基于互补型集成经验模态分解模糊熵和回声状态网络的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种噪声互补型集成经验模态分解(CEEMD)模糊熵和泄漏积分型ESN(LiESN)的组合预测方法。为降低对负荷序列进行局部分析的计算规模以及提高负荷预测的准确性,首先采用CEEMD模糊熵将负荷时间序列分解为具有明显复杂度差异的负荷子序列;然后,通过对各子序列进行特性分析,分别构建相应的子LiESN预测模型;最后将各子序列的预测结果叠加得到最终预测值。将CEEMD模糊熵结合LiESN的组合预测方法应用于美国新英格兰地区短期电力负荷实例中,仿真结果表明,所提出的组合预测方法具有很高的预测精度。     

基于两步分解法和SARIMA的非饱和机场能耗预测

针对非饱和机场能耗时间序列的非线性和非平稳性特点,提出一种基于两步分解法和季节差分自回归滑动平均模型相结合的组合预测法。利用自适应噪声完整集成经验模态分解法和样本熵,将原始能耗时间序列分解为从高频至低频且复杂度不同的分量。再利用变分模态分解法对高频复杂分量再次分解,得到一系列呈现弱非线性且相对平稳的子序列。采用季节差分自回归滑动平均(SARIMA)模型对各子序列进行建模预测,将各子序列预测结果叠加得机场能耗预测值。实验结果表明,该方法可以有效提高非饱和机场能耗的预测精度。     

联合EMD和FSVM的非平稳时间序列预测

提出一种基于经验模态分解(EMD)和模糊支持向量机(FSVM)的非平稳时间序列组合预测方法。首先,利用EMD对非平稳时间序列进行分解,将其分解为时间尺度特征较为单一的单模态分量,降低待预测信号的非线性复杂度;然后,利用模糊支持向量机对EMD分解后的各固有模态函数进行预测;最后将各固有模态函数独立预测的结果进行叠加,即可得到原始序列的预测值。以带噪声的Lorenz系统和太阳黑子月平滑值序列为实验数据,对提出的预测方法进行了仿真分析。实验结果表明,与BP神经网络预测和传统的SVM预测方法相比,提出的方法具有更好的预测精度,而且对带有孤立点、噪声的序列信号具有较强的适应能力。     

基于EEMD-SE和GARBF的短期电力负荷预测

为了提高短期电力负荷的预测精度,提出了集合经验模态分解(EEMD)-样本熵(SE)和遗传算法(GA)来优化RBF神经网络的组合方法。利用EEMD分解法自适应地对负荷序列进行分解,结合样本熵对复杂度相似的子序列进行合并,有效减小了运算规模。基于各个子序列复杂度的差异构建相应的RBF神经网络模型,利用遗传算法避免神经网络陷入局部最优和收敛性问题,进而对合并的新子序列进行预测并叠加得到最终预测结果。仿真结果表明,该预测算法具有良好的预测效果,满足短期电力负荷预测的要求。     

一种基于CEEMDAN-CPELM的池塘溶解氧预测模型研究

针对集约化水产养殖中水体溶解氧时间序列非线性、非稳定性特征导致的溶解氧预测模型构建难度大、预测精度不高的问题,提出一种基于自适应完备集合经验模态分解-聚类重构结构的偏最小二乘优化极限学习机溶解氧预测模型(CEEMDAN-CPELM)。采用CEEMDAN方法将溶解氧数据流分解为不同频率的模态分量,并依据各分量的模糊熵值评估各分量的复杂度,利用K-medoids方法将所有分量按照模糊熵复杂度进行聚类,实现数据的分解-重构过程,降低溶解氧预测的难度;再利用偏最小二乘算法对极限学习机进行优化,提高模型的预测性能。最后,将CEEMDAN-CPELM模型应用到常熟养殖试验基地的水体溶解氧预测中。试验结果表明：基于CEEMDAN-CPELM的溶解氧预测模型的预测均方根误差值为0.959,明显低于GA-SELM、LSSVM和ELM等对比模型,验证了该预测模型的可行性和有效性。     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

高速列车转向架故障信号的聚合经验模态分解和 模糊熵特征分析

为了对高速列车转向架关键部件进行状态监测,利用转向架故障振动信号的特点,提出了一种结合聚合经验模态分解和模糊熵的特征提取方法.对故障信号进行聚合经验模态分解,得到一系列具有不同物理意义的简单成分信号,采用相关分析法选取最能反映原信号特征的本征模态函数.对这些本征模态函数和原信号分别计算模糊熵值构成多尺度复杂性度量的特征向量,输入最小二乘支持向量机中进行分类识别,与模糊熵特征相比得到了更好的识别效果,证明了算法的有效性.     

