本文選題：時(shí)間序列預(yù)測(cè)　切入點(diǎn)：神經(jīng)網(wǎng)絡(luò)　出處：《蘭州大學(xué)》2015年碩士論文

【摘要】：隨著世界上風(fēng)力發(fā)電的快速發(fā)展,風(fēng)電在電網(wǎng)中所占的比例不斷增大。然而,準(zhǔn)確的風(fēng)速預(yù)測(cè)仍然是目前大規(guī)模的風(fēng)力發(fā)電的一個(gè)挑戰(zhàn)。因此,準(zhǔn)確地預(yù)測(cè)風(fēng)速對(duì)于風(fēng)力發(fā)電、實(shí)現(xiàn)電力系統(tǒng)的優(yōu)化運(yùn)行和調(diào)度是非常重要的。自回歸求和移動(dòng)平均時(shí)間序列模型(ARIMA模型)可以通過(guò)對(duì)原序列的差分得到平穩(wěn)的時(shí)間序列,相應(yīng)的非線性時(shí)間序列的建模方法,廣義自回歸條件異方差模型(GARCH模型)在ARIMA模型的基礎(chǔ)上,考慮了預(yù)測(cè)殘差的條件異方差,增加了條件方差方程,而滾動(dòng)灰色模型(RGM模型)是在灰色建模的基礎(chǔ)上,不斷引入新數(shù)據(jù)的同時(shí),淘汰對(duì)現(xiàn)在的時(shí)刻影響較小的老數(shù)據(jù),通過(guò)循環(huán)迭代實(shí)現(xiàn)數(shù)據(jù)更新。三者均在風(fēng)速預(yù)測(cè)上有著廣泛的應(yīng)用。人工智能神經(jīng)網(wǎng)絡(luò)方法由于其良好的非線性擬合能力和泛化能力,用以代替?zhèn)鹘y(tǒng)的時(shí)間序列預(yù)測(cè)方法。其中,較為常用的有BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種前饋型的神經(jīng)網(wǎng)絡(luò),可以有效的根據(jù)誤差不斷的調(diào)節(jié)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),從而達(dá)到理想的預(yù)測(cè)效果；而小波神經(jīng)網(wǎng)絡(luò)則是在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,結(jié)合小波分析的優(yōu)點(diǎn),引起了研究者極大的重視。與包括ARIMA模型、GARCH模型和RGM模型在內(nèi)的三種傳統(tǒng)時(shí)間序列模型以及單一的BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)相比,本文以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),針對(duì)其結(jié)構(gòu)初始化的隨機(jī)性問(wèn)題,結(jié)合集成預(yù)測(cè)的思想,給出了集成BP神經(jīng)網(wǎng)絡(luò)和集成小波模型風(fēng)速預(yù)測(cè)模型,可以避免因?yàn)椴淮_定的權(quán)重導(dǎo)致的缺陷。在構(gòu)造的平均數(shù)集成算子、中位數(shù)集成算子和眾數(shù)集成算子三種集成算子下,集成網(wǎng)絡(luò)的預(yù)測(cè)輸出與單一的神經(jīng)網(wǎng)絡(luò)輸出相比較有一定的改善。同時(shí)為了進(jìn)一步提高預(yù)測(cè)的準(zhǔn)確性,本文分別利用粒子群優(yōu)化(PSO)算法和布谷鳥搜索(CS)算法對(duì)計(jì)算眾數(shù)算子網(wǎng)絡(luò)輸出的核密度估計(jì)中的窗寬參數(shù)進(jìn)行優(yōu)化。在內(nèi)蒙古的風(fēng)速預(yù)測(cè)研究中表明,本文提出的基于神經(jīng)網(wǎng)絡(luò)集成算子的混合預(yù)測(cè)模型在對(duì)中國(guó)內(nèi)蒙古中部風(fēng)速的模擬預(yù)測(cè)中優(yōu)于其他五種傳統(tǒng)單一的預(yù)測(cè)模型。
[Abstract]:With the rapid development of wind power generation in the world, the proportion of wind power in power grid is increasing. However, accurate wind speed prediction is still a challenge for large-scale wind power generation. It is very important to realize the optimal operation and dispatch of power system. The autoregressive summation moving average time series model (ARIMA model) can obtain the stationary time series by the difference of the original sequence and the corresponding modeling method of the nonlinear time series. The generalized autoregressive conditional heteroscedasticity model (GARCH) is based on the ARIMA model, which considers the conditional heteroscedasticity of the prediction residual and increases the conditional variance equation, while the rolling grey model is based on the grey model. At the same time that new data are being introduced, old data that has less impact on the present moment will be eliminated. The three methods are widely used in wind speed prediction. Artificial intelligence neural network method has good nonlinear fitting ability and generalization ability. The BP neural network and the wavelet neural network. BP neural network is a kind of feedforward neural network, which can adjust the network structure parameters continuously according to the error. The wavelet neural network is based on BP neural network and combines the advantages of wavelet analysis. Compared with three traditional time series models, including ARIMA model and RGM model, as well as a single BP neural network and wavelet neural network, this paper is based on neural network. Aiming at the randomness of the structure initialization, the integrated BP neural network and the integrated wavelet model wind speed prediction model are presented, combined with the idea of integrated prediction. The defects caused by uncertain weights can be avoided. Under three kinds of integration operators, the mean integration operator, the median integration operator and the mode integration operator, The predictive output of the integrated network is better than that of the single neural network, and in order to further improve the accuracy of the prediction, In this paper, the particle swarm optimization (PSO) algorithm and the cuckoo search algorithm (CSC) are used to optimize the window width parameters in the kernel density estimation of the output of the modular operator network. In this paper, the hybrid forecasting model based on neural network ensemble operator is superior to the other five traditional single forecasting models in forecasting wind speed in the middle of Inner Mongolia.
【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)】：TP183;TM614

