基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

短期电力负荷预测的模糊神经网络方法

针对短期电力负荷的复杂性和不确定性,提出一种应用模糊神经网络的短期电力负荷预测模型. 该模型具有神经网络的强有力学习能力. 由于利用了模糊理论处理非线性问题的能力以及从海量数据中抽取相似性的功能,因而弱化了神经网络对样本的依赖性,增强了外推性,可在一定程度上减少学习时间,并充分考虑气温变化对负荷的影响. 实验结果表明,该模型对短期负荷有较好的预测精度,具有实用价值.     

基于Kohonen聚类小波包分解和ELM的短期电力负荷预测

提出基于Kohonen聚类、小波包分解和极限学习机的短期电力负荷组合预测方法.考虑到电力负荷具有一定周期相似性,经过Kohonen神经网络的聚类分析能确定与待预测日具有类似特性的负荷相似日;利用双正交小波对负荷数据进行分解,得到不同的频率分量分别送入ELM网络进行预测;最后将所得的不同频带中的待预测负荷分量组合,即为最终负荷预测值.经仿真实验表明,较传统单一的神经网络算法,该方法在预测精度和运算时间等方面均颇有提升,具有一定的实用性.     

基于小波分析的径向基神经网络年径流预测

对年径流的预测采用基于小波分析的径向基神经网络模型,从时频分析角度出发,把水文年径流序列分解成不同的频率成分,用径向基神经网络对小波分解的周期和趋势频率成分分别进行预测,然后通过小波重构得到水文时间序列,从而可以对未来的径流变化情况进行描述.     

改进型灰色神经网络模型在水质预测中的应用

介绍了三类改进的灰色模型和BP神经网络。将三类改进的灰色模型与神经网络进行组合,得到改进型灰色神经网络组合模型,将一维序列通过三个改进的灰色模型得到三组值作为神经网络的输入,原始序列作为神经网络的输出,训练得到最佳神经网络结构。将组合模型应用到嘉陵江磁器口断面总磷浓度的预测中,结果表明:(1)用该组合模型进行预测,相对误差均在5%以下,预测精度较高,取得了较理想的预测效果;(2)WPGM(1,1)、pGM(1,1)、CGM(1,1)、组合模型预测的平均相对误差分别为5.05%、34.01%、33.65%、3.02%,与单一灰色预测方法和灰色神经网络模型相比,组合模型的适应能力和预测推广能力更好,预测精度更高。     

小波变换和时间序列模型相结合的降雨量预测

针对降雨量预测问题大多采用时间序列分析的方法,但是对于准确预测降雨量和降雨变化规律,提高降雨量的预测精度等问题,如果仅采用时间序列的方法误差相对来说比较大.提出一种小波变换和时间序列预测模型(ARMA)相结合的降雨量预测方法.在预测过程中,对降雨量进行归一化处理,利用小波变换对原始降雨量进行降噪,降低其预测中的误差,采用正确的时间序列模型对降噪后的降雨量进行分析,建立最优降雨量预测模型.对实际降雨量进行仿真测试,结果表明,改进的方法预测精度比传统方法要高,且能更好地反映降雨量变化规律,为降雨量的预测提供了一种新的途径.     

非线性时间序列的小波网逼近及其预报

结合神经网络和小波的优点,建立了一种新型的多维小波网的网络模型,研究了多维小波网逼近非线性时间序列的收敛性质及收敛精度,并给出了相应的数学证明,同时将之应用于山猫数据的拟合及预报,仿真结果说明该方法的可行性。     

一种新的晶化过程电特性预测方法

金属玻璃具有许多独特性能,有着广泛的应用前景,晶化过程对金属玻璃的特性有重要影响.因此提出了一种基于小波变换和AR-ILSSVM金属玻璃晶化过程电特性预测方法.首先利用小波变换将时间序列分解为高频序列和低频序列,利用AR模型预测高频序列,利用ILSSVM方法预测低频序列,预测结果为上述预测的合成.仿真试验表明,这种方法可显著提高时间序列的预测精度.     

基于模糊粗糙神经网络的交通流研究

交通流预测是实现道路交通科学管理的重要内容,文章概述了模糊粗糙神经网络的基本原理,通过模糊粗糙隶属函数建立了基于模糊粗糙神经网络的交通流控制模型,设计了两级协调模糊控制器,结合模糊控制理论和神经网络各自的优点,构造了模糊粗糙神经网络.通过实践结果证明,该算法精度高,学习速度快,适应能力强,对实时交通流预测有一定的指导意义.     

基于确定性转换的IFTS预测

模糊时间序列预测模型在对不确定数据集的模糊趋势描述和论域划分方面有局限性,对此文中规范了直觉模糊时间序列的定义,应用直觉模糊C均值聚类算法优化论域区间划分,通过加入回溯机制构建确定性转换直觉模糊规则库,在此基础上提出一种直觉模糊时间序列预测方法,较好地反映了不确定系统数据的特征分布,提高了复杂环境下时间序列的预测精度. 通过典型实例验证了该方法的有效性和优越性.     

基于小波神经网络的非线性函数的逼近

给出了一种基于BP神经网络的自适应小波神经网络的模型 .该模型根据逼近函数的特性 ,选择不同的小波函数作为网络隐层 ,输出层是一个线性神经元输出 ,网络参数通过自适应调整得到 .实验结果表明 ,这种网络不但可以精确的逼近一般的非线性函数 ,也能实现对混沌时间序列的精确学习 ,而且网络的收敛速率比BP网络更快 .     

