cè)精度,表明基于BPNN混合預(yù)測(cè)模型在提高模型預(yù)測(cè)精度方面具有實(shí)際意義,但同時(shí)也可以看到,并不是在所有情況下,基于BPNN的預(yù)測(cè)模型都能到達(dá)最優(yōu)的效果,此現(xiàn)象要求分析研究人員根據(jù)具體的情況,分析具體的問題, 進(jìn)而提出適合于該具體問題的解決方法,以到達(dá)更好的預(yù)測(cè)效果。
【關(guān)鍵詞】：BP神經(jīng)網(wǎng)絡(luò) 異常值檢測(cè) 粒子群算法 布谷鳥算法 模糊時(shí)間序列
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：C81;F416.61
【目錄】：

• 摘要3-4
• ABSTRACT4-8
• 第一章 引言8-16
• 1.1 研究背景8
• 1.2 研究現(xiàn)狀8-9
• 1.3 本文方法9-14
• 1.3.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)9
• 1.3.2 BP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表達(dá)9-11
• 1.3.3 后向傳播學(xué)習(xí)算法11-14
• 1.4 創(chuàng)新之處14
• 1.4.1 風(fēng)速預(yù)測(cè)問題14
• 1.4.2 電力市場(chǎng)電價(jià)預(yù)測(cè)問題14
• 1.4.3 電力市場(chǎng)電力負(fù)荷預(yù)測(cè)問題14
• 1.5 研究框架及結(jié)構(gòu)安排14-16
• 第二章 基于BPNN的混合預(yù)測(cè)模型在風(fēng)電場(chǎng)中的應(yīng)用16-38
• 2.1 風(fēng)速預(yù)測(cè)的研究背景及意義16
• 2.2 國(guó)內(nèi)外研究現(xiàn)狀16-19
• 2.3 具體研究對(duì)象19-20
• 2.4 算法理論描述20-28
• 2.4.1 混合方法預(yù)處理組件20-23
• 2.4.2 混合方法的預(yù)測(cè)組件23-27
• 2.4.3 混合模型27-28
• 2.5 實(shí)例研究28-37
• 2.5.1 數(shù)據(jù)來源28
• 2.5.2 數(shù)據(jù)采集28-29
• 2.5.3 模型評(píng)價(jià)標(biāo)準(zhǔn)29
• 2.5.4 混合方法過程中的詳細(xì)結(jié)果29-37
• 2.6 實(shí)例研究結(jié)論37-38
• 第三章 基于BPNN的混合預(yù)測(cè)模型在電價(jià)預(yù)測(cè)中的應(yīng)用38-45
• 3.1 電價(jià)預(yù)測(cè)的研究背景及意義38
• 3.2 研究現(xiàn)狀簡(jiǎn)述38-39
• 3.3 具體研究對(duì)象39
• 3.4 算法描述39-42
• 3.5 實(shí)例研究42-44
• 3.6 實(shí)例研究結(jié)論44-45
• 第四章 基于BPNN的混合預(yù)測(cè)模型在電力負(fù)荷預(yù)測(cè)中的應(yīng)用45-49
• 4.1 電力負(fù)荷預(yù)測(cè)的研究背景及意義45
• 4.2 研究現(xiàn)狀簡(jiǎn)述45
• 4.3 具體研究對(duì)象45
• 4.4 算法描述45-47
• 4.5 實(shí)例研究47-48
• 4.6 實(shí)例研究結(jié)論48-49
• 第五章 結(jié)論49-51
• 參考文獻(xiàn)51-55
• 致謝55

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前1條

1 趙晶;;電力市場(chǎng)中電價(jià)預(yù)測(cè)方法綜述[J];企業(yè)技術(shù)開發(fā);2013年18期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 馬睿;超短期電力負(fù)荷預(yù)測(cè)的多模型極限學(xué)習(xí)算法[D];上海交通大學(xué);2011年

2 劉奎;基于混沌和小波神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法研究[D];西南交通大學(xué);2012年

，

本文編號(hào)：751848