微分进化算法在单桩极限承载力灰色优化预测中的应用

文章利用微分进化算法对单桩极限承载力的灰色GM(1,1)模型参数进行优化求解, 提出DE-GM(1,1)优化预测模型;基于MATLAB环境编写了计算程序, 结合工程实例, 对试桩静载荷试验实测数据进行了拟合分析.结果表明, 与指数曲线模型和GM(1,1)模型相比, DE-GM(1,1)模型能够更好地拟合实测数据, 预测精度进一步提高;微分进化算法在GM(1,1)模型参数优化过程中表现出求解速度快、计算精度和自动化程度高等特点.     

基于自适应粒子群算法的GM(1,1)模型及其应用

将自适应粒子群算法优化GM(1,1)模型的参数用于武汉市电力负荷预测,与普通GM(1,1)及标准粒子群优化的GM(1,1)模型的预测结果比较,发现采用自适应粒子群算法优化参数的GM(1,1)模型具有更理想的预测结果。     

非等时距GM(1,1)直接模型及其在材料试验数据处理中的应用

在原始数列等时距处理的基础上,通过用一次累减数列与原始数列构建微分模型,得到了非等时距GM(1,1)直接模型;并给出2个具有不同饱和特征的材料试验数据处理实例.通过这2个实例说明了非等时距GM(1,1)直接模型适合处理呈上升或下降饱和变化趋势、对数据无非负性要求的任意数列,其预测值不需要还原计算,具有适用范围广、预测精度高和简单实用的特点.该模型有效弥补了传统GM(1,1)模型在此类数据处理方面的不足,因此,具有较大的应用推广价值.     

一个基于背景值和初始条件优化的GM(1,1)模型

背景值和初始条件对GM(1,1)模型的拟合和预测有着极大的影响,通过优化模型的背景值,赋予边值条件为修正形式x (1) (n)+β,利用原始序列新预测值的误差在最小二乘意义下最小准则,从而得到了一个新改进的GM(1,1)优化模型.最后,通过计算实例验证了该优化模型具有极高的预测和模拟精度.     

基于数据融合算法优化的GM(1,1)负荷预测模型

为了提高中长期电力负荷预测的精度,改进传统灰色GM(1,1)模型在中长期负荷预测中因部分原始背景数据的偶然性偏差而导致预测精度降低的问题,提出了将数据融合算法与GM(1,1)模型相结合以形成数据融合算法优化下的GM(1,1)模型.首先对特定年采用多个不同历史数据进行GM(1,1)模型预测,利用数据融合算法对多次预测值进行优化分析,获得优化后的预测结果,最后通过对某电力系统年用电负荷进行实例分析,证明数据融合优化下的GM(1,1)模型具有较高预测精度.实践证明所建立的模型对电力系统中长期负荷具有良好预测能力.     

改进GM(1,1)模型在城市流动人口预测中的应用

利用泰州市2003-2009年流动人口数据,建立GM(1,1)模型、残差GM(1,1)模型和等维递补GM(1,1)模型对流动人口数量进行预测.并用多种方法检验了三种模型的拟合效果.结果表明三种模型均能合理地对流动人口数量变化进行预测,但残差GM(1,1)模型和动态等维递补GM(1,1)模型拟合效果优于一般的GM(1,1)模型.     

半参数GM(1,1)模型参数辨识及滑坡变形预测

针对利用传统GM(1,1)模型进行滑坡变形预测时存有较大的局限性及模型误差的问题,引入半参数理论对其进行改进.构建基于半参数模式的GM(1,1)滑坡预测模型,以补偿最小二乘为约束条件,对半参数GM(1,1)模型的灰参数a和b进行辨识;并对影响半参数模型求解的关键参数正则矩阵R和平滑参数α进行优选,最后将半参数GM(1,1)模型用于茅坪和古树屋滑坡变形预测.研究结果表明:基于半参数的GM(1,1)模型拟合精度较高,预测结果正确可靠,能够反映滑坡变形位移的发展趋势.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

基于振荡序列的GM(1,1)幂模型建模研究

对于数据变化并不是呈单调趋势,变化无规律的振荡序列,建模难度较大,预测效果不太理想.若采用时间跨度较大的数据进行建模,数据变化较大,其预测精度不高.采用时间间隔较小的数据建模,则数据的统计特征不能充分反映.为尽量保证建模预测的可靠性,利用灰色系统建模理论建立GM(1,1)幂模型,该模型体现了灰色系统的能量特征,充分利用数据特征,采用信息覆盖思想设定幂指数的白化公式,并给出GM(1,1)幂模型参数求解方法,较好地解决了模型参数计算的问题,拓展了GM(1,1)模型的使用范围.实证表明,GM(1,1)幂模型与GM(1,1)模型相比有效提高了模型的预测精度.     

