基于多步向前预测和人工智能的组合算法的研究和应用

发布时间：2020-10-21 12:38

　　 风能是至关重要的低碳能源,它使得可持续能源供应的实现成为了可能。而且,在某种程度上,它还是构成智能电网基础设施的关键部分。然而风的不稳定性和随机性等不确定因素极大的阻碍了风力发电的大规模应用。因此,对风速预测模型的精度和性能要求越来越高。单一模型已经不能满足现有的需求,更多的组织或机构开始将研究方向转移到组合模型实现的多步向前风速预测。同时,如何根据不同模型的优点选择子模型构成组合模型,并分析子模型对组合模型的影响也顺势成为迫切需要解决的问题。本文提出了一种新型的关于风速多步向前预测的组合算法SMSGECSEP,因其组合了奇异谱分析、滑动窗口机制实现的多步向前预测、广义回归神经网络、Elman神经网络、级联BP神经网络、回声状态网络、模拟退火算法和粒子群优化算法。该方法首先使用奇异谱分析方法处理原始的风速数据序列,将序列中的噪声信息去除;其次使用滑动窗口模型分解原始数据和降噪数据分别获得多步向前预测的输入向量序列和输出向量序列;然后分别使用SA优化的GRNN模型(SA_GRNN)、SA优化的Elman模型(SA_Elman)和SA优化的级联BP(SA_CBP)这三个子模型对分解后的数据进行预测;最后使用PSO优化的ESN模型(PSO_ESN)对预测结果进行组合。SA和PSO分别被用于优化相应模型的重要参数,提高相应算法预测精度,最终整体提高组合算法的精度。通过对美国国家风力技术中心M2塔的80m每分钟的平均风速数据进行预测模拟,通过预测结果分析每个子模型和组合模型的预测性能,证明了本文提出的组合方法有助于提升风速预测的精度。另外,还通过对不同程度降噪数据的预测模拟,对SSA的降噪性能做了研究,发现50%降噪时,算法取得整体最优且稳定的降噪效果。
【学位单位】：兰州大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：TP18;TK81
【部分图文】：

隐含 2输出隐含 1输出输入 输出隐藏 1输入隐藏 2阈值b阈值b图 6. 级联神经网络的结构图级联神经网络的优点主要表现在一下两个方面，一方面发挥了人工神经网络强的多维非线性映射能力，使得这些形态各异、个性分明的多维信息的影响变得清晰合理，这种能力能够在预测的过程中充分的考虑到数据中的每个影响因素。另一方面，它改善了传统的神经网络由于考虑过多因素导致的网络复杂性，从而提升了学习速度，降低了收敛时间。

输入 输出输入图 6. 级联神经网络的结构图级联神经网络的优点主要表现在一下两个方面，一方面发挥了人工神经网络强的多维非线性映射能力，使得这些形态各异、个性分明的多维信息的影响变得清晰合理，这种能力能够在预测的过程中充分的考虑到数据中的每个影响因素。另一方面，它改善了传统的神经网络由于考虑过多因素导致的网络复杂性，从而提升了学习速度，降低了收敛时间。图 7. BP 神经网络的图

这个实验将会再后续的研究中进行。4.8 SSA 降噪效果分析SSA 降噪的本质是将信号通过奇异值分解成多组包含不同信息的信号。这组信号是由有用信号和噪声共同组成的。那么其分解成的重构矩阵也是由有用信号和噪声共同组成的。前面奇异值较大的几列对应的信号认为是有用信号，较小奇异值对应的信号反应噪声。在对信号重构的时候关键的问题是如何确定选取的子信号的行数，即有用奇异值的个数。本文为了验证 SSA 降噪程度对本文提出的组合模型预测结果的影响，做了基于四组数据的实验进行对比：1）未经任何处理的原始风速数据进行模型拟合和训练；2）降噪重构时取分解行数的一半进行组合，即降噪强度为 50%（即前 50 行）成降噪序列；3）降噪强度为 25%（即重构时取分解行数的前 75 行构成降噪序列）；4）降噪强度 75%（即取前 25 行构成降噪序列）。每组数据分别在 SA_GRNN、SA_Elman、SA_BP 和组合模型四种模型上进行模拟对比分析。
【相似文献】

相关期刊论文 前10条

1 谢庆国 ,万淑芸 ,易燕春 ,赵金 ,沈轶;Speed-Sensorless Control Using Elman Neural Network[J];Journal of Systems Engineering and Electronics;2001年04期

2 谢庆国,万淑芸,赵金;一种Elman回归网络的设计方法[J];华中科技大学学报(自然科学版);2002年03期

3 林相波,邱天爽;固定结构单元权值对基本Elman网络性能影响[J];大连理工大学学报;2004年05期

4 吴微;徐东坡;李正学;;Convergence of gradient method for Elman networks[J];Applied Mathematics and Mechanics(English Edition);2008年09期

5 任雪梅,陈杰,龚至豪,窦丽华;改进Elman网络的逼近性质研究(英文)[J];Journal of Beijing Institute of Technology(English Edition);2002年01期

6 王攀,苏智,冯珊;局部回归Elman网络学习算法的注记[J];武汉理工大学学报(信息与管理工程版);2002年02期

7 田燕;康海英;唐力伟;郑海起;;一种改进的Elman网络及其在载荷识别中的应用[J];机械强度;2006年S1期

8 金宇华;罗沛兰;扶名福;杨国泰;;Elman网络和综合关联度在风机诊断中的应用[J];微计算机信息;2008年10期

9 杨凌;宋军;金强;;一种引入混沌机制的新型Elman神经网络及其应用[J];计算机应用;2009年02期

10 张秀玲;赵文保;李少清;徐腾;;基于人工蜂群算法的Elman网络板形预测[J];沈阳大学学报(自然科学版);2012年03期

相关博士学位论文 前2条

1 时小虎;Elman神经网络与进化算法的若干理论研究及应用[D];吉林大学;2006年

2 王丽敏;计算智能改进方法及其在金融与环境领域中的应用[D];吉林大学;2007年

相关硕士学位论文 前10条

1 何兆爽;基于多步向前预测和人工智能的组合算法的研究和应用[D];兰州大学;2017年

2 张文涛;人工智能的唯物史观反思[D];哈尔滨工业大学;2017年

3 娄斌;人工智能在社会应用中的法律问题研究[D];河南师范大学;2017年

4 李能;人工智能对人的主体性影响研究[D];贵州师范大学;2017年

5 沈建铭;论人工智能实体的法律主体资格[D];华中师范大学;2017年

6 林鹏;冷轧APC系统智能控制器设计与实验研究[D];燕山大学;2015年

7 曹芙;基于Elman神经网络及优化算法的混合模型的研究及应用[D];兰州大学;2015年

8 刘超;429例直肠恶性肿瘤基于SVM和Elman的单病种医疗费用预测模型研究与应用[D];昆明医科大学;2015年

9 宋菁华;高炉冶炼过程的多尺度特性与硅含量预测方法研究[D];浙江大学;2016年

10 王柳;基于复合特性Elman神经网络的风速预测[D];天津工业大学;2016年

本文编号：2850123