本文關鍵詞：基于BP神經(jīng)網(wǎng)絡的混合預測模型的實例研究

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

【摘要】：預測問題是統(tǒng)計學中的一個重要課題,準確的預測對于制定政策、計劃,提前安排工作,預防不利情況發(fā)生有著重要意義。BP神經(jīng)網(wǎng)絡(BPNN)是一種人工智能的方法,因其具非線性映射、自學習自適應、泛化和容錯能力以及結構簡單的優(yōu)點而被廣泛應用于預測領域,有在本文中,利用其優(yōu)良特性,構建了三種基于BPNN的混合預測模型,并應用于中國海南省風速預測、澳大利亞新南威爾士州(NSW)電力市場電價預測以及NSW電力市場電力負荷預測中,預測效果良好。第一個模型是基于異常值檢測和模糊時間序列的混合預測預測模型,該模型由序列預處理組件和風速數(shù)據(jù)預測組件兩個部分組成,其中BPNN被用來估計預測組件部分中二元高階模糊時間序列(FTS)的模糊關系。該模型被應用于中國海南省四個風速站點2008年到2012年五年的日尺度風速序列預測研究中,在基本的ARMA模型已經(jīng)達到較高的預測精度的情況下,混合模型仍然較大的提高了風速預測的精度,同時,實例研究發(fā)現(xiàn),剔除風速序列數(shù)據(jù)中的異常值對提高模型精度是有必要的。第二、三個模型的主體分別為PSO優(yōu)化的BPNN和CS優(yōu)化的BPNN混合預測模型,這兩個模型被分別應用于NSW電力市場電價預測和NSW電力市場電力負荷預測的研究中,實例研究對象分別為NSW 2011年6月份半小時電價和電力負荷數(shù)據(jù)。研究結果表明混合模型能在一定程度上提高NSW電價和電力負荷的預測精度,同時也發(fā)現(xiàn),在具體實例中SVM達到了比混合模型更高的預測精度。通過對三個實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測精度,表明基于BPNN混合預測模型在提高模型預測精度方面具有實際意義,但同時也可以看到,并不是在所有情況下,基于BPNN的預測模型都能到達最優(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, 進而提出適合于該具體問題的解決方法,以到達更好的預測效果。
【關鍵詞】：BP神經(jīng)網(wǎng)絡 異常值檢測 粒子群算法 布谷鳥算法 模糊時間序列
【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】：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)絡結構9
• 1.3.2 BP神經(jīng)網(wǎng)絡的數(shù)學表達9-11
• 1.3.3 后向傳播學習算法11-14
• 1.4 創(chuàng)新之處14
• 1.4.1 風速預測問題14
• 1.4.2 電力市場電價預測問題14
• 1.4.3 電力市場電力負荷預測問題14
• 1.5 研究框架及結構安排14-16
• 第二章 基于BPNN的混合預測模型在風電場中的應用16-38
• 2.1 風速預測的研究背景及意義16
• 2.2 國內(nèi)外研究現(xiàn)狀16-19
• 2.3 具體研究對象19-20
• 2.4 算法理論描述20-28
• 2.4.1 混合方法預處理組件20-23
• 2.4.2 混合方法的預測組件23-27
• 2.4.3 混合模型27-28
• 2.5 實例研究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 模型評價標準29
• 2.5.4 混合方法過程中的詳細結果29-37
• 2.6 實例研究結論37-38
• 第三章 基于BPNN的混合預測模型在電價預測中的應用38-45
• 3.1 電價預測的研究背景及意義38
• 3.2 研究現(xiàn)狀簡述38-39
• 3.3 具體研究對象39
• 3.4 算法描述39-42
• 3.5 實例研究42-44
• 3.6 實例研究結論44-45
• 第四章 基于BPNN的混合預測模型在電力負荷預測中的應用45-49
• 4.1 電力負荷預測的研究背景及意義45
• 4.2 研究現(xiàn)狀簡述45
• 4.3 具體研究對象45
• 4.4 算法描述45-47
• 4.5 實例研究47-48
• 4.6 實例研究結論48-49
• 第五章 結論49-51
• 參考文獻51-55
• 致謝55

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 趙晶;;電力市場中電價預測方法綜述[J];企業(yè)技術開發(fā);2013年18期

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 馬睿;超短期電力負荷預測的多模型極限學習算法[D];上海交通大學;2011年

2 劉奎;基于混沌和小波神經(jīng)網(wǎng)絡的短期電力負荷預測方法研究[D];西南交通大學;2012年

，

本文編號：751848