城市水负荷的分量模型及新息预报方法的简化

本文建立了某市水负荷的分量模型。设水负荷由确定性周期分量和随机性残差分量组成。其中残差分量经辨识为ARMA序列。采用新息方法做预报,并针对模型参数缓慢时变的特点,对建模及预报过程进行了简化。     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

基于自评判自学习机制的短期电力负荷预报

以RBF神经网络为基础，提出了一种吴有白评判自学习能力的短期电力负荷预报方案，该方案包含预报器、评估器、探测器：和学习机四个组成部分．预报器用来预测未来时段的电力负荷，评估器用来对预报结果进行评估，探测器用来确定预报的有效步长，学习机用于预报器的自我学习．预报器根据评估结果通过学习机制能够自动适应电力负荷的变化，从而保持一种良好的预报状态．仿真实验表明该方法在电力负荷规律不明确的环境下预报精度比传统方法高。     

Fuzzy控制预报模型及其应用

论述了 Fuzzy控制预报模型的建模方法 ,并探讨了该模型在麦长管蚜发生期预报中的应用 :我们将麦长管蚜发生期的预报过程拟成一个 Fuzzy控制系统 ,预报因子作为系统的输入 ,预报对象作为系统的输出 ,根据历年系统观测资料 ,建立了 Fuzzy控制预报模型 .对历史资料进行回代验证 ,其历史拟合率达 1 0 0 %.将 1 995年观测数据作为独立样本进行试报 ,预测结果与实际一致 .     

基于向量夹角余弦的水文组合预报方法

针对水文预报中单个水文预报模型预报精度不高的问题, 提出基于向量夹角余弦的水文组合预报方法. 该方法采用组合预测理论建立了实测向量、预报向量和权值向量, 形成向量夹角余弦模型; 根据不同的历史水文资料状况, 给出拟合优度和动态逼近两种可变权值计算方法, 完成参数的率定, 并将各参数对预报精度的影响加以分析. 实验表明: 该方法能够有效地克服单个水文预报模型的不足, 通过实现多个单项水文预报模型的组合, 可将预报合格率提升约20%.     

基于均值子时段MPLS方法的毛管质量预报

针对无缝钢管斜轧穿孔生产中衡量毛管质量好坏的毛管横向和纵向壁厚不均检验滞后和难以建立其机理模型的问题,提出了基于均值子时段MPLS方法的毛管质量预报模型.介绍了均值子时段MPLS方法中过程数据时段分解、均值求取、回归模型建立和模型在线预报等关键内容.将建立的预报模型用于毛管质量预报中,为斜轧穿孔生产的无缝钢管质量提高奠定了良好的基础,并且其维护费用低、实时性好、可靠性及精度高,可以用于毛管质量的在线预报和优化.     

一种新的暴雨灾害预报非线性建模方法

针对一般模块化模糊神经网络(MFNN)的门网络普遍采用模糊C均值聚类算法(FCM),没有对样本特征进行优化的问题,提出了在门网络中采用模糊核聚类算法(FKCA)替代模糊C均值聚类算法,构建了一种新的模糊核聚类模块化模糊神经网络预报模型.进一步采用动力消空算法、切比雪夫多项式展开方法和自然正交展开方法对预报量和预报因子进行计算处理后,分别建立了普通模块化模糊神经网络和模糊核聚类模块化模糊神经网络暴雨预报模型.利用这两种预报模型进行的暴雨预报试验表明,在相同的条件下,改进模型具有更高的暴雨预报TS评分.     

中国工业增加值的半月预报:基于宏观月度数据

工业增加值是衡量实体经济成效的重要指标,随着中国经济不确定性加剧,更及时地预报其增速显得尤为重要.本文首先建立前沿的混频结构向量自回归模型,再从中导出预报数学表达式并给出向前滚动预测形式,并将预报模型化为状态空间结构,采用Bootstrap重要性抽样步骤实现模型的稳健性检验.基于1996年1月至2016年3月的相关月度数据,实证研究表明:预报模型合理、参数估计具有收敛性和稳健性;除工业增加值自身惯性影响外,货币政策M2和消费方面社会消费品零售总额滞后1～2期对工业增加值增速半月频率具有显著正向冲击影响;全样本预报、部分样本预报和预见性外推预报合理可行,半月预报能有效预警工业增加值波动规律.最后,针对性地提出相关政策启示和展望.     

基于集群的水声宽带波形预报系统设计与实现

水声宽带波形预报是水下声信息传输的重要环节,是实现传感器信号级仿真的关键技术.首先 介绍了基于波束位移射线简正波(BDRM)理论的频域宽带模型,引入宽萨模型频域近似展开技术,提高模型计算速度;然后基于集群的高性能并行计算技术,提出宽带模型并行算法,实现快速准确的宽带信号波形预报;最后,以曙光高性能并行平台为开发基础,构建基于集群的水声宽带波形预报系统,并对系统组成、体系结构和并行算法框架进行了分析和设计.     

多属性群体决策的水文预报择优及组合方法

针对水文预报在参数受限条件下精度不高的问题,提出一种基于多属性群体决策的水文预报择优及组合方法.该方法首先建立预报正确率、确定性系数、合格区间、发生可能性四个决策属性;然后依靠理想模型给出属性权值的确定方法,并采用OWG和OWGA加以集结;最终基于评测值的序关系构成与实测值更为接近的预报区间.实验表明:该方法能够从多种预报方案中选择出相对误差较小的预报值,并形成一种高精度的组合预报模型,将预报提升一个等级.     

