發(fā)布時間：2018-03-28 18:08

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

【摘要】：隨著世界上風力發(fā)電的快速發(fā)展,風電在電網(wǎng)中所占的比例不斷增大。然而,準確的風速預(yù)測仍然是目前大規(guī)模的風力發(fā)電的一個挑戰(zhàn)。因此,準確地預(yù)測風速對于風力發(fā)電、實現(xiàn)電力系統(tǒng)的優(yōu)化運行和調(diào)度是非常重要的。自回歸求和移動平均時間序列模型(ARIMA模型)可以通過對原序列的差分得到平穩(wěn)的時間序列,相應(yīng)的非線性時間序列的建模方法,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)測殘差的條件異方差,增加了條件方差方程,而滾動灰色模型(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,淘汰對現(xiàn)在的時刻影響較小的老數(shù)據(jù),通過循環(huán)迭代實現(xiàn)數(shù)據(jù)更新。三者均在風速預(yù)測上有著廣泛的應(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)的時間序列預(yù)測方法。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),從而達到理想的預(yù)測效果；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,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),針對其結(jié)構(gòu)初始化的隨機性問題,結(jié)合集成預(yù)測的思想,給出了集成BP神經(jīng)網(wǎng)絡(luò)和集成小波模型風速預(yù)測模型,可以避免因為不確定的權(quán)重導致的缺陷。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。同時為了進一步提高預(yù)測的準確性,本文分別利用粒子群優(yōu)化(PSO)算法和布谷鳥搜索(CS)算法對計算眾數(shù)算子網(wǎng)絡(luò)輸出的核密度估計中的窗寬參數(shù)進行優(yōu)化。在內(nèi)蒙古的風速預(yù)測研究中表明,本文提出的基于神經(jīng)網(wǎng)絡(luò)集成算子的混合預(yù)測模型在對中國內(nèi)蒙古中部風速的模擬預(yù)測中優(yōu)于其他五種傳統(tǒng)單一的預(yù)測模型。
[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.
【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP183;TM614

【相似文獻】

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];浙江大學學報(工學版);2009年09期

2 劉愛華;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)測方法[J];解放軍理工大學學報(自然科學版);2013年05期

3 傅向華,馮博琴,馬兆豐,何明;增量構(gòu)造負相關(guān)異構(gòu)神經(jīng)網(wǎng)絡(luò)集成的方法[J];西安交通大學學報;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)測中的應(yīng)用[J];計算機集成制造系統(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;徐健;;一種基于神經(jīng)網(wǎng)絡(luò)集成的艦船參數(shù)辨識方法[J];船舶力學;2009年04期

7 安金霞;朱紀洪;袁夏明;;基于神經(jīng)網(wǎng)絡(luò)知識庫的多神經(jīng)網(wǎng)絡(luò)集成方法[J];中南大學學報(自然科學版);2009年S1期

8 李明愛;王蕊;郝冬梅;;基于神經(jīng)網(wǎng)絡(luò)集成技術(shù)的運動想像腦電識別方法[J];北京工業(yè)大學學報;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];吉林大學學報(工學版);2011年04期

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

相關(guān)會議論文 前5條

1 安金霞;朱紀洪;袁夏明;;基于神經(jīng)網(wǎng)絡(luò)知識庫的多神經(jīng)網(wǎng)絡(luò)集成方法[A];2009年中國智能自動化會議論文集（第六分冊）[中南大學學報（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)用學術(shù)交流會論文選編[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別[A];2006年全國機械可靠性學術(shù)交流會論文集[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間序列故障預(yù)報[A];江蘇省自動化學會七屆四次理事會暨2004學術(shù)年會青年學者論壇論文集[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中的應(yīng)用[A];第十二屆全國信號處理學術(shù)年會（CCSP-2005）論文集[C];2005年

相關(guān)博士學位論文 前7條

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

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

3 林民龍;基于神經(jīng)網(wǎng)絡(luò)集成的增量式學習[D];中國科學技術(shù)大學;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別中的應(yīng)用[D];湖南大學;2007年

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

相關(guān)碩士學位論文 前10條

1 樂曉蓉;神經(jīng)網(wǎng)絡(luò)集成算法設(shè)計及分析[D];揚州大學;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;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;2009年

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

5 徐瑜;基于主動差異學習神經(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;2010年

6 李巖;神經(jīng)網(wǎng)絡(luò)集成及其在分類和回歸問題中的應(yīng)用研究[D];華北電力大學（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;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;2006年

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

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

，

本文編號：1677450