基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。     

基于VMD分解与MIC特征分析的风电功率组合预测

风力出电预测结果的准确性直接影响电力系统的调度安全,故提出一种基于变分模态分解(VMD)和最大信息系数(MIC)的风电功率组合预测方法。针对风力发电功率时间序列的随机性和波动性,利用VMD将原始风电功率序列分解为具有不同波动特性的模态分量;然后考虑气象信息与风电机组运行条件,采用MIC在考虑时间尺度后对各分量进行特征选择;基于诱导有序加权平均(IOWA)算子建立组合模型分项进行预测;最后将各模态分量的预测结果叠加获得最终预测值。基于风电场实测数据进行实验,结果表明所提组合预测模型能有效提高预测精度。     

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

基于花朵授粉算法的组合式风速预测

针对风速的波动性导致风电功率不稳定,严重影响电力系统的安全、稳定运行等问题,提出一种基于风速数据分解的组合式模型,该模型首先利用集合经验模态分解法将风速序列分解为频率不同的若干个分量,降低了风速序列的非平稳性。然后利用花朵授粉算法优化BP(back propagation)神经网络构建预测模型,预测各个分量的变化趋势。最后将各个分量的预测值进行叠加组合得出最终的风速预测值。仿真结果表明,所提出的组合式模型平均绝对误差控制在0.2 m·s~(-1)以内,在风速预测方面有较高的预测精度,具有广阔的实际应用前景。     

基于时空多维的VMD-GAT-Attention短时交通流量组合预测模型

文章针对短时交通流量时空依赖性、非线性的特点,为提高交通流量的预测精度,将时间建模和空间建模相结合,提出一种整合改进的变分模态分解(variational mode decomposition,VMD)结合图注意力网络(graph attention networks,GAT)与注意力模型搭建的组合预测模型.在时间维度上,利用改进粒子群算法(improved particle swarm optimization,IPSO)优化的变分模态算法分解交通流量,保证了VMD的充分分解,并得到相对平稳的交通流量序列,提高了组合模型的预测精度;在空间维度上,构建有效分解模态与原交通流量序列的GAT,提取不同时间序列中各交通节点之间的空间信息;引入注意力机制提高主要时空信息权重,降低次要时空信息权重,进一步提升了组合模型的预测精度.实验结果表明,该组合模型比IPSO-VMD-GAT-Attention模型以及VMD-GAT-Attention模型的均方根误差分别下降了31％ 和21％,而且对于VMD-GAT模型和GAT模型,均方根误差分别从14.1231和9.9136下降到2.2928,说明该模型达到较好的预测效果.     

基于二层分解技术和改进神经网络的河流溶解氧预测研究

针对河流溶解氧质量浓度序列的非线性和不稳定性导致的预测精度低的问题,提出二层分解技术和改进神经网络相融合的预测模型.首先,引入自适应噪声的完整集成经验模态分解对溶解氧时序数据进行分解,通过计算分解后各本征模函数（Intrinsic Mode Functions,IMF）的排列熵值以量化序列的复杂性,用变分模态分解对熵值较高的IMF进行二次分解,进一步削弱序列的非线性和不稳定性从而保证预测精度;其次,使用麻雀搜索算法优化神经网络的权值和阈值并对各分量进行预测;最后,将各分量预测结果重构后得到最终预测结果.实验结果表明,所提预测模型平均绝对误差为0.091,均方根误差为0.14,平均绝对百分比误差为0.96%,决定系数为0.948,优于其它预测模型.     

基于VMD-LSTM-ELMAN模型的国际原油价格人工智能预测研究

针对国际原油价格序列的高度非线性、非平稳性和时变性等复杂特征,本文提出一种基于变分模态分解(Variational modal decomposition, VMD)和组合预测模型LSTM-ELMAN的方法对国际原油价格进行预测。首先采用VMD方法将原始原油价格分解为不同频率的子序列;然后采用不同模型分别对高频和低频序列进行预测,利用ELMAN神经网络(Elman neural network, ELMAN)预测最后一个高频分量,长短期记忆网络(LSTM,Long short-term memory network)作为主要的预测模型来预测其他子序列;最后重构不同模型的子序列预测值,进而得到最终的预测结果。实证研究结果表明,本文所提出的VMD-LSTM-ELMAN混合模型相较于对比模型不仅能够明显提高国际原油价格的预测精度,而且在不同训练集长度和市场环境下仍能保持预测优势,具有较强的泛化性与可靠性。总体而言,基于国际原油价格的实验证明了VMD-LSTM-ELMAN是一种有效且稳定的预测模型,能够为政府和企业提供有效的智能技术支持。     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

基于VMD-DE的混沌网络流量组合预测研究

文章针对网络流量时间序列的预测问题,提出一种基于变分模态分解(variational mode decomposition, VMD)-分散熵(dispersion entropy, DE)的多尺度组合预测方法。首先对流量样本数据进行混沌特性分析,使用改进的VMD-DE方法对流量数据分解重构,减少周期性流量序列预测的随机性和计算复杂度;然后采用改进鸡群优化算法(chicken swarm optimization, CSO)优化Elman神经网络与最小二乘支持向量机(least squares support vector machine, LSSVM)的多尺度模型,分别对重组后的高频、中频和低频序列进行预测;最后对各预测值求和。通过实际流量数据的仿真和对比实验,证明基于VMD-DE的混沌网络流量组合预测模型具有良好的适应性和预测效果。     

采用小波分析和神经网络的短期风速组合预测

为了提高风速的波动性与随机性预测精度,提出小波分析和神经网络组合的风速预测模型.该方法利用小波分解将风速分解为一列频率不相同的分量,并利用二插值进行重构;根据各个分量的频率特征,选择合适的模型分别进行预测;高频分量采用组合神经网络预测,低频分量采用合适的单一模型直接进行预测;将各预测值叠加得到最终预测值.算例分析表明:相较于单一预测模型,所提方法的预测精度得到大幅提升,更加贴近实际风速曲线,预测结果更具可靠性.     