基于BEMD的染噪混沌时间序列预测方法

基于经验模态分解(EMD)方法对染噪混沌时间序列进行预测时,模态混叠会降低预测精度和最大可预测时间.针对这一问题,将复数据经验模态分解(BEMD)引入到染噪混沌时间序列的预测,在BEMD过程中以高斯白噪声分解的内禀模态函数(IMF)为基函数来驱动染噪混沌信号的分解,从而减小模态混叠对混沌预测的影响.Lorenz混沌时间序列和Henon混沌时间序列的预测实例表明,本方法相对于EMD方法在预测精度和最大可预测时间上都有一定程度的提高.     

基于DMD-LSTM模型的股票价格时间序列预测研究

针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络（DMD-LSTM）的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份（SH000898）上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。     

基于EEMD和萤火虫算法优化SVM的溶解氧预测

养殖池塘中的溶解氧(DO)对水产品的生长和品质有着至关重要的作用。为了提高溶解氧预测的准确性和有效性,提出了一种基于集合经验模态分解(EEMD)和萤火虫算法(FA)优化支持向量机(SVM)的组合预测模型。首先,将DO时间序列通过集合经验模态分解为一组去除噪声的并相对稳定的子序列。接着,利用相空间重构(PSR)重建分解子序列,在相空间中用SVM对各子序列进行建模预测。然后,利用萤火虫算法对SVM的参数进行优化,建立基于SVM的预测模型,最后得到原始DO序列的预测值。为了获得未来24小时的预测结果,采用单点迭代法实现多步预测。仿真结果表明,所提出的EEMD-FA-SVM组合预测模型比FA-SVM、EEMD-FA-BP和EEMD-PSO-SVM等模型具有更好的预测效果,能够满足现代渔业养殖水质精细化管理的高需求。     

基于EEMD和LSTM的短期风速预测模型研究

由于风具有较强的阵性和局地性,影响因子较多,利用机器学习相关技术进行风速的预测,往往会受这些影响,降低预测的准确率,特别是对于瞬时大风的预测,准确度普遍不高。针对上述问题,提出一种基于集合经验模态分解法(EEMD)和长短期记忆神经网络(LSTM)相结合的短期风速预测模型,该模型采用EEMD将风速序列分解为多个频域相对稳定的子序列,进而改善经验模态分解法(EMD)模态混叠现象,再采用LSTM构建预测模型,实现短期风速预测。该方法与其他预测方法相比,预测的精度更高,误差更小,验证了本文预测方法的可行性和有效性。     

基于VMD循环随机跳跃状态网络的时间序列长期预测

由于混沌系统的演化规律复杂,直接对混沌时间序列进行长期预测通常难以达到较好的效果.针对此问题,利用变分模态分解方法将混沌时间序列转化为一系列特征子序列,利用排列熵评估选取子序列个数的合理性,保证特征子序列包含了原序列长期演化趋势.此外,提出一种改进的确定性循环跳跃状态网络作为子序列的预测模型,该网络模型中的储备池采用单向环状连接和双向随机跳跃的拓扑结构,能够避免储备池确定连接结构造成的预测精度较低和随机连接造成网络的不稳定性问题.通过所提出模型对时间序列进行长期预测,采用多种评估手段对预测结果进行分析, 表明所提出模型对于长期预测具有较大的优势.     

基于经验模态分解的小波神经网络预测模型

针对小波神经网络(WNN)在非平稳、非线性时间序列预测上无法实现自适应多分辨率分析,且其预测精度有待提高的问题,提出基于经验模态分解的小波神经网络预测模型。首先,对非线性、非平稳时间序列进行经验模态分解(EMD),以降低时间序列的非平稳性;然后对EMD分析得到的固有模态分量(IMF)和余项分别构建WNN模型;最后,汇总预测结果,得到预测值。通过数据验证,新模型的预测精度高于BP神经网络和WNN。     

一种基于EMD和RVM的自相似网络流量预测模型

针对自相似网络流量提出了一种基于EMD(经验模态分解)和RVM(相关向量机)的自相似时间序列预测模型.该模型利用EMD将滑动窗口内的小时间尺度网络流量序列分解为多个IMF(固有模态函数)分量,以去除流量序列长相关性;然后采用RVM对其中的高频分量进行拟合,而对低频分量则使用ARMA构建预测模型;最后合成各分量的预测结果.实验表明,该模型能准确地预测流量时间序列的幅值及其趋势,与同类型预测方法相比,其预测性能更好.     

