云南桔小实蝇发生量预测模型研究

2003-2008年从田间系统地监测了云南元江和华宁桔小实蝇的发生规律.将诱虫资料和温度、湿度、雨量、光照等气象资料作为预测因子,采用简单逐步回归和多因子互作回归分别进行拟合,建立了不同发生量预测预报模型,并对其进行检验.结果表明发生量与多因子交互之间存在相关关系,可采用预报模型较为准确地预测出桔小实蝇的发生量,且多因子互作组建的模型比简单逐步回归的结果可靠.     

基于CCA-BP-BPNN释用模型的太平洋SST预报

为了有效提高预报精度,将一种基于神经网络并能综合有效利用全场信息的非线性释用技术应用到海洋SST预测上.通过CCA-BP法建立的典型因子,可以代表气象因子场与SST之间的大部分协方差关系,使气象因子与站点要素相关性大为提高,进而通过神经网络技术(BPNN)建立非线性预报模型.利用该模型尝试对热带太平洋表层海温形势(ENSO)进行预报,并建立了该区域逐点海温的预报方案.试报结果表明,该方法对预测春季海温形势有较好的效果,有效预报时效可达1 a以上;对6 a的3月份热带太平洋表层海温预报,平均绝对误差为0.22 ℃.该方法为海洋SST统计预报提供了一个值得参考的途径.     

基于时间序列编码和相关向量机的负荷短期预测

针对电力负荷短期预测精度不高的问题,提出一种基于时间序列编码和相关向量机的电力负荷短期预测方法.通过收集电力负荷实际数据,研究了日最大负荷数据之间的关系、日最大负荷与节假日的关系以及当日与对应星期数的相关性,并建立了相应的电力负荷短期预测模型.该模型采用相似日选择方法,给工作日和节假日赋予不同的权重,从电力负荷时间序列中筛选出与预测日特征相似的数据,对模型进行训练.与BP神经网络和支持向量机相比,该预测方法有更高的预测精度和更好的泛化能力,而且学习速度更快.     

基于BP神经网络的空气质量预测与分析

使用神经网络构造的算法,对秦皇岛市的空气质量进行预测。将秦皇岛市的气象监测数据与环境监测数据,按照季节关系分组,并进行相关性分析,从而确定出与空气质量呈强相关性的气象因子。并对其进行主成分分析,得出影响空气质量变化的主因子,以减少多种气象因子带来的数据处理难度。构建季节预测模型,并根据气象因子筛选结果,确定出神经网络模型需要输入的数据矩阵,从而通过气象参数变化对秦皇岛市的空气质量进行预测。并通过四个预测模型对季节空气质量的数值预测,得出了平均预测准确率,分别为81.18%,83.10%,81.72%,80.56%。结果表明,使用BP神经网络构建的秦皇岛市空气质量预测模型,可以成功预测该市四季的空气质量。     

基于全球天气预报系统对河套周边地区低云量精细化预报

基于2008-2013年全球天气预报系统(GFS)预报场资料,构造了30个云预报因子,分析了其与低云量的相关关系,采用多元逐步回归预报方法建立了黄河河套周边地区低云量0～168 h逐小时精细化区域预报,评估了预报模型的预报效果.结果表明,低云量与水汽类因子整层湿度和整层相对湿度具有较强的正相关性;与大气可降水量、低层温度露点差和总温度具有较强的负相关性;与GFS云类预报因子有较强的正相关性.在预报方程中水汽类预报因子和GFS云量因子具有较高的引用频数.多元逐步回归方法低云量预报值与实况的差值明显低于直接使用GFS低云量的预报结果,在夏季逐步回归方法对低云量有较大改进,上半年对低云量的订正效果强于下半年.逐步回归方法对西北部低云量的订正能力高于东南部地区,部分地区的订正能力在20%以上.     

环渤海地区云量的精细化预报方法

利用2010-2016年的云观测资料和T639数值预报产品,分析了云量与影响云生成的主要气象因子间的相关性,通过逐步回归方法建立了环渤海地区云量的时间精细化定量预报模型.结果表明,与总云量和低云量相关性显著的气象因子主要是水汽、大气不稳定度和上升运动.其中水汽类因子包括整层相对湿度、整层湿度和大气可降水量;大气不稳定度类因子为K指数和位势不稳定指标;上升运动为850～400 hPa 5层平均垂直速度.通过逐步回归方法建立了环渤海地区总云量和低云量的时间精细化预报模型,总云量和低云量预报方程的复相关系数大部分在0.5以上.回代预报检验结果表明,总云量和低云量绝对误差分别为22%和18%;试预报检验结果表明,总云量预报的绝对误差为23%;个例分析结果表明,新民站和沂源站的预报效果比较理想,大部分时段总云量的预报值及变化趋势与实际观测结果接近,模型预报性能较好,具有一定的实际应用价值.     

