基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

用IOWGA算子组合预测城市生活需水量的研究

针对城市生活需水量较难准确预测的问题,将灰色GM(1,1)模型、自回归AR(p)模型及多元逐步回归分析模型予以组合,构建了一种基于IOWGA算子的城市生活需水组合预测模型.郑州市实例应用结果表明,该模型预测精度优于各单一预测模型,且挖掘、综合利用了多种有用信息,可供类似城市生活需水量预测借鉴.     

基于灰色GMDH网络组合模型的风速预测

风电场风速具有较大的间歇性和波动性,其预测精度有待提高。针对这一问题,文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。     

引入灰色弱化缓冲算子的人工神经网络组合预测方法在年径流预测中的应用

为了提高年径流量预测的精度,将灰色系统理论的弱化缓冲算子和人工神经网络相结合,提出一种新的年径流预测方法——引入灰色弱化缓冲算子的人工神经网络组合预测方法,并以兰州站年径流过程计算为例,验证了该方法的合理性。结果表明,预测结果精度较高,可见将引入灰色弱化缓冲算子的人工神经网络组合预测方法用于年径流预测具有可行性。     

灰色自记忆模型在年径流预测中的应用

为探索提高年径流预测精度的简单有效途径,以GM(1,1)微分方程为动力核建立了灰色自记忆模型,并应用于寸滩站年径流的拟合和预测中,取得了良好的效果。与组合模型相比,该模型结构简单并具有较高的拟合和预测精度,可应用于年径流序列的预测之中。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于灰色关联和协整理论的风功率组合预测研究

基于灰色关联和协整性理论,研究风电功率模型筛选与组合预测问题。分析6种单项预测方法与实际功率序列的灰关联度,并进行协整性检验,剔除冗余方法。算例分析结果表明,进行单项模型筛选能进一步提高组合预测模型的精度。然后,提出基于小世界优化的变权组合预测模型,并利用该模型对筛选后的方法进行组合预测。通过一个实例将小世界优化的变权组合预测模型与等权重平均组合预测法及协方差变权组合预测法进行仿真对比,该模型具有较高的预测精度和工作效率,可验证其在实际应用中的有效性和实用性。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAPE)以及确定性系数(DDC)统计指标对模型进行评价。在三峡水库的径流预测研究中,经过与其他三种典型数据驱动模型的预测结果对比发现,DFA_VMD_LSTM组合日径流预测模型在不同评价指标上均有显著提升,说明该模型可充分挖掘径流序列组成特性,学习历史长程依赖,能有效提高径流预报精度。     

基于组合预测模型的交通碳排放量预测研究

为了构建交通碳排放量的预测模型与方法，以扬州交通碳排放量为研究对象，基于组合预测模型理论，通过赋予灰色Verhulst模型、Logistic模型、Gompertz模型不同权重系数建立最优组合预测模型。结果显示：组合预测模型的预测精度和可靠性明显高于单项预测模型，具有明显的优越性，能够较为准确地预测交通碳排放量。     

基于EEMD-ANN的水库年径流预测

以三峡水库为例,基于集合经验模态分解(EEMD)及人工神经网络方法对水库年径流进行预测。首先利用Mann-Kendall和Pettitt法对水库年径流序列进行突变检测,获得平稳径流序列,然后采取EEMD方法分解径流序列,得到固有模态函数(IMF)和残差,最后对不同IMFs和残差分别建立人工神经网络预测模型,叠加所有模型预测结果得到年径流预测值。结果表明,基于EEMD-ANN的年径流预测模型优于自回归模型和人工神经网络模型,其预测结果与实测值的相关性更强,预测误差分别减少了11.4%、8.7%。同时,构建EEMD-ANN预测模型时需考虑径流序列的突变特征,采取平稳径流序列的预测效果更优。     