小波分析用于水稻叶片氮含量高光谱反演

针对叶片氮营养高光谱诊断中光谱弱信息提取困难的问题,利用小波对作物冠层光谱信号进行分解,提取光谱弱信息建立氮含量反演模型. 在东北平原长春市采集水稻冠层高光谱数据建立氮含量预测模型,并对该模型精度进行检验. 采用Daubechies小波系的Db5函数对水稻原始反射光谱和导数光谱进行8 层小波分解,选择不同尺度和位置的小波系数作为输入参数建立192 个反演模型,分析不同输入参数对模型精度的影响,从中选择对应较高模型精度的输入参数组合建立氮含量最佳反演模型. 实验结果表明,小波系数预测叶片氮素含量模型具有较高的估算精度,预测值与实测值的复相关系数最大为0.99,显著优于传统光谱指数的估算模型精度. 此项研究表明,小波分析在提取反射光谱弱信息反演作物生化成分方面有良好的应用前景.     

改进的BP小波神经网络预测模型应用研究

针对BP小波神经网络模型易陷入局部极小和收敛速度慢等问题,结合Morlet小波函数、训练样本数量进行权值和阈值设置,引进隐含层饱和度并构建新的误差函数,以此提高模型收敛速度和预测效果。从模型精度、后验差比值和训练次数这三个指标进行对比分析。结果表明,改进的模型预测效果更满意。     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

基于DMD-NARX模型的短期电力负荷预测方法

提出了一种基于DMD-NARX模型的短期电力负荷预测方法,深入地探索了负荷变化趋势和历史数据之间的内在关联,同时在短期预测的精度上有所提高。首先通过自相关函数(Autocorrelation function, ACF)并结合短期负荷波动的时间规律特性,在已有历史相关数据的基础上推导出相应日期的输入特征集合;然后将输入特征集合归一化后通过Hankel矩阵完成由单变量输入特征序列向多维数据矩阵的转换,以动态模态分解(Dynamic mode decomposition, DMD)为手段完成对上一步所得多维数据矩阵的动态模态估计和特征分解,同时对电力负荷底层的多尺度动态情况有了更加深入的掌握;最后使用基于外部输入的非线性自回归(Nonlinear autoregressive with external inputs, NARX)神经网络模型,同时以上一步取得的动态模态估值作为计算相应预测日期内各时段负荷分布的基础,并推导出最终预测结果。最终的测试数据证明,此方法较好地改善了模型的预测精度。     

基于EMD优化NAR动态神经网络的地铁客流量短时预测模型

为了能够更加准确地实现地铁客流预测,提出了一种基于经验模态分解算法（empirical mode decomposition,EMD）优化非线性自回归（nonlinear auto regressive,NAR）动态神经网络的地铁客流量短时预测模型.分析地铁客流量数据后发现日客流量具有一定的变化规律,为此使用了基于时间序列的NAR动态神经网络,该网络具有优秀的非线性动态拟合能力和反馈记忆的功能.结合EMD经验模态分解算法优化NAR动态神经网络预测模型,以此来减少预测误差,提高预测精度.结果显示,EMD-NAR神经网络组合预测模型适用于地铁客流的短时预测,预测精度可达93%,具有较好的应用价值.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预测。采用了改进的ＢＰ学习算法,以提高训练的收敛速度,预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的。     

灰色BP神经网络组合模型在大坝沉降监测中的应用

大坝沉降是一个非线性的过程。为了能准确预测大坝沉降,将GM(1,1)模型和BP神经网络模型结合,以某大坝沉降量为实例,研究灰色BP神经网络在大坝沉降监测中的应用。通过GM(1,1)获得一组拟合数据,将拟合数据和原始值作差得到拟合值的误差序列,再利用BP神经网络模型对拟合数据和拟合数据的误差序列进行训练,最后再以拟合数据作为输入值,利用训练完成的BP神经网络得到误差序列,进而得到预测值。经过实验分析,得出组合模型的预测精度高于单一模型的预测精度。     

计量器具检定周期灰色动态模型及应用研究

企业的计量器具是保证产品质量的有力工具,由于工况的复杂性、多样性、随机性,其检定周期的确定应是动态的.根据计量器具检测数据的统计特点,采用了加权处理的办法,建立了基于时间序列和基于频次序列的动态灰色模型DGM (1,1).通过具体案例对比(例如游标卡尺)发现:该模型具有较高的拟合精度及预测精度;不同工况下周期和寿命有明显差异;频次序列模型的预测结果优于时间序列模型条件下的预测结果.结合动态模型与汽车制造业实例,建立了基于信息集成的、多传感器监控与管理监控相结合的检定周期与使用寿命周期监控流程和信息子系统,应用于企业生产.     

小波神经网络逼近非线性函数算法

介绍用于函数近似的一种新型神经网络——小波神经网络,该小波神经网络采用的函数是sigmoid函数的组合.文中从理论上阐明了小波神经网络对某些时频有限的非线性函数的逼近能力,并实际建立了一个前馈小波神经网络,同时讨论了如何选择小波母函数及如何减少该神经网络规模的算法.实验结果表明这种小波神经网络可以在较小规模的基础上实现对这类非线性函数的逼近.