信息技術(shù)的發(fā)展以及互聯(lián)網(wǎng)的普及使得信息數(shù)據(jù)迅速增長,如何將這些海量的數(shù)據(jù)進行有效地處理,挖掘到更多有用的信息已成為備受關(guān)注的問題。面對如此龐大的數(shù)據(jù)量,對數(shù)據(jù)加以預(yù)測已經(jīng)是現(xiàn)階段普遍使用的一種有效處理方式。預(yù)測是通過一定科學(xué)依據(jù)客觀地、合理地揭示所預(yù)測對象的本質(zhì)及其規(guī)律,借助于大量數(shù)據(jù)的支撐,可以定量的、定性的去了解數(shù)據(jù),繼而對被了解事物未來的趨勢開展清晰地描述。通過對未來數(shù)據(jù)的預(yù)測,可以幫助人們、企業(yè)等提前制訂合理的方案計劃,也可有效避免一定損失。尤其是在電力系統(tǒng)中,對電力的準(zhǔn)確預(yù)測不僅能節(jié)約生產(chǎn)成本,給社會帶來大量的經(jīng)濟效益的同時,又能環(huán)保,打造一種綠色、低碳的生產(chǎn)、生活環(huán)境。電能作為一種清潔能源已廣泛應(yīng)用于人們的生產(chǎn)和生活中,是國家經(jīng)濟發(fā)展的一條關(guān)鍵的能源命脈。然而,受到氣候、環(huán)境、人口等多種因素的影響,電能難以儲存,導(dǎo)致電力生產(chǎn)商很難對電力生產(chǎn)量進行提前估計,因而可能造成能源的短缺或者能源浪費。同時電能生產(chǎn)量的不穩(wěn)定波動會造成電價的大幅波動,對居民、企業(yè)等的使用和購買產(chǎn)生一定影響。隨著電能的進一步廣泛使用,精確的電力預(yù)測就顯得更重要了,因此,一個有效的、準(zhǔn)確的、適用性強的電力預(yù)測方法顯得尤為關(guān)鍵。本文通過數(shù)據(jù)預(yù)處理和人工智能優(yōu)化算法,提出了一種組合預(yù)測方法,該方法結(jié)合了小波變換(Wavelet Transform,WT)、極限學(xué)習(xí)機(Extreme Learning Machine,ELM)、相空間重構(gòu)預(yù)測(Phase Space Reconstruction,PSR)、最小二乘支持向量機(Least Squares Support Vector Machine,LSSVM)和粒子群優(yōu)化(Particle Swarm Optimization,PSO)算法。該組合預(yù)測方法首先采用小波變換的閾值處理剔除原始數(shù)據(jù)中的噪聲數(shù)據(jù),接著分別用三種單獨方法對降噪后的數(shù)據(jù)進行預(yù)測,得到中間預(yù)測結(jié)果,最后通過PSO進行權(quán)重優(yōu)化調(diào)節(jié),對三種單獨方法賦予不同權(quán)重。權(quán)重和預(yù)測值相乘后再將三者相加從而得到最終預(yù)測結(jié)果。為了說明本文所提出的方法的高預(yù)測性能,本文采用了兩種模擬性試驗:電力負(fù)荷預(yù)測和電價預(yù)測。數(shù)據(jù)來源于澳大利亞能源市場(AEM)的其中兩個區(qū)域:新南威爾士州和維多利亞州。兩組數(shù)據(jù)的模擬仿真一方面可以證明所提出組合方法的高預(yù)測精度,另一方面又可以將方法進一步推廣,可普遍適用于多種數(shù)據(jù),有廣泛的適用性。同時,該組合預(yù)測方法同多個單獨方法及已提出的現(xiàn)存的組合方法進行數(shù)據(jù)對比分析,結(jié)果證明了本文所提出的組合預(yù)測方法有較高的預(yù)測精度和廣泛的適用性。
【學(xué)位單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TP18;TM715
【部分圖文】：