基于模式输出统计预报方法的云量精细化预报

通过对T639数值预报产品的释用,结合地面气象观测站资料,以环渤海地区兴城站为例,建立了云量的精细化预报模型.从云形成的基本条件出发,选取4类天气学意义明确的预报因子:水汽类、大气不稳定度类、大气上升运动类和天气系统强度类,以总云量、低云量为预报对象,通过逐步回归法建立兴城站逐月、逐时次的云量预报方程.结果表明,云量主要受水汽、大气上升运动和大气不稳定度影响.回代检验结果表明,总云量平均绝对误差为20%,低云量平均绝对误差为16%,低云量的预报方程预报效果更好;总云量夏半年预报准确率更高,低云量冬半年预报准确率更高,可为云量精细化预报提供参考.     

小麦赤霉病神经网络和偏最小二乘预测模型

选取2004-2014年间发病期的气象因素为自变量,小麦赤霉病病穗率为因变量,借助神经网络的函数映射能力,采用Fletcher-Reeves算法的变梯度反向传播算法,建立了小麦赤霉病的气象预报模型.由于神经网络无法提供直观的函数来反映病穗率与气象因子之间的关系,为了进一步分析气象因子间的相关性,采用主成分分析法提取主成分,并利用回归分析得到线性函数关系,建立了偏最小二乘模型.神经网络预测模型平均预报精度达到99%,但只提供病穗率和气象因子之间的拓扑关系;偏最小二乘预测模型可以得到病穗率和气象因子之间直观的函数关系,模型平均预报精度达到97%.2种模型均具有较高的预报精度,对小麦赤霉病的预防工作具有一定的参考价值.     

基于Attention机制和ResNet的CNN-BiLSTM短期电力负荷预测模型研究

短期电力负荷预测有利于电力系统的高效运行,对电力市场实现有效调度有重要意义。短期电力负荷受多种因素影响,波动性大、随机性强,使得其预测准确率低。双向长短期记忆网络和卷积神经网络难以在短期负荷序列中提取足够多的信息,本文提出了一种结合注意力机制和残差网络的卷积神经网络-双向长短期记忆网络短期负荷预测方法。首先利用基准模型卷积神经网络-双向长短期记忆网络对输入特征进行信息提取,然后利用注意力机制突出提取到的关键信息,最后通过残差网络创建残差层以充分学习时序特征。通过某公开数据集进行实验,结果表明该方法的平均绝对百分比误差达到2.80%,均方根误差达到2.15,并与常用的五种模型预测结果对比,验证了所提模型的准确性及有效性。     

基于神经网络的短期电力负荷预测及其MATLAB实现

针对短期电力负荷预测问题,利用MATLAB软件建立日最高温度、日最低温度、日平均温度和平均湿度等气象因素对电力负荷的回归预测模型,具体对比给出BP神经网络与NARX神经网络两种回归预测结果,并通过对隐含层网络参数的调试对BP神经网络进行了适当的改进.     

基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测

对电动公交车进行较为精准的短期充电负荷预测,有利于电网合理调度,从而在一定程度上缓解大规模电动公交车接入对电网冲击的影响。因此,提出一种基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测方法,以提高负荷预测精度。首先,结合电动公交车充电负荷具有的间歇性和波动性特点,提出基于动态时间规整(dynamic time warping, DTW)的改进谱聚类(Spectral Clustering, SC)方法,对公交车日充电负荷曲线进行聚类;其次,对每类负荷综合考虑时间、日类型、温度及历史负荷值等影响因素,利用双向长短期记忆(bi-directional-long short-term memory, Bi-LSTM)构建电动公交车短期充电负荷预测模型;最后,利用某市实际天气数据和历史负荷数据进行仿真验证,并与其它预测方法进行对比分析。实验结果表明,所提方法能提高短期充电负荷预测准确度。     