基于Box-Cox变换分位数回归与负荷关联因素辨识的中长期概率密度预测

中长期电力负荷预测是电力部门制定电力系统发展规划和稳定运行的重要前提.针对影响中长期电力负荷预测精度的多个因素,本文利用逐步回归方法,从众多影响负荷预测精度的关联因子中,对关键的影响因子进行辨识,并提出基于Box-Cox变换分位数回归和核密度估计相结合的概率密度预测方法,得出不同分位点下未来连续几年的概率密度预测结果,实现了对未来年用电量准确波动区间的预测.以安徽省的历史用电量和社会经济数据为例,进行仿真实验.结果表明:该方法不仅实现了中长期电力负荷概率密度预测,而且利用强关联因素提高了中长期电力负荷概率密度预测的精度,有效解决了考虑多因子的中长期电力负荷概率密度预测问题.     

几何转换Boosting回归算法及其在高耗能企业负荷预测中的应用

针对高耗能企业的电力负荷预测问题, 提出了一种基于几何转换关系的Boosting集成预测方法. 该方法将分类问题中广泛采用的AdaBoost算法引入回归问题, 通过几何关系转换将负荷预测这一回归问题转化为一个两类分类问题, 在此分类问题上应用置信度AdaBoost算法得到最优集成分类面. 证明了此分类面等价于原回归问题上的一个回归函数, 同时证明了该方法与原始AdaBoost算法有着类似的收敛性. 实际算例表明, 该方法通过多预测模型的集成有效提高了负荷预测精度, 克服了传统单一预测模型在高耗能企业的电力负荷预测问题上泛化性能不佳的缺陷.     

基于LASSO分位数回归的中期电力负荷概率密度预测方法

中期电力负荷预测过程中往往会受到多种外界因素(诸如温度、节假日、风力大小等)的不确定性干扰,并且影响中期电力负荷预测的因素复杂多变、规律各异,难以精准地进行预测.在大数据环境下,如何在种类繁多、数量庞大的影响因素中快速获取有价值信息成为了电力负荷预测问题的关键所在.提出的基于LASSO分位数回归概率密度预测方法,首先从影响电力负荷预测的多种外界因素中挑选出重要的影响因子,建立LASSO分位数回归模型.然后,使用triangular核函数,将LASSO分位数回归与核密度估计方法相结合,进行中期电力负荷概率密度预测.以中国东部某副省级市的历史负荷和外界影响因素(包括温度、节假日及风力大小)为算例,运用LASSO分位数回归方法进行中期电力负荷概率密度预测,得到的平均绝对误差在中位数和众数上分别为3.53%和3.69%,优于未考虑外界因素和考虑外界因素未进行变量选择的情况.为了进一步验证该方法的优越性,将其与非线性分位数回归和基于三角核的分位数回归神经网络概率密度预测方法进行对比分析,说明该方法能较好解决电力负荷预测中的高维数据问题,从而获得比较准确的电力负荷预测结果.     

电力推进船舶电力负荷的多变量混沌局部预测

为提高电力推进船舶电力负荷预测精度,提出电力推进船舶电力负荷的多变量混沌局部预测.将相空间重构由单变量时间序列拓展到多变量时间序列,并依据电力推进船舶电力负荷及其相关因素构成的多变量时间序列进行相空间重构.针对每一分量时间序列采用互信息法进行最佳时间延迟的选择,最优嵌入维数则采用虚假邻点法进行确定.根据多变量混沌时序局部预测,提出基于正则化的电力推进船舶电力负荷多变量混沌局部预测.通过对实际船舶电力负荷的计算实例表明,基于多变量时间序列的预测方法比单变量预测具有较好的预测效果.     

基于小波-神经网络的电力系统短期负荷预测

基于小波变换和神经网络,提出了一种电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相应的人工神经网络模型进行预测,最后重构得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,根据其子序列各自所具有的特征采用相应的预测方法.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

基于模糊综合评判的电力负荷最优组合预测

最优组合预测是提高电力负荷预测精度的有效方法。应用最优组合预测方法的关键在于怎样确定组合权系统。通过分析实际电力负荷预测的实现过程，提出利用基于模糊语言的模糊综合评判进行权重判定的方法，取得很好效果。     

基于季节调整和BP神经网络的月度负荷预测

月度电力负荷序列中离群值及节假日因素会影响月度负荷预测的准确性.为此,提出了基于季节调整方法和BP神经网络的月度电力负荷组合预测模型.首先,利用季节调整方法对原始负荷序列进行预处理,消除离群值和春节假日的影响;然后用BP神经网络对回归残差序列建模预测得到预测结果或对季节调整后序列和季节成分序列分别建模预测,并对分量预测结果重构后得到最终预测结果的方法.通过实例对预测效果进行检验,结果表明提出的预测方法的预测表现要优于BP神经网络,SARIMA,支持向量机等模型,可以获得更高的预测精度.     

基于串联灰色神经网络的电力负荷预测方法

为了提高电力负荷预测的精度,分析现有人工神经网络和灰色预测方法各自的优缺点,将二者相结合提出了一种串联灰色神经网络预测方法.新方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,同时避免了灰色预测方法存在的理论误差.最后实际算例证明了方法的有效性.方法适用于中长期负荷预测.     

运用样本更新的实时神经网络进行短期电力负荷预测

用多层神经网络模型解决短期电力负荷预测问题 ,提出了运用基于非梯度的单参数动态搜索(SPDS)算法训练网络 .这种学习算法可以克服 BP学习算法对规模大、特征多的问题难以收敛的困难 .根据预测日的天气信息进行样本集的动态构造和网络的实时训练 .计算结果表明 ,文中提出的模型可以较好地进行短期电力负荷预测 ,也验证了 SPDS学习算法的有效性.