基于小波变换的模糊神经网络短期负荷预测方法

为了解决传统神经网络的预测精度取决于输入变量和测试样本的缺陷,采用二阶Daubechies小波作为母小波,通过离散小波变换和逆变换的多分辨率把负荷序列分解为4个小波分量,不但把握了负荷序列的规律性,而且减轻了神经网络的学习压力.采用自适应遗传算法对模糊规则和权重进行修正,优化模糊神经网络,提出GNN-W-GAF模型.该模型既发挥了模糊算法的特点,又使得各种知识点在神经网络中相互融合,避免了初始值设定的随意性.仿真结果表明,该方法能显著提高预测精度和预测性能.     

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.     

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。     

带可信度的时序谓词事件网：地震预报决策模型

本文在佩特里网(Petri Net)和时序逻辑中基本实体的知识表示和推理的基础上,根据地震预报决策的要求,提出了带可信度的时序谓词事件同模型,它既能对多种因素的因果关系作出简明地表述、推理和验证,又能进行并发处理和动态处理.同时,此模型还可以应用于其它预测和决策问题.     

GM（1,1）改进模型在广西短期电力负荷预测中的应用

采用ＧＭ（１，１）改进模型与ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型对广西自治区电网特殊日电力负荷进行组合预测，阐述了ＧＭ（１，１）改进模型的建立方法，提出了适用于广西纂驱电网特殊日电力负荷预测的预测数据处理方法，提高了预测的精确度，全年日镀优于９５％，解决了在日采样点为２４点（正点采样）情况下预测度较低的问题。     

ARIMA模型在广西短期电力负荷预测中的应用

阐述了疏系数ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型的建立方法，提出了适用于广西区普通日电力负荷预测的数据预处理方法，利用建立的动态ＡＲＩＭＡ（ｐ，ｄ，ｑ）模型顺利完成了对广西区普通日电力负荷（每日２４个点，正点采集）的预测，全年日预测精确度均在到９５％以上。     

基于季节性ARIMA模型的入境旅游市场预测模型构建

基于1999～2015年中国入境旅游人数的月度数据,构建季节性ARIMA模型,并进行比较和检验.实证研究表明,ARIMA(12,1,1)(1,1,0)12模型的精度和准确度更好,为中国入境旅游市场的最优预测模型,可以帮助相关部门预测未来走势并制定相关政策措施.     

一种对某地区电网短期负荷预测方法

短期负荷预测对电网运行意义重大,负荷预测的精确与否,对电力网络的控制、运行和计划有较大的影响。本文基于人工神经网络理论,通过建立网络模型,并编写相关程序,预测了未来一天24小时负荷值,并取得了较为理想的预测效果。     

对我国2004年社会消费品月度零售总额分析预测

依据1993年1月～2003年10月，近11年共130个月的零售额数据，利用ARIMA模型，对我国2004年社会消费品月度零售总额进行分析预测，结果证明我国2004年社会消费品月度零售额总体上将持续增长，但各月之间存在明显的季节性变化和差异。     

福建省人均GDP预测模型及其应用

人均GDP是最能体现一个国家或地区经济实力、发展水平和生活水平的综合性指标,利用福建省历年的人均GDP时间序列资料构建混合时序模型,可以预测福建省未来几年人均GDP的发展水平,揭示该省人均GDP的发展变化趋势,从而为地方政策的制定提供一定的依据。     

短期现货电价多因素灰色预测模型

电力市场中,电能交易效益最终通过电价体现,对市场参与者来说,提前知道电价信息意义重大。灰色预测模型无需任何原始序列的概率分布模型,可以实现少数据建模。现货电价具有的性质符合灰色变量的特征,本文在介绍原有灰色预测模型在电价预测方面应用的基础上,提出同时考虑负荷因素和市场力影响因素的GM(1,3)短期现货电价多因素灰色预测模型,通过实例验证,证明该模型在电价预测精度方面相比较原有模型有所提高,预测效果更好。     

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。     

结合CEEMDAN的LSTM模型在滑坡变形预报中的应用

变形监测是工程安全监测必不可少的工作,高精度的变形预测预报能够为安全监测提供变形预警.随着对人工智能模型的深入研究,利用神经网络模型对变形时序数据进行预报的研究也逐渐增多.为研究神经网络模型在变形预测中的效果,将结合CEEMDAN的LSTM模型应用在滑坡变形预报中,通过实验比较其与单一LSTM模型、传统的ARMA模型以...     

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.     

模糊时间序列预测的连续点逆模糊数预测模型

在Chen,Hong和Tseng提出的模型基础上,提出了模糊时间序列预测的连续点逆模糊数预测模型,并构造了新的算法和公式。主要体现在论域的选择、小区间数字特征代表的选择和预测公式的构造等方面。将其应用于广西大学1997~2012年招收学生的历史数据模拟预测问题的研究中,结果表明平均预测误差率非常小。     

广东省博罗县中长期电力负荷预测的研究

基于中长期电力负荷预测受诸多不确定因素的影响,结合广东省博罗县电力负荷的发展情况,建立了一种基于灰色系统理论的中长期负荷组合预测模型,旨在提高博罗电力负荷预测的准确度。对传统灰色预测模型进行了改进,引入二次指数平滑法对原始数据进行修正,构造一个新的样本序列,并构建灰色等维新息预测模型。然后将改进后的GM(1,1)模型与一元二次回归模型进行线性组合,该预测模型精度高,其结果对博罗电力生产实际具有指导意义。     

基于季节性肯达尔检验法的松花江哈尔滨段水质变化趋势分析

通过对松花江哈尔滨段的5个监测站点分析,选用BOD5、CODmn、DO、NH_3-N四项主要污染因子,对其2006～2015年的年平均浓度,利用PWQTrend水质分析软件运用季节性肯达尔检验原理进行了水质变化趋势检验,并且运用GM(1,1)模型预测2016～2025年四种主要污染因子的浓度变化.根据水质变化趋势分析和预测结果,可以有针对性的治理流域内的某一因子引起的污染问题.     

感应电动机及电力综合负荷模型结构的研究

感应电动机模型是电力系统运行与控制理论研究和工程仿真计算中最常用的负荷模型，其运行特性对电力系统的运行行为有重要影响，深入研究了感应电动机模型结构与其行为模式之间的，阐述并提出了既能描述负荷的功能恢复特性，又有描述负荷的低电压失稳特性的综合负荷模型结构相当满足的必要条件，提出了适合于电压稳定分析的综合负荷模型的基本结构形式，对电力系统综合负荷建模具有理论和实际指导意义。     

基于模糊评判法的踝关节损伤预测研究

踝关节损伤是最为常见的运动损伤之一,通过对变量的模糊性的提取,建立了模糊评判预测标准,给出了动态隶属度函数.根据动态隶属函数构造模糊预测评判模型,利用所建模型对踝关节损伤实施数值模拟,模拟结果将为后续踝关节韧带损伤生物力学机制的量化研究提供依据.     

基于模糊评判法的踝关节损伤预测研究

踝关节损伤是最为常见的运动损伤之一,通过对变量的模糊性的提取,建立了模糊评判预测标准,给出了动态隶属度函数.根据动态隶属函数构造模糊预测评判模型,利用所建模型对踝关节损伤实施数值模拟,模拟结果将为后续踝关节韧带损伤生物力学机制的量化研究提供依据.