基于变分模态分解与注意力机制的海洋风速预测

海洋风速预测对远洋航行安全与航线规划具有重大影响.风速同时受多种外在自然因素影响，表现出强烈的非线性、非平稳性与随机性等特性，使得预测准确性受到极大考验.为提高风速预测准确性，创新性地提出一种基于变分模态分解与融合注意力机制的神经网络的风速预测方法.首先，利用变分模态分解将风速序列分解为一系列调幅调频信号，以降低数据复杂度，有效提取特征并提高噪声鲁棒性，减少风速自身对预测准确性的影响.其次，对分解后的不同模态子序列利用融合注意力机制的神经网络进行风速预测.最后，用实测数据验证所提方法的有效性.与其他典型风速预测模型相比，所提方法可有效提高风速预测准确性.     

基于完全集成经验模态分解和模糊熵分频的短期风电功率预测

随着风电接入电力系统的比例日益增大,准确的风电功率预测显得愈发重要。为此,提出了一种基于模糊熵和完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的短期风电功率预测模型。采用完全集成经验模态分解将原始风电功率序列进行分解,得到一系列不同频率的子序列。再使用模糊熵(Fuzzy Entropy,FE)算法识别各频率分量特征,将子序列分量分为高、中频分量类和趋势项。趋势项为低频分量,具有较为平稳,波动性小的特点,采用麻雀算法(sparrowSsearch algorithm,SSA)优化支持向量回归(support vector regression,SVR)进行预测；高、中频分量的波动性大且特点较为复杂,则采用SSA优化长短期记忆神经网络(Long Short-Term Memory,LSTM),同时引入注意力机制(Attention Mechanism,AM)对重要信息进行更好的权值分配。最后,经过实验结果分析表明,该模型具有更高的风电功率预测精度。     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于游程判别法和VMD残差修正的风电功率预测

为了提高风电功率预测准确性,提出一种基于频率游程判别法和变分模态分解（VMD）残差修正的风电功率超短期预测模型.采用变分模态分解将原始风电功率序列分解,得到一系列不同中心频率的子序列,再利用序列之差提取残差序列,残差序列继承原始序列噪声分量与分解被屏蔽的真实分量,呈现波动性大,非线性复杂和不平稳的特点,采用t-SSAL...     

基于变分模态分解的瓦斯浓度多尺度组合预测

为提高煤矿瓦斯浓度的预测精度，将瓦斯浓度序列变分模态分解后对各模态分量分别采用差分整合移动平均自回归（ARIMA）模型和门控循环单元（GRU）模型进行预测，采用诱导广义有序加权函数平均（IGOWFA）算子组建变权组合预测模型的方法，对实验数据比较，结果表明：与采用单一预测方法或固定权值组合预测方法相比该方法的预测结果具有更高的预测精度，为煤矿判断瓦斯事故发生概率提供依据。     

基于变分模态分解和AMPSO-SVM耦合模型的滑坡位移预测

滑坡是一种严重威胁危害居民生命财产安全的自然灾害,滑坡位移预测有助于预测滑坡等自然灾害.滑坡体监测数据的处理和预测模型的建立是滑坡位移预测的基础.针对当前时间序列分析中应用广泛的EMD、EEMD分解算法的缺陷,将具有严格数学理论支撑且分解个数可控的变分模态分解算法应用于位移时间序列分解,以获得滑坡位移子序列.将自适应变异粒子群优化算法(AMPSO)和支持向量机(SVM)相结合,构建AMPSO-SVM位移预测耦合模型.运用耦合模型对分解所得位移子序列分别进行预测,然后重构子序列预测结果得到总位移预测值.以三峡库区白水河滑坡XD1监测点为例,针对2007～2012年监测数据,设置不同情景以验证所提出预测模型的有效性及稳定性.实例分析表明,基于变分模态分解和AMPSO-SVM耦合模型对于滑坡位移的预测性能优于BP神经网络预测模型和网格搜索优化的SVM模型,在滑坡位移预测中有良好的理论基础及工程应用价值.     

基于EMD-PF-GRNN的短期风电功率预测研究

针对短期风电功率预测,将风电输出功率作为时间序列信号,由于其所具有波动性、非平稳性的特点,提出一种基于经验模态分解(EMD)、粒子滤波(PF)和广义回归神经网络(GRNN)的组合预测模型。首先,利用EMD对风电功率序列进行分解,获得各个相对平稳的模态分量;然后,将分解得到高离散度的数据采用PF进行分析处理,低离散度的数据采用GRNN进行分析处理,其中,通过粒子群算法(PSO),根据各低离散度数据自身特点优化GRNN的平滑因数,以进一步提高其预测性能和精度;最后,通过线性叠加各分量的预测结果得到最终风电功率的预测值。结果表明,与PSO-GRNN和单一GRNN结构相比,EMD-PF-GRNN预测模型的预测误差降低了6%左右,预测精度更高,可以更好的预测风电功率。     

基于小波分解的DIF-RBFNN超短期风速组合预测方法

提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应叠加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他三种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。