一种基于HHT的短期负荷组合预测方法

提出了一种希尔伯特-黄变换和自适应加权最小二乘支持向量机相结合的短期电力负荷预测方法。先利用HHT中的经验模态分解,将负荷值分解为几个低频段的拟周期量和1个高频段随机量,然后根据各分量瞬时频率特点选择最佳的AWLS-SVM模型预测,最后将各分量预测数据叠加。实例预测结果表明,该方法具有较高的预测精度。     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于小波-单神经元组合模型的电力系统负荷预测

小波分析是一种新兴的数学工具,它能任意地提取负荷序列的细节.通过使用小波分析,可以在任何水平上分析负荷序列,它对信息成分采取逐渐精细的时域与频域处理,尤其对突发与短时的信息分析具有明显的优势.为了将小波分析用于负荷预测,提出了一种基于小波分解和单神经元的电力系统负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列...     

马特拉算法在遥测数据短期预测中的应用

为了提高遥测数据预测的精度和实时性,针对遥测数据的非平稳性和周期性特点,引入小波分析的预测技术,提出了一种对遥测数据序列进行不同频段上的分解方法:遥测数据时间序列依据选定的N阶多贝西小波和分解尺度值2分解为低频分量和高频分量,针对不同分量建立了基于马特拉算法、周期自回归模型和指数平滑法的时间序列短期预测模型,各分量预测结果经小波变换的逆算法重构后输出.仿真实验结果表明该方法满足遥测数据工程预测要求,能够有效地解决遥测数据的短期预测问题.通过对遥测数据短期预测结果的研究分析可提前判断卫星潜在的趋势,为指挥人员的正确决策提供科学依据.     

基于小波和傅立叶变换的纱线波谱图计算

采用离散小波变换与快速傅立叶变换相结合的方法,先对纱线信号进行小波分解,再对各子带信号作快速傅立叶变换,从而得到各子带信号的频谱。截取相应频段,并在同一图形上显示,然后将各频率成分转换成相应的各波长分量,得到纱线波谱图。     

基于Haar小波变换和ARIMA-RBF的天然气时负荷预测

针对天然气时负荷预测问题,提出了一种基于Haar小波变换和ARIMA-RBF的天然气时负荷组合预测模型。首先,对天然气时负荷数据样本时间序列进行小波分解,采用Mallat快速算法,母小波为Haar小波,对分解出来的高频分量进行ARIMA预测,低频分量进行RBF预测;其次,对高频分量预测结果和低频分量预测结果进行Haar小波重构;最后,以某市实际采集的天然气时负荷为例进行研究,并与自组织特征映射(Self-organizing Feature Map,SOFM)网络和多层感知器(Multilayer Perceptron,MLP)网络(SOFM+MLP)组合预测模型进行对比分析。结果表明,组合预测模型较SOFM+MLP预测模型的MAPE值指标高出2.593 2%,预测精度显著提高,为实际工程的在线应用提供了有益参考。     

短期负荷预测的自适应加权支持向量机新方法

提出了一种基于自适应加权最小二乘支持向量机（AWLS-SVM）理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单、泛化性能好、不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.     

基于EEMD与动态神经网络的短期负荷预测

提出了采用EEMD与动态神经网络络相结合的混合模型进行电力系统短期负荷预测的方法.首先运用EEMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果.仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度.     

短期负荷预测的自适应加权支持向量机新方法

提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单、泛化性能好、不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

基于负荷规律性分析的支持向量机短期负荷预测方法

提出了一种基于傅里叶分析的支持向量机的电力系统短期负荷预测方法。利用离散傅里叶变换的方法将历史负荷数据分解为不同频域上的分量,将不同频域上的分量依据负荷的成因及其特性组合成四种不同性质的负荷分量,对上述各分量选择不同的预测模型,对于受温度等影响较大的负荷分量,构造支持向量机模型进行预测。实例计算表明该方法是可行和有效的。     

正交小波变换在钻削刀具状态特征提取中的应用

为了精确地提取钻削刀具状态特征,系统地阐述了正交小波变换的概念和小波多分辨分析的方法,并对不同刀具状态的振动信号进行分解和重构处理,获得了振动信号在不同频段的重构分量,根据各个频段重构分量在不同刀具状态下的变化特点,进而提取高频段重构分量的功率谱的频域统计值以及[313 Hz~625 Hz]频段重构分量的局部极大模线对应的平均Lipschitz指数作为监测特征.实验结果表明:采用上述方法可有效实现刀具状态特征信息提取,较其它方法更加适用于钻削刀具状态监测.     

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机（RWT-SVM）混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差（MAE）计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.     

基于小波变换和深度学习的短期天然气负荷预测研究

随着天然气在能源消耗中占比越来越大,如何准确预知未来的天然气消耗量,对天然气资源合理规划具有重大意义。针对此问题,提出一种基于小波变换和深度学习的短期天然气负荷预测模型。首先对所收集的天然气负荷数据利用不同小波变换进行分解,之后对其进行归一化处理;其次利用深度学习算法对数据进行训练与预测;然后利用小波重构对预测的数据分别进行整合;最后以平均绝对百分误差、平均绝对误差和均方根误差为评价指标,评价不同小波变换的预测结果,计算最优小波变换的最优阶数和层数。结果表明,Fk小波变换第22阶第6层相对于其他小波变换和直接利用LSTM进行预测具有更高的预测精度。     

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.     

基于小波包的配电网故障选线距离判别方法

针对目前小波包选线方法的不足,提出了一种利用距离判别的统计方法以对小波包分解的信息进行充分利用,计算实时能量向量与非故障线路分布的距离以进行选线．充分利用了小波包分解的各频段能量信息和频段能量之间的相关信息,能较好地提高故障选线的正确性,并能结合暂态方向分量、五次谐波等稳态分量的统计特征使用．     

基于小波分析的话务流量模型研究

回顾了传统话务理论数学模型—Poisson分布;指出Poisson模型不适应新形式下话务数据流量分析;首次将小波分析理论运用到PSTN网话务流量模型中,分析了小波变换在话务数据流量分析、预测中的应用,充分利用小波变换具有多分辨率分析的特点,将时域的话务流量通过小波分解,使分解后的流量在频率成分上较单一,且平稳性好。再采用回归模型对小波分解后的不同分量分别进行预测再合成预测流量。通过试验表明该模型能比较准确地刻画话务流量模型并能作出较为准确的预测。     

SAR图像的边沿检测方法研究

针对合成孔径雷达(SAR)图像的特点,利用小波变换的高频分量能反映边沿细节的特性,提出了一种结合小波变换、中值滤波、自适应门限判决和微分梯度算子的边沿检测方法。实验结果表明,该方法具有良好的边沿检测效果和稳定性。     

小波熵及小波变换的短期负荷预报

基于小波分解理论,借助db8小波函数,对历史数据进行尺度为3的静态离散小波变换,并将小波熵引入到电力负荷预报工作中,用于处理电力负荷的历史数据.选取一定小波熵阈值,识别出历史数据中的非正常数据,可以提高负荷预测的准确性.对于各个分解尺度的小波系数分别进行预测,通过小波重构,得到预测值.预测结果表明,这种方法具较高预测精确度及适应性.