基于经验模式分解和极限学习机的铀资源价格预测方法

针对国际铀资源价格预测问题, 提出一种基于经验模式分解(EMD)、相空间重构(PSR) 和极限学习机(ELM) 的非线性组合预测方法. 首先通过EMD分解, 将原始价格序列分解为若干固有模态分量(IMF), 按频率高低将各IMF 分组叠加成3 个新序列; 然后在重构相空间的基础上构建不同的ELM模型, 分别对各IMF 序列进行预测; 最后对预测结果进行合成. 将该方法应用于实际铀资源价格预测, 并与径向基神经网络(RBF) 方法及单独ELM方法进行比较, 仿真结果表明该方法预测精度有明显的提高.

     

基于自适应时序分解的空气污染物浓度预测

为准确、有效地预测空气污染物浓度,建立了基于自适应完整集成经验模态分解(CEEMDAN)和排列熵(PE)的门控循环单元(GRU)空气污染物预测模型。首先利用CEEMDAN算法对非线性信号的自适应分解能力将原始序列分解为一组不同频率、复杂度的固有模态函数(IMF)和一个残差分量(REC),其次根据PE算法将复杂度相近的IMF分量和REC一起进行重新组合,最后将重组后的子序列分别使用GRU模型进行预测,并将子序列预测结果相加得到最终预测结果。实验结果表明,基于CEEMDAN-PE-GRU模型预测的误差明显低于其他模型,验证了该模型对空气污染物浓度预测的有效性。     

基于多尺度分析与神经网络的需水量预测

采用小波多尺度分解的方法,将需水量时间序列分解为多个较平稳的细节子序列和一个趋势序列,再利用BP神经网络对分解后的各序列进行预测,把预测后的序列聚合重构,得到预测结果。以新疆石河子地区的需水量为例对该方法作了验证。表明多尺度分析与神经网络耦合预测,比单一BP神经网络预测精度更高,可满足实际需要。     

EMD-LSTM模型对金融时间序列的预测

针对金融时间序列高噪声以及非线性的特点,提出一种基于经验模态分解（EMD）和长短期记忆（LSTM）网络的金融时间序列预测模型。为避免对整体序列只进行一次经验模态分解后的模型训练过程中使用测试集的信息,将时间序列数据通过一定大小的时间窗口进行多步经验模态分解,并对分解后的序列去噪重构,再将重构后的序列作为LSTM网络的输入,得到最终的预测结果。利用上证综指数据,将其与标准LSTM模型以及常见的结合EMD的预测方法进行对比,结果表明提出的EMD-LSTM模型具有更好的预测效果。     

基于EMD和RBFNN的冷负荷组合预测模型

针对冷负荷预测问题,提出了一种基于相空间重构(PSR)、经验模态分解(EMD)和径向基神经网络(RBFNN)的冷负荷组合预测模型.该模型首先利用经验模态分解方法,把冷负荷序列分解为少数模态分量,然后利用分组分量法将其分为多个高频子分量、总低频分量和残余量,最后以PSR为基础对各分量利用RBFNN方法建模并将预测结果重构...     

基于混合模型的中长期降水量预测

针对中长期降水量预测精度较低的问题,提出了由改进集合经验模态分解方法、最小二乘法、核极限学习机和改进的果蝇优化算法构成的混合模型来对区域年度降水量序列进行预测。首先,通过改进集合经验模态分解方法将非平稳降水量时间序列分解为多个分解项。然后,根据不同分解项的特性分别采用最小二乘法和核极限学习机对其进行预测。由于核极限学习机均存在一定的参数敏感特性,因此提出使用改进的果蝇优化算法来对核极限学习机的相关参数搜索寻优,以提高其预测精度。最后,将各分解项的预测结果叠加,从而形成最终预测结果。以广东省7个地市1951－2015年的年度降水量为例,对所提方法进行了验证,结果表明:相比于自回归移动平均模型和核极限学习机模型,混合模型预测具有更高的预测精度。