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙勝穎;高廣春;;基于蟻群算法的選擇性神經(jīng)網(wǎng)絡(luò)集成方法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2009年09期

2 劉愛(ài)華;劉丙杰;冀海燕;高德欣;;基于自適應(yīng)神經(jīng)網(wǎng)絡(luò)集成的電子設(shè)備故障預(yù)測(cè)方法[J];解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年05期

3 傅向華,馮博琴,馬兆豐,何明;增量構(gòu)造負(fù)相關(guān)異構(gòu)神經(jīng)網(wǎng)絡(luò)集成的方法[J];西安交通大學(xué)學(xué)報(bào);2004年08期

4 朱海平;趙玉;吳軍;邵新宇;;神經(jīng)網(wǎng)絡(luò)集成方法在產(chǎn)品完工期預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)集成制造系統(tǒng);2007年11期

5 聶光瑋;齊一揮;;模糊神經(jīng)網(wǎng)絡(luò)集成在液壓故障診斷中的應(yīng)用[J];現(xiàn)代防御技術(shù);2008年01期

6 陳建軍;劉海鋒;王小兵;謝永強(qiáng);徐健;;一種基于神經(jīng)網(wǎng)絡(luò)集成的艦船參數(shù)辨識(shí)方法[J];船舶力學(xué);2009年04期

7 安金霞;朱紀(jì)洪;袁夏明;;基于神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)的多神經(jīng)網(wǎng)絡(luò)集成方法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年S1期

8 李明愛(ài);王蕊;郝冬梅;;基于神經(jīng)網(wǎng)絡(luò)集成技術(shù)的運(yùn)動(dòng)想像腦電識(shí)別方法[J];北京工業(yè)大學(xué)學(xué)報(bào);2011年03期

9 劉大有;張冬威;李妮婭;劉杰;金弟;;基于網(wǎng)絡(luò)聚類選擇的神經(jīng)網(wǎng)絡(luò)集成方法及應(yīng)用[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2011年04期

10 胡建鴻;洪熊;劉江華;趙暉;;基于二級(jí)神經(jīng)網(wǎng)絡(luò)集成的橋梁健康狀態(tài)的融合評(píng)估方法[J];南昌大學(xué)學(xué)報(bào)(理科版);2012年02期

