论文部分内容阅读
预测问题是统计学中的一个重要课题,准确的预测对于制定政策、计划,提前安排工作,预防不利情况发生有着重要意义。BP神经网络(BPNN)是一种人工智能的方法,因其具非线性映射、自学习自适应、泛化和容错能力以及结构简单的优点而被广泛应用于预测领域,有在本文中,利用其优良特性,构建了三种基于BPNN的混合预测模型,并应用于中国海南省风速预测、澳大利亚新南威尔士州(NSW)电力市场电价预测以及NSW电力市场电力负荷预测中,预测效果良好。第一个模型是基于异常值检测和模糊时间序列的混合预测预测模型,该模型由序列预处理组件和风速数据预测组件两个部分组成,其中BPNN被用来估计预测组件部分中二元高阶模糊时间序列(FTS)的模糊关系。该模型被应用于中国海南省四个风速站点2008年到2012年五年的日尺度风速序列预测研究中,在基本的ARMA模型已经达到较高的预测精度的情况下,混合模型仍然较大的提高了风速预测的精度,同时,实例研究发现,剔除风速序列数据中的异常值对提高模型精度是有必要的。第二、三个模型的主体分别为PSO优化的BPNN和CS优化的BPNN混合预测模型,这两个模型被分别应用于NSW电力市场电价预测和NSW电力市场电力负荷预测的研究中,实例研究对象分别为NSW 2011年6月份半小时电价和电力负荷数据。研究结果表明混合模型能在一定程度上提高NSW电价和电力负荷的预测精度,同时也发现,在具体实例中SVM达到了比混合模型更高的预测精度。通过对三个实例研究的综合分析发现,混合模型均在不同程度上提高了预测精度,表明基于BPNN混合预测模型在提高模型预测精度方面具有实际意义,但同时也可以看到,并不是在所有情况下,基于BPNN的预测模型都能到达最优的效果,此现象要求分析研究人员根据具体的情况,分析具体的问题, 进而提出适合于该具体问题的解决方法,以到达更好的预测效果。