国产性70yerg老太,色综合在,国产精品亚洲一区二区无码,无码人妻束缚av又粗又大

基本信息

項目名稱：
基于校正混合模型的河西走廊地區(qū)風(fēng)速預(yù)測研究
小類：
能源化工
簡介：
本文提出了一種基于SARIMA和LS-SVM的混合預(yù)測模型，選取河西走廊地區(qū)馬鬃山和酒泉兩地2001-2006年的月平均風(fēng)速數(shù)據(jù)對模型預(yù)測精度進行檢驗。將混合預(yù)測模型的預(yù)測誤差分別與ARIMA模型、SARIMA模型、LS-SVM模型以及混合ARIMA-SVM模型所得的預(yù)測誤差進行對比分析，同時結(jié)合假設(shè)檢驗方法對不同模型進行評價。
詳細(xì)介紹：
帶有季節(jié)性的時間序列（如風(fēng)速時間序列）通常是一個復(fù)雜的非線性問題，SARIMA模型雖然能夠較好地捕捉時間序列的周期性特征，但其最大的局限性在于模型的線性假設(shè)。從而，單一的SARIMA模型并不能夠取得滿意的預(yù)測精度，混合SARIMA-LSSVM模型正是對于原始SARIMA模型的改進，我們采用最小二乘支持向量機（LS-SVM）理論模擬SARIMA模型預(yù)測所得到的非線性殘差序列，通過校正殘差來達到提高模型預(yù)測精度的目的。LS-SVM理論是對支持向量機（SVM）方法的重大改進，解決了SVM中復(fù)雜的計算問題。能夠較好地模擬時間序列的非線性特征，且所需的數(shù)據(jù)量小，對于小子樣問題而言是有效地解決方法。 風(fēng)速被研究者認(rèn)為是最難模擬和預(yù)測的氣象參數(shù)之一，與其他時間序列相比具有強烈的波動性和復(fù)雜的周期性、非線性等特征。本作品所提出的混合SARIMA-LSSVM模型，不僅僅克服了單一預(yù)測模型刻畫不全面的缺陷，同時也是對原始ARIMA-SVM混合思想的改進。通過添加季節(jié)項和使用最小二乘支持向量機理論，混合模型能夠較好地描述風(fēng)速時間序列的周期性和非線性特征，同時具有計算簡便、易于實現(xiàn)的優(yōu)點。而且，本論文中對于風(fēng)速時間序列更為準(zhǔn)確的預(yù)測，能夠給風(fēng)電場的安全運行提供更為可靠的保障。 帶有季節(jié)性的時間序列（如風(fēng)速時間序列）通常是一個復(fù)雜的非線性問題，SARIMA模型雖然能夠較好地捕捉時間序列的周期性特征，但其最大的局限性在于模型的線性假設(shè)。從而，單一的SARIMA模型并不能夠取得滿意的預(yù)測精度，混合SARIMA-LSSVM模型正是對于原始SARIMA模型的改進，我們采用最小二乘支持向量機（LS-SVM）理論模擬SARIMA模型預(yù)測所得到的非線性殘差序列，通過校正殘差來達到提高模型預(yù)測精度的目的。LS-SVM理論是對支持向量機（SVM）方法的重大改進，解決了SVM中復(fù)雜的計算問題。能夠較好地模擬時間序列的非線性特征，且所需的數(shù)據(jù)量小，對于小子樣問題而言是有效地解決方法。 風(fēng)速被研究者認(rèn)為是最難模擬和預(yù)測的氣象參數(shù)之一，與其他時間序列相比具有強烈的波動性和復(fù)雜的周期性、非線性等特征。本作品所提出的混合SARIMA-LSSVM模型，不僅僅克服了單一預(yù)測模型刻畫不全面的缺陷，同時也是對原始ARIMA-SVM混合思想的改進。通過添加季節(jié)項和使用最小二乘支持向量機理論，混合模型能夠較好地描述風(fēng)速時間序列的周期性和非線性特征，同時具有計算簡便、易于實現(xiàn)的優(yōu)點。而且，本論文中對于風(fēng)速時間序列更為準(zhǔn)確的預(yù)測，能夠給風(fēng)電場的安全運行提供更為可靠的保障。

作品專業(yè)信息

撰寫目的和基本思路

風(fēng)能資源的估計不足也成為了風(fēng)電場建設(shè)和運行中的首要問題。解決風(fēng)力發(fā)電中風(fēng)能資源高維、非線性、隨機性強的復(fù)雜特征的建模問題，對風(fēng)速進行準(zhǔn)確預(yù)測。提出了一種基于SARIMA方法和LS-SVM理論的混合預(yù)測模型，對模型預(yù)測精度進行檢驗。對預(yù)測誤差進行對比分析，同時結(jié)合假設(shè)檢驗方法對不同模型進行評價。

科學(xué)性、先進性及獨特之處

帶有季節(jié)性的時間序列（如風(fēng)速時間序列）通常是一個復(fù)雜的非線性問題，單一的SARIMA模型并不能夠取得滿意的預(yù)測精度，采用LS-SVM模擬SARIMA模型預(yù)測所得到的非線性殘差序列，通過校正殘差提高模型預(yù)測精度。LS-SVM是對SVM方法的改進，解決了SVM中復(fù)雜的計算問題。較好地模擬時間序列的非線性特征，且所需的數(shù)據(jù)量小，對于小子樣問題很有效。