相關(guān)會(huì)議論文 前5條

1 安金霞;朱紀(jì)洪;袁夏明;;基于神經(jīng)網(wǎng)絡(luò)知識(shí)庫(kù)的多神經(jīng)網(wǎng)絡(luò)集成方法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第六分冊(cè)）[中南大學(xué)學(xué)報(bào)（增刊）][C];2009年

2 楊育榮;左瑞芹;王科俊;;基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)集成研究[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文選編[C];2005年

3 吳月明;王益群;李莉;;基于神經(jīng)網(wǎng)絡(luò)集成的可靠性分布模型的智能識(shí)別[A];2006年全國(guó)機(jī)械可靠性學(xué)術(shù)交流會(huì)論文集[C];2006年

4 張正道;胡壽松;;基于神經(jīng)網(wǎng)絡(luò)免疫集成的非線性時(shí)間序列故障預(yù)報(bào)[A];江蘇省自動(dòng)化學(xué)會(huì)七屆四次理事會(huì)暨2004學(xué)術(shù)年會(huì)青年學(xué)者論壇論文集[C];2004年

5 杜曉鳳;丁友東;;FloatBag選擇性神經(jīng)網(wǎng)絡(luò)集成及其在人臉檢測(cè)中的應(yīng)用[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年

相關(guān)博士學(xué)位論文 前7條

1 沈掌泉;神經(jīng)網(wǎng)絡(luò)集成技術(shù)及其在土壤學(xué)中應(yīng)用的研究[D];浙江大學(xué);2005年

2 劉悅;神經(jīng)網(wǎng)絡(luò)集成及其在地震預(yù)報(bào)中的應(yīng)用研究[D];上海大學(xué);2005年

3 林民龍;基于神經(jīng)網(wǎng)絡(luò)集成的增量式學(xué)習(xí)[D];中國(guó)科學(xué)技術(shù)大學(xué);2012年

4 張東波;粗集神經(jīng)網(wǎng)絡(luò)集成方法及其在模式識(shí)別中的應(yīng)用[D];湖南大學(xué);2007年

5 高敬陽(yáng);神經(jīng)網(wǎng)絡(luò)集成BOOSTING類算法研究[D];北京化工大學(xué);2012年

6 戴群;基于ICBP模型的混合神經(jīng)網(wǎng)絡(luò)與多樣化集成方法的研究[D];南京航空航天大學(xué);2009年

7 陳敏之;文胸作用下女體胸部形態(tài)變化效果分析及其模擬研究[D];東華大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 樂(lè)曉蓉;神經(jīng)網(wǎng)絡(luò)集成算法設(shè)計(jì)及分析[D];揚(yáng)州大學(xué);2007年

2 張藝馨;基于神經(jīng)網(wǎng)絡(luò)集成算子的混合模型的研究與應(yīng)用[D];蘭州大學(xué);2015年

3 陳涓;神經(jīng)網(wǎng)絡(luò)集成的泛化能力研究及其應(yīng)用[D];蘭州理工大學(xué);2009年

4 劉何秀;神經(jīng)網(wǎng)絡(luò)集成算法的研究[D];中國(guó)海洋大學(xué);2009年

5 徐瑜;基于主動(dòng)差異學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)集成的電力變壓器故障診斷方法研究[D];湘潭大學(xué);2010年

6 李巖;神經(jīng)網(wǎng)絡(luò)集成及其在分類和回歸問(wèn)題中的應(yīng)用研究[D];華北電力大學(xué)（河北）;2010年

7 張冬威;基于網(wǎng)絡(luò)聚類選擇的神經(jīng)網(wǎng)絡(luò)集成方法及其在農(nóng)業(yè)中的應(yīng)用[D];吉林大學(xué);2011年

8 徐敏;基于神經(jīng)網(wǎng)絡(luò)集成的圖書剔舊專家系統(tǒng)的研究[D];江蘇大學(xué);2006年

9 孫冰;基于覆蓋型神經(jīng)網(wǎng)絡(luò)集成的語(yǔ)音識(shí)別研究[D];南京工業(yè)大學(xué);2006年

10 單峰;基于神經(jīng)網(wǎng)絡(luò)集成的匯率預(yù)測(cè)模型研究[D];南京航空航天大學(xué);2004年

，

本文編號(hào)：1677450