一种基于灰色模型的数据预测优化算法

近些年来,灰色模型GM(1,1)被大量应用于小样本或穷信息的预测,操作与实现步骤简单,预测精度较高.为了进一步提高GM(1,1)的预测精度,运用遗传算法动态调整GM(1,1)中的均质生成数列分辨率系数,改变通常把灰色模型的分辨率系数设置为1/2的计算模式,使得改进后的GAGM(1,1)算法针对小样本的预测具有更高的精度和鲁棒性.通过算法的数值实验,结果表明优化算法的预测精度高于传统的GM(1,1)算法及多个基于GM(1,1)的改进算法.     

基于FIG和GWO-SVM的灌浆功率时序预测

为更好地预测灌浆功率时序,建立基于模糊信息粒化(FIG)和灰狼优化支持向量机(GWO-SVM)的灌浆功率时序预测模型。首先,引入信息粒计算方法,将原始详尽的时间序列数值点分解为一系列信息粒,以减少模型的数据输入总量;其次,基于模糊集理论,采用模糊集算子对每个信息粒进行模糊计算,使得到的模糊信息粒可以合理地表示原始数值点集;最后,以支持向量机作为预测工具,并采用灰狼优化算法进行参数寻优,对产生的模糊信息粒进行快速准确的预测。结合实际工程,应用该预测模型对灌浆功率的波动范围和变化趋势进行预测研究,经过性能评价和对比分析,验证了模型的有效性和优越性。     

一类推广的指数平滑优化模型性质及算法的研究

在原二次指数平滑模型的基础上 ,提出了一种带有动态平滑参数的指数平滑优化模型 ,包括差分 指数平滑模型 ;通过引入动态参数 ,建立了不需选取平滑初值的新模型 ;采用Fibonacci算法优选并自动生成平滑参数使模型得以优化 .从而较完整地解决了指数平滑预测中 ,平滑参数靠经验确定且为静态、平滑初值难以确定并易导致预测偏差等问题 .     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

高速线切割加工工艺模型与参数优化的研究

目的建立高速线切割加工质量和加工速度的数学模型并在可控参数内进行参数优化。方法以45号钢为加工对象设计二次通用旋转组合试验,并基于多项式曲线拟合建立加工质量和加工速度的数学模型,最后应用遗传算法对模型进行参数优化。结果与结论该模型较准确地反映出机床的加工特性,具有一定的拟合精度和理想的预测精度,其加工参数的优化选取对操作者有一定的指导作用。     

共轭斜量法在BP2模式Dirichlet级数参数辨识中应用

研究一种大型结构混凝土徐变函数指数形式表达式参数辨识与拟合方法. 选用混凝土徐变国际标准BP2模式,构建了最普遍的退化核Dirichlet级数形式作为基函数,针对拟合过程中实际变量多于方程未知变量情况,应用最小二乘法原理将矛盾方程转化为相应的法方程,引入共轭斜量法求解法方程,克服了求解过程中的数值不稳定性.在此基础上编制的程序,可将BP2模式的Dirichlet级数形式的所有参数辨识出来.拟合公式和原公式结果吻合良好,验证了该方法的有效性和正确性. 文中给出的BP2模式Dirichlet级数形式的拟合公式,能适应跟踪分析大型结构长期徐变效应,为较为准确和高效地进行服役结构状态评定,提供了必要的准备和依据.     

基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

电力系统在国家工业基础设施中起着举足轻重的作用,维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性,负荷预测误差较大的问题,结合变分模态分解(variational mode decomposition, VMD)、经验小波变换(empirical wavelet transform, EWT)、改进的空洞卷积金字塔模块(improved atros spatial pyramid pooling, IASSP)、集成双向长短时记忆模块(ensemble BiLSTM,EBiLSTM),提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题,通过变分模态分解方法与经验小波变换的结合分解为若干子序列,显著降低了原始负荷序列的复杂性;为提高模型预测精度,将分解的负荷子序列利用过零率指标划分高低频序列,在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征,高频序列中构建特征提取模块IASSP提取局部负荷特征,最后累加各子序列的预测结果,实现电力系统负荷的短期预测。选取行业通用客观评价指标：平均绝对误差、均方根误差,...     

基于遗传优化的支持向量机短期风电功率预测研究

风电具有波动性、间歇性、随机性等弊端,故而较为准确的预测风电功率是提高电力系统安全性与经济性的重要手段。利用遗传算法对支持向量机参数寻优,据此建立功率预测模型进行仿真,最后与标准支持向量机的预测结果进行对比,结果表明该预测方法在短期风电功率预测中准确性更高。     

基于VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。     

系统降阶的马尔柯夫参数拟合法

降阶是应用大规模动态系统的重要问题。本文提出的方法是:求出原系统大量的马尔柯夫参数,并根据应用要求确定降阶模型的阶数。然后根据由本文作者提出的准则——模型的马尔柯夫参数尽可能与原系统相一致同时模型的静态增益却应与原系统必须相等,采用最小二乘拟合法来求出降阶模型的参数。在降阶模型中引入了纯滞后,这样就能显著地提高拟合的精度。本文通过几个数例证明作者提出的方法,计算方便,拟合精度较高,可以用来解决多数高阶单输入单输出稳定系统的降阶问题。     

最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.