蘭 大學(xué)碩士研究 學(xué)位論文 基于數(shù)據(jù)預(yù)處理和人 智能優(yōu)化的組合預(yù)測模型的研究及應(yīng)用6.2.2 實驗仿真及結(jié)果因為電力負(fù)荷的數(shù)據(jù)會不可避免地受到各種因素的影響而含有噪聲，如果直接使用原始數(shù)據(jù)進行預(yù)測則會增加預(yù)測的誤差量，直接影響預(yù)測模型的效果。因而，在預(yù)測之前通過小波分解將一維的時間序列進行噪聲處理。一般來說，不存在一個完美有效的選擇分解層數(shù)的方法，故很多時候靠經(jīng)驗選擇�？紤]到數(shù)據(jù)內(nèi)在的屬性，本實驗中將分解層級設(shè)定為 5，因為選用的是閾值法進行降噪，故閾值選擇了固定閾值且設(shè)定為軟閾值，小波選取的是 sysm8。圖 6-3 展示了小波降噪的結(jié)果，經(jīng)過小波分析處理之后，數(shù)據(jù)前后的對比圖如下所示：圖中展示了一周的數(shù)據(jù)，未降噪之前的數(shù)據(jù)曲線在某些點上稍微有些波動，使得整個曲線不是很平滑。經(jīng)過降噪處理之后，去除了小于所設(shè)定的閾值門限的異常點，最后得到了降噪后的數(shù)據(jù)。經(jīng)過仔細(xì)對比，可以發(fā)現(xiàn)降噪后的曲線明顯比含有噪聲數(shù)據(jù)的曲線更光滑，可以很好的證明小波降噪的效果。

蘭 大學(xué)碩士研究 學(xué)位論文 基于數(shù)據(jù)預(yù)處理和人 智能優(yōu)化的組合預(yù)測模型的研究及應(yīng)用在周六的后半段時間段也同樣出現(xiàn)真實值稍大于預(yù)測值。盡管 ELM 在一些時刻預(yù)測會出現(xiàn)一些偏差，但并不影響整體的預(yù)測效果。圖 6-4 中下半部分是以三維柱狀圖的形式將 ELM 的三種評價指標(biāo)數(shù)據(jù)展現(xiàn)出來，其預(yù)測效果以另一種方式得以呈現(xiàn)。表 6-1 則直觀的以具體數(shù)據(jù)形式展示了 ELM 的預(yù)測結(jié)果及效果，最終地預(yù)測結(jié)果的 MAPE 值在周五的時候最小，而且平均 MAPE 值達(dá)到了 2.613%。所有的結(jié)果圖及表均顯示出 ELM 方法的強大。

蘭 大學(xué)碩士研究 學(xué)位論文 基于數(shù)據(jù)預(yù)處理和人 智能優(yōu)化的組合預(yù)測模型的研究及應(yīng)用MAPE 值整周除了星期天均低于 3%，但周日的 MAPE 值也相當(dāng)接近于 3%，盡管該方法預(yù)測稍存在誤差，但其他 6 天結(jié)果足以證明其性能的強大。表 6-2 也展示了三個指標(biāo)（MAE、RMSE 和 MAPE）的預(yù)測結(jié)果，可以清楚地看到，預(yù)測方法的 MAPE 值在整個星期的波動十分小，最低值達(dá)到 2.161%，而最高也只有3.104%，數(shù)據(jù)可很明顯表明相空間重構(gòu)預(yù)測的高精度性及預(yù)測方法的穩(wěn)定性。
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 陳文穎;林永君;楊春來;劉衛(wèi)亮;馬進;馬良玉;馬永光;;基于SVM預(yù)測模型的光伏發(fā)電系統(tǒng)MPPT研究[J];太陽能學(xué)報;2013年02期

相關(guān)碩士學(xué)位論文 前1條

1 秦珊珊;懸浮顆粒物PM10與PM2.5的統(tǒng)計分析與預(yù)測[D];蘭州大學(xué);2014年

本文編號：2847430