基于支持向量机的组合预测模型及其应用研究

《基于支持向量机的组合预测模型及其应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、全日制硕士学位论文基于支持向量机的组合预测模型及其应用研究ResearchonCombinedForecastingModelandItsApplicationBasedonSupportVectorMachine申请人姓名：孟玲玲指导教师：王新学位类别：工学硕士专业名称：控制科学与工程研究方向：控制理论与控制工程河南理工大学电气工程与自动化学院二○一五年六月I河南理工大学学位论文原创性声明本人郑重声明：所呈交的学位论文：基于支持向量机的组合预测模型及其应用研究，是我个人在导师指导下进行的研究工作及取得的研究成果。

2、论文中除了特别加以标注和致谢的地方外，不包含任何其他个人或集体已经公开发表或撰写过的研究成果。其他同志对本研究的启发和所做的贡献均已在论文中作了明确的声明并表示了谢意。本人愿意承担因本学位论文引发的一切相关责任。学位论文作者签名:年月日河南理工大学学位论文使用授权声明本学位论文作者及导师完全了解河南理工大学有关保留、使用学位论文的规定，即：学校有权保留和向有关部门、机构或单位送交论文的复印件和电子版，允许论文被查阅和借阅，允许将本学位论文的全部或部分内容编入有关数据库进行检索和传播，允许采用任何方式公布论文内容，并

3、可以采用影印、缩印、扫描或其他手段保存、汇编、出版本学位论文。保密的学位论文在解密后适用本授权。学位论文作者签名：导师签名：年月日年月日中图分类号：TM715密级：公开UDC：621.3单位代码：10460基于支持向量机的组合预测模型及其应用研究ResearchonCombinedForecastingModelandItsApplicationBasedonSupportVectorMachine申请人姓名孟玲玲学位类别工学硕士专业名称控制科学与工程研究方向控制理论与控制工程导师王新职称教授提交日期2015年6月

4、2日答辩日期2015年6月6日河南理工大学III致谢转眼间，三年的研究生生活即将结束了，本论文是在尊敬的导师王新教授的精心指导和亲切关怀下完成的。回首论文的整个过程，从论文的选题、论证再到撰写都倾注着导师的心血。在论文的撰写的过程中，王新老师提出了许多宝贵的意见和建议，才使得论文的研究工作得以顺利进行。王老师以其渊博的学识，敏锐的洞察力，严谨求实的治学态度和勤奋创新的钻研精神使我终生受益，并将对我今后的工作、学习和生活产生重要的影响。在他身上我学习了许多做人和做学问的道理。值此论文完成之际，谨向辛勤培育我的导师王新

5、教授致以衷心的感谢和深深的敬意！感谢乔美英老师在研究过程中给予的极大的帮助和指导，不遗余力的传授我知识，感谢师兄王乾在做研究初期教会了我很多知识，给了我很大的帮助。同时在做论文期间也得到了同门师兄弟和实验室其他兄弟姐妹们的大力支持，在此表示诚挚的谢意。与此同时，感谢的我父母和家人在我的生活和学习中对我不断的鼓励和认可，他们给予我强大的动力，让我坚持不懈的走下去，才有我今天的成果，再次向你们表示衷心的感谢。最后，对在百忙之中抽出时间对我的论文给予评阅、指导的各位专家和教授表示衷心的感谢。摘要预测广泛的应用到生活中的各

6、个领域中，目前常用的预测方法有很多种，而支持向量机（SVM）是一种基于统计学理论的新方法，具有很好的推广能力以及全局最优解，在解决小样本、非线性等问题上有着很大的优势。但由于标准的SVM求解的是二次规划问题，计算量比较大，同时单一的预测方法都存在精度都不是很高，参数不易选择等问题，针对这些问题做了如下研究工作。本文首先介绍了预测的研究意义以及常用的预测方法，然后对电力短期负荷数据分析得到其时间序列是非线性、非平稳的，而经验模态分解（EMD）是一种自适应的非线性处理方法，通过将原始的时间序列分解，可以得到一系列相对比

7、较平稳的分量，由于EMD可能会存在模态混叠的现象，因此在此基础之上采用集合经验模态分解（EEMD）对时间序列进行分解。其次，针对SVM计算量较大的问题，采用了最小二乘支持向量机（LSSVM），简化了计算，然后结合EEMD提出了EEMD-LSSVM的组合预测模型，并将这一预测模型应用于电力短期负荷预测中。首先利用EEMD对原始数据进行分解，然后对分解出来的各个分量分别建立LSSVM模型，再通过贝叶斯证据框架对模型参数进行优化选择，最后将各分量的预测结果叠加得到最终的预测值，仿真结果表明组合预测模型取得了较好的预测效果

8、，并且EEMD更适合对非平稳数据进行处理。最后，虽然LSSVM在一定程度上简化了计算，但LSSVM丧失了稀疏性和鲁棒性，基于此，采用了加权最小二乘支持向量机（WLSSVM）。然后对电力短期负荷数据进行混沌特性识别，将混沌理论中的相空间重构方法用于预测中，再结合和EEMD建立了基于混沌理论的EEMD-WLSSVM的组合预测模型。通过对原始数据进行EEMD分解，