應(yīng)用價值和現(xiàn)實意義

風(fēng)速預(yù)測方法的新探索： 本論文通過引入混合預(yù)測的思想，建立新型的風(fēng)速預(yù)測模型，實際模擬中通過與傳統(tǒng)的統(tǒng)計預(yù)測模型相比較，新型的混合預(yù)測模型能得到更高的預(yù)測精度。能夠給風(fēng)電場的安全運行提供更為可靠的保障，幫助制定一系列的電網(wǎng)運行方式，保障電網(wǎng)安全運行，從而對于電網(wǎng)安全問題具有現(xiàn)實意義。 為小子樣問題提供思路： 本模型在不增加樣本容量的前提下提高模型的預(yù)測精度。

學(xué)術(shù)論文摘要

A hybrid Seasonal Auto-Regression Integrated Moving Average and Least Square Support Vector Machine (SARIMAeLSSVM) model is significantly developed to predict the mean monthly wind speed in Hexi Corridor. The design concept of combining SARIMA method with the LSSVM algorithm shows more powerful forecasting capacity for monthly wind speed prediction at wind parks , SARIMA, LSSVM models and the hybrid Auto-Regression Integrated Moving Average and Support Vector Machine (ARIMAeSVM) model.

獲獎情況

本作品基于國家大學(xué)生創(chuàng)新性實驗計劃項目（項目代碼：081073005）成果之一，該項目已順利結(jié)項并在結(jié)項答辯中被專家組評定為優(yōu)秀，且被推薦參加第三屆全國大學(xué)生論壇進行成果展示。原作品已于2010年8月向SCI雜志Energy投稿，目前稿件已經(jīng)審理完畢，處于修稿狀態(tài)。

鑒定結(jié)果

原作品已于2010年8月向SCI雜志Energy投稿，目前稿件已經(jīng)審理完畢，處于修稿狀態(tài)。

參考文獻

[1] Landberg L. Short-term prediction of the power production from wind farms. Journal of Wind Engineering and Industrial Aerodynamics 1999; 80: 207-20. [2] Alexiadis MC, Dokopoulos PS, Sahsamanoglou HS, Manousaridis IM. Short term forecasting of wind speed and related electrical power. Solar Energy 1998; 63 :61-8. [3] Negnevitsky M, Potter CW. Innovative short-term wind generation prediction techniques. In: Proceedings of the power systems conference and exposition; 2006. p. 60-5. [4] Focken U, Lange M, Monnich K, Waldl HP, Georg BH, Luig A. Short-term prediction of the aggregated power output of wind farms e a statistical analysis of the reduction of the prediction error by spatial smoothing effects. Journal of Wind Engineering and Industrial Aerodynamics 2002; 90: 231-46. [5] Barbounis TG, Theocharis JB. A locally recurrent fuzzy neural network with application to the wind speed prediction using spatial correlation. Neurocomputing 2007; 70: 1525-42.

同類課題研究水平概述

風(fēng)速預(yù)測在風(fēng)電場的運行中扮演著重要的角色，國內(nèi)外諸多學(xué)者都在這一領(lǐng)域做出了突出的貢獻。目前，風(fēng)速預(yù)測方法大致可以分為以下幾類：1）物理模型；2）空間相關(guān)模型；3）傳統(tǒng)模型；4）人工智能模型和新型預(yù)測模型。物理模型使用諸如氣溫、壓強等大氣數(shù)據(jù)綜合預(yù)測未來的風(fēng)速大小[1-3]，空間相關(guān)模型考慮不同觀測站的風(fēng)速大小之間的空間關(guān)系[4-6]。這兩種方法都與其他大氣因素緊密相關(guān)，而某些氣象參數(shù)是難以測量的。統(tǒng)計方法的目的是尋找歷史觀察數(shù)據(jù)之間的統(tǒng)計關(guān)系[7]，僅僅依賴于研究地點的觀測數(shù)據(jù)。但由于風(fēng)的產(chǎn)生包含著復(fù)雜的大氣運動過程，風(fēng)速時間序列在統(tǒng)計上呈現(xiàn)出高維、非線性、多重周期性的復(fù)雜特征，傳統(tǒng)的統(tǒng)計預(yù)測模型難以取得較高的預(yù)測精度。近些年來，人工智能方法和新型預(yù)測模型的提出，尤其是混合預(yù)測模型的廣泛應(yīng)用，為風(fēng)能的預(yù)測和估計提供了新的思路和更為有效的算法。理論分析和實際應(yīng)用結(jié)果同時表示，混合預(yù)測能夠有效地提高模型的預(yù)測精度[8-11]。 通過文獻檢索，Pai PF和Lin CS于2005年結(jié)合ARIMA和SVM用于股票價格的混合預(yù)測[12]；Chen KY和Wang CH于2007年結(jié)合SARIMA和SVM用于臺灣機器工業(yè)產(chǎn)值的預(yù)測問題[13]。但我們沒有發(fā)現(xiàn)將SARIMA與LSSVM相結(jié)合用于風(fēng)速時間序列預(yù)測的成果。
建議反饋 返回頂部