基于CNN-LSTM的综合能源系统负荷预测模型

负荷的准确预测是综合能源系统设计、运行、调度和管理的前提。现有的负荷预测模型中大都考虑了气象、日期因素,却没有考虑系统中电、冷、热负荷间的相关性,这会对模型的预测精度造成影响。使用了科普拉理论对系统中3种负荷之间的相关性进行分析。从分析结果看,它们之间具有强相关的关系。基于上述分析结果,提出了一种基于深度学习的智慧综合能源系统负荷预测模型,该模型使用卷积神经网络(convolutional neural network,CNN)来提取系统中电、冷、热负荷间的耦合特性相关的特征量。将得到的特征量转换为时间序列后,输入到长短期记忆(long short-term memory,LSTM)网络中进行负荷预测。实验显示,所提出的CNN-LSTM组合模型的预测精度更为精准,可为综合能源系统的负荷预测提供参考。     

基于BP神经网络的电力系统短期负荷预测

电力系统短期负荷预测的准确性对电力系统的实时运行调度至关重要.采用BP神经网络对电力系统负荷短期预测研究,根据影响电力系统的负荷因素如温度、天气等确定模型构成,同时利用遗传算法对BP神经网络进行优化.实例表明,利用遗传算法优化的BP神经网络在电力系统短期负荷预测中是有效的.     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

基于非参数回归的遗传神经网络集成股市预测研究

利用遗传算法改进神经网络集成个体的连接结构和初始连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用非参数回归生成集成结论,求出非线性时序函数的全局最优解,随即建立新型的基于非参数回归的遗传神经网络集成股市预测模型.仿真结果表明,该模型预测精度高,可操作性强,具有一定实用性.     

人工神经网络进行电力系统短期负荷预报的几个问题的探讨

研究了利用人工神经网络进行电力系统短期负荷预报中常会遇到的几个问题,提出了考虑年负荷增长率、极端气候、节假日问题及历史负荷资料少带来的预报误差的一些极为新颖的斛办法。实例证明,这些办法明显地改善了预报结果,使人工神经网络进行电力负荷短期预报的应用更适应于实际的要求。     

清香型优质烟叶物理特性指标预测分析

探究清香型优质烟叶物理特性指标与生态因子间的定量关系,构建物理特性指标预测模型。选择云南省玉溪市2019-2020年优质烟叶的物理特性指标数据与生态数据（气象、土壤和海拔）,建立多元线性统计预测模型与BP神经网络预测模型,并分析各生态因子对烟叶物理特性指标的相对贡献率;利用均方根误差（Root Mean Square Error,RMSE）与归一化均方根误差（Normalized Root Mean Square Error,NRMSE）对两种预测模型模拟效果进行检验分析。结果显示,气象因子平均相对贡献率明显高于土壤、海拔的相对贡献率,气象因子对清香型优质烟叶物理特性指标尤为重要;统计预测模型的RMSE、NRMSE值均高于神经网络预测模型,神经网络预测模型预测准确性更高。利用统计方法与神经网络构建物理特性指标预测模型,可以为不同生态条件下提升烟叶品质、促进烟叶品质评价智能精准化提供一定的科学理论依据。     

基于RBF-ARX模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出基于RBF-ARX模型的短期电力负荷循环预测法:将短期电力负荷预测看作非线性时间序列预测问题,并根据历史负荷数据建立电力负荷自回归预测模型(ARX模型),用RBF神经网络逼近ARX模型的参数,并用结构化非线性参数优化法(SNPOM)离线估计模型参数。用该方法对湖南某市电力负荷进行预测,将预测结果与实际负荷值进行比较,结果表明:基于RBF-ARX模型的短期电力负荷循环预测法精度高,可靠性强,具有很好的实用性。     

基于加权余弦相似度与极限学习机的电力负荷短期预测

为提高电力系统管理的效率,提出一种基于加权余弦相似度与极限学习机(extreme tearning machine, ELM)的电力负荷短期预测设计。通过熵权法对电力负荷相关物理信息进行权重分配,获得的权重赋予到余弦相似度中,利用加权余弦相似度对历史日与待测日的电负荷数据进行相似度选取,筛选数据作为极限学习机的输入,提高极限学习机回归模型的精度,最终获取电力负荷预测。实验分析与反向传播BP(back propagation)神经网络、支持向量机(spupport vector machine, SVM)预测算法对比,该方法能有效提高预测模型的精度,同时简化计算量。