基于MPGA-LSTM月径流预测模型及应用

鉴于径流预测在水利基础设施运行、防洪、航运规划等水资源规划管理中具有极其重要的意义,将长短时记忆神经网络(LSTM)和多种群遗传算法(MPGA)相耦合,构建了基于MPGA-LSTM的混合径流预测模型,并采用该模型对晋江上游控制性水文站石砻站2013～2017年逐月径流过程进行延时回归预测。同时,为了验证MPGA-LSTM模型在月径流预测方面的优越性,针对影响预测精度三个因素基础模型、控制参数和优化方法,分别设置三组对比模型。计算结果表明,MPGA-LSTM模型表现最优,合格率为85%,确定性系数R~2为0.953,达到预报甲等标准。因此,所提出的MPGA-LSTM模型为月径流预测提供了一种有效的方法。     

基于小波分析的BP网络预测模型及其在年径流预测中的应用

鉴于小波变换序列中尺度系数系列和小波系数系列变化特征存在较大差异,提出了一种新的小波分析与BP网络结合方式,即建立两个BP网络分别对两类系数系列进行预测,再对各小波变换系数的预测值进行小波重构,获得原序列的预测值。将该模型应用于二滩电站入库年径流量预测,结果表明该模型预测精度高,可为水电站提供可靠的入库年径流预测结果。     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

龙角山水库入库洪水实用预报方法对比研究

为提高流域洪水预报精度,以山东半岛龙角山水库为例,利用25场洪水资料,选择降雨径流经验相关法和新安江模型对比分析二者的预报精度。结果表明,降雨径流经验相关法在率定期和验证期的地面径流深预报合格率分别为94.1%、87.5%,精度为甲等级别;新安江模型洪峰、峰现时间和径流深三个预报项目平均合格率在率定期、验证期分别为84.3%、83.3%,精度为乙等级别。与新安江模型相比,降雨径流经验相关法能够对洪量做出更为准确的预报,而新安江模型尽管总体预报精度偏低,但其还能对洪峰和峰现时间做出预报。在实际洪水预报作业中,可采用两种预报方法相结合的方式,取长补短,对各种水文预报要素做出更加准确的预报,从而为水库调度决策提供更有利的技术支撑。     

水电站水库预报发电调度的模糊风险分析

针对径流预报误差给水电站水库发电调度带来的风险,在采用组合模型对月径流进行预报和优化调度计算的基础上,构建了水电站水库预报发电调度的模糊风险分析模型框架,并在对入库径流进行随机模拟的条件下设计了模糊风险分析模型的求解流程。三峡水电站水库的实例应用表明,预报误差在5、10月对发电调度的影响较大,且水电站在枯水期的发电模糊风险比汛期高。     

Logistic回归模型在径流丰枯形势预测上的应用

年度径流丰枯形势预测对电厂生产计划安排及市场竞价具有重要意义。基于SAS平台,以瀑布沟水库1937~2006年的历史径流资料为例,探讨了基于Logistic回归模型进行径流丰枯形势预测的可行性。先应用集对分析法对各年份进行径流丰枯分类,其次以径流丰枯状态为因变量,采用Logistic回归模型进行影响径流状态的危险因子筛选,结果表明1、7月的流量对径流丰枯分类影响最为显著;最后利用累积Logistic回归模型得出径流状态一步转移概率矩阵,与马尔科夫法计算结果对比表明,采用Logistic回归模型进行丰枯形势预测是可行的。     

基于PCA-MPA-ANFIS模型的年径流预测研究

为提高径流预测精度,提出一种将海洋捕食者算法(MPA)与自适应神经模糊推理系统(ANFIS)相结合的径流预测方法,选取6个标准测试函数对MPA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,使输入数据简洁且更具代表性;利用MPA优化ANFIS条件参数和结论参数,建立PCA-MPA-ANFIS径流预测模型,并构建PCA-MPA-支持向量机(SVM)、PCA-MPA-BP作对比模型;基于云南省革雷站、新疆伊梨河雅马渡站年径流预测实例对PCA-MPA-ANFIS、PCA-MPASVM、PCA-MPA-BP模型进行验证。结果表明,MPA仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;PCA-MPA-ANFIS模型对两个实例年径流预测的平均相对误差分别为1.08%、4.49%,平均相对误差较PCA-MPA-SVM模型分别降低了32.5%、37.1%,较PCA-MPA-BP模型分别降低了58.2%、37.6%,具有较好的预测精度和泛化能力。可见将PCA-MPA-ANFIS模型用于径流预测是可行和有效的。