本文關(guān)鍵詞：基于懶惰學習的優(yōu)化算法及組合預(yù)測模型的研究與應(yīng)用

  更多相關(guān)文章： 特征提取 組合模型 多步預(yù)測 EEMD去噪 懶惰學習

【摘要】：人工神經(jīng)網(wǎng)絡(luò)自從其提出后已被成功運用到信息處理、模式識別、智能控制及系統(tǒng)建模等多個領(lǐng)域。在預(yù)測方面,國內(nèi)外學者通過對多種神經(jīng)網(wǎng)絡(luò)算法進行組合或者混合得到了良好的預(yù)測效果。本文通過對電力負荷和風速數(shù)據(jù)進行模擬實驗,研究神經(jīng)網(wǎng)絡(luò)組合模型在實際預(yù)測中的效果和穩(wěn)定性。研究表明在競爭激烈的電力市場,由于自身的不穩(wěn)定性以及各種其他因素的干擾,電力負荷序列特征難以被精確提煉。因此,如何提高電力負荷預(yù)測精度已成為電力市場的發(fā)展和完善的關(guān)鍵環(huán)節(jié)。為了有效解決這一難題,本文提出了基于支持向量機(SVM)、自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)、極限學習機(ELM)、特征提取和優(yōu)化算法(OA)的時間序列組合優(yōu)化模型(TSCOM)預(yù)測未來一天的電力負荷。這種新模式成功地吸取了每個基本模型的優(yōu)點,同時還考慮了時間序列的特征。相比簡單地給每個模型一個特定的權(quán)重將其組合起來,這種特征提取并結(jié)合優(yōu)化算法的方法可以獲得更好的預(yù)測精度。為了驗證這個新模型一一TSCOM的預(yù)測精度,本文分析、模擬了澳大利亞昆士蘭州的電力負荷數(shù)據(jù),仿真結(jié)果表明該模型在預(yù)測精度上確實優(yōu)于單一的SVM、ANFIS和ELM模型。在風能利用方面,風的波動性和不穩(wěn)定性使其難以大規(guī)模地進行開發(fā)與利用,所以準確的風速預(yù)測,尤其是在長時間跨度下的多步風速預(yù)測是極其重要且頗具挑戰(zhàn)性的工作。目前,多步風速預(yù)測一般使用數(shù)值模擬方法來實現(xiàn),但是該方法對初值敏感的特點增加了預(yù)測誤差。除了數(shù)值模擬方法,統(tǒng)計方法和機器學習方法也被廣泛用于風速的預(yù)測,但是這兩種方法很少被用來進行多步預(yù)測,其主要原因是對于這兩種方法,預(yù)測精度會隨著預(yù)測步數(shù)的增加而降低。由于多步風速預(yù)測方法的限制和不確定性,本文基于去噪、曲線調(diào)整、懶惰學習算法、多輸出預(yù)測策略和驗證的布谷鳥算法提出了一種新的混合預(yù)測模型ALL-DDVC,該模型能在有異常數(shù)據(jù)的情況下進行多步風速預(yù)測。此外,四個風電場十分鐘風速數(shù)據(jù)的驗證表明ALL-DDVC模型對于長時間的風速的多步預(yù)測是實用、有效的。
【關(guān)鍵詞】：特征提取 組合模型 多步預(yù)測 EEMD去噪 懶惰學習
【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】：TM715
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-10
• 第二章 神經(jīng)網(wǎng)絡(luò)在電力負荷預(yù)測中的研究及應(yīng)用10-31
• 2.1 前言10-12
• 2.2 基本方法介紹12-15
• 2.2.1 支持向量機12-13
• 2.2.2 極端學習機13-14
• 2.2.3 自適應(yīng)模糊神經(jīng)推斷系統(tǒng)14
• 2.2.4 優(yōu)化算法14-15
• 2.3 時間序列組合優(yōu)化模型(TSCOM)15-18
• 2.3.1 時間序列的重構(gòu)與預(yù)處理15-16
• 2.3.2 TSCOM模型的構(gòu)建16-18
• 2.4 模型仿真和案例研究18-30
• 2.4.1 數(shù)據(jù)信息,預(yù)測原則和研究案例19
• 2.4.2 TSCOM模型用于案例1的詳細過程19-23
• 2.4.3 一個案例的研究：澳大利亞夏季電力負荷預(yù)測23-28
• 2.4.4 TSCOM模型的整體預(yù)測效力28-30
• 2.5 結(jié)論30-31
• 第三章 局部模型神經(jīng)網(wǎng)絡(luò)在風速預(yù)測中的研究及應(yīng)用31-66
• 3.1 前言31-32
• 3.2 研究方法介紹32-37
• 3.2.1 多步策略的介紹和比較32-36
• 3.2.2 EEMD算法簡介36
• 3.2.3 選擇最優(yōu)模型和平均模型36-37
• 3.3 ALL_DDVC模型的提出37-42
• 3.3.1 適用于多步與單步的懶惰學習法37-40
• 3.3.2 驗證布谷鳥搜索算法(VC)40-41
• 3.3.3 ALL-DDVC的規(guī)則和步驟41-42
• 3.4 實驗設(shè)計過程42-46
• 3.4.1 刪除異常值43-44
• 3.4.2 預(yù)測精度評價44
• 3.4.3 實驗詳細步驟44-46
• 3.5 實驗設(shè)計過程46-65
• 3.5.1 用于風場A的原始方法的結(jié)果46-58
• 3.5.2 在風電場A時ALL-DDVC的預(yù)測結(jié)果58-59
• 3.5.3 對所有風電場的普遍結(jié)果59-65
• 3.6 主要結(jié)論65-66
• 參考文獻66-74
• 在學期間的研究成果74-75
• 致謝75

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王華,李介谷;人臉斜視圖象的特征提取與恢復(fù)[J];上海交通大學學報;1997年01期

2 黃麗莉;皋軍;;基于局部加權(quán)的非線性特征提取方法[J];華中科技大學學報(自然科學版);2013年S1期

3 徐f ,邱道尹,沈憲章;糧倉害蟲的特征提取與分類的研究[J];鄭州工業(yè)大學學報;2000年04期

4 張焱;張志龍;沈振康;;一種融入運動特性的顯著性特征提取方法[J];國防科技大學學報;2008年03期

5 張輝;林建華;;網(wǎng)上交易歷史記錄的特征提取[J];企業(yè)科技與發(fā)展;2008年18期

6 劉美春;趙敏;謝勝利;;基于鄰域空間模式的運動相關(guān)電位特征提取方法[J];華南理工大學學報(自然科學版);2009年10期

7 王天楊;程衛(wèi)東;李建勇;;基于3種測度值的特征提取方法優(yōu)化評價[J];儀器儀表學報;2010年04期

8 李霆,吉小軍,李世中,彭長清,宋壽鵬;回歸譜特征提取與識別效果分析[J];探測與控制學報;1999年04期

9 王智文,謝國慶;圖像中點、線、面特征提取[J];廣西工學院學報;2005年03期

10 朱永嬌;;漢字特征提取的量化研究[J];科學技術(shù)與工程;2007年10期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學學術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學術(shù)會議�？痆C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：947311