论文部分内容阅读
信息技术的发展以及互联网的普及使得信息数据迅速增长,如何将这些海量的数据进行有效地处理,挖掘到更多有用的信息已成为备受关注的问题。面对如此庞大的数据量,对数据加以预测已经是现阶段普遍使用的一种有效处理方式。预测是通过一定科学依据客观地、合理地揭示所预测对象的本质及其规律,借助于大量数据的支撑,可以定量的、定性的去了解数据,继而对被了解事物未来的趋势开展清晰地描述。通过对未来数据的预测,可以帮助人们、企业等提前制订合理的方案计划,也可有效避免一定损失。尤其是在电力系统中,对电力的准确预测不仅能节约生产成本,给社会带来大量的经济效益的同时,又能环保,打造一种绿色、低碳的生产、生活环境。电能作为一种清洁能源已广泛应用于人们的生产和生活中,是国家经济发展的一条关键的能源命脉。然而,受到气候、环境、人口等多种因素的影响,电能难以储存,导致电力生产商很难对电力生产量进行提前估计,因而可能造成能源的短缺或者能源浪费。同时电能生产量的不稳定波动会造成电价的大幅波动,对居民、企业等的使用和购买产生一定影响。随着电能的进一步广泛使用,精确的电力预测就显得更重要了,因此,一个有效的、准确的、适用性强的电力预测方法显得尤为关键。本文通过数据预处理和人工智能优化算法,提出了一种组合预测方法,该方法结合了小波变换(Wavelet Transform,WT)、极限学习机(Extreme Learning Machine,ELM)、相空间重构预测(Phase Space Reconstruction,PSR)、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)和粒子群优化(Particle Swarm Optimization,PSO)算法。该组合预测方法首先采用小波变换的阈值处理剔除原始数据中的噪声数据,接着分别用三种单独方法对降噪后的数据进行预测,得到中间预测结果,最后通过PSO进行权重优化调节,对三种单独方法赋予不同权重。权重和预测值相乘后再将三者相加从而得到最终预测结果。为了说明本文所提出的方法的高预测性能,本文采用了两种模拟性试验:电力负荷预测和电价预测。数据来源于澳大利亚能源市场(AEM)的其中两个区域:新南威尔士州和维多利亚州。两组数据的模拟仿真一方面可以证明所提出组合方法的高预测精度,另一方面又可以将方法进一步推广,可普遍适用于多种数据,有广泛的适用性。同时,该组合预测方法同多个单独方法及已提出的现存的组合方法进行数据对比分析,结果证明了本文所提出的组合预测方法有较高的预测精度和广泛的适用性。