论文部分内容阅读
非线性时间序列预测模型一直是科学和工程应用领域的研究热点。针对单一时序模型预测精度低,泛化能力差的问题,本文提出一种新型的结合完全的集合经验模态分解(CEEMD)和神经网络(包括极限学习机与核极限学习机)的时间序列组合预测模型。首先通过CEEMD将历史数据序列自适应地分解为一系列相对平稳的子序列,并通过计算每一个分量的样本(SE)值衡量其复杂程度,对熵值相近的分量进行合并重组,降低计算规模,对重组后的分量分别建立神经网络的预测模型,预测各分量的值并对其进行求和得到最终预测结果。其中,CEEMD算法作为EMD和EEMD的改进,不仅克服了EMD的模态混叠问题,且继承了其重构误差极小的优势。对历史序列进行CEEMD多尺度分解并重组后的分量分别通过BP和Elman神经网络,极限学习机(ELM),高斯核极限学习机(KELM)与小波核极限学习机(WKELM)预测建模。其中ELM作为一种新型的单隐层前馈神经网络具有训练耗时短,泛化能力强的优点。两种核极限学习机是ELM的改进,将核函数概念引入其中,避免了ELM需要预先设置隐含层节点数及权值阈值随机设定造成的系统不稳定的缺陷,使模型的泛化性能进一步提高,本文将其应用于时序预测领域。通过CEEMD与几种神经网络的组合有效提高了时间序列预测模型预测的准确程度。电力系统的管理和调度对精确的负荷预测模型有着极高的要求,将本文提出的组合预测模型与五种单一预测模型对真实的负荷进行日负荷曲线预测,并选用其中效率较高的CEEMD-SE-ELM模型对不同地区的数据进行周负荷曲线预测。算例表明新模型在预测精度和效率上都具有一定优势,具有一定的实际应用潜力。