风电场短期风功率预测研究及应用实例分析

以河北省某风电场为例,结合所在省气象局提供的数值天气预报成果、历史风电机组运行数据研究风电场短期风功率预测技术.预测误差分析结果显示,2012年该风电场的短期风功率预测月均方根误差范围大概在0.117～0.235之间.通过比较实测风速和数值天气预报风速,发现数值天气预报风速月平均相对误差为0.388～0.552,导致预测功率相对误差达1.674～2.753.风功率预测模型引起的预测功率误差介于0.0641～0.2817之间.风电场风功率预测误差的主要来源是数值天气预报风速误差,由预测模型引起的误差也不能忽视.     

关中地区月平均降水量预测

通过建立关中地区季节性的ARIMA模型,对月平均降水量序列进行了拟合和预测,结果表明:所建模型对6～11月份的月平均降水量有较高的预测精度,平均预测误差在10%以下;春冬季的预测误差大多在15%以上,对这一时期月平均降水量的预测能力较低.     

几种人工神经网络法的水质预测比较

人工神经网络是现如今被广泛应用于预测方面的方法,运用BP神经网络、RBF神经网络、Elman神经网络分别对大伙房水库的2006年的TN、TP进行预测,比较3种网络的训练误差和预测误差得到:RBF神经网络训练速度最快且训练误差最小,RBF神经网络和Elman神经网络的预测误差明显小于BP神经网络,RBF神经网络和Elman神经网络应用于水质预测是可行的。     

基于隐马尔科夫误差校正的日前电价预测

电价预测误差是一个双随机过程,一方面是模型本身预测能力的状态序列,体现了模型对某点理想数据（剔除了随机波动的电价）的预测状态（偏高、偏低或者正常）;另一方面,则表现为在不同状态下模型对真实电价（包含随机波动）预测的误差。通过采用隐马尔科夫模型,对电价预测建模的误差进行分析,找出模型预测状态的转移规律以及模型在不同状态下的误差分布;并由此分析下一步的模型预测状态和误差概率分布,在此基础上对未来的模型预测误差进行预测校正。对美国电力市场的研究表明,该方法有效提高了模型的预测精度。     

利用彭曼公式预测水面蒸发量

以彭曼公式为基础 ,建立月、旬水面蒸发量预测模型 .根据中长期气候预报中一般可给出月、旬平均气温和中雨 (雪 )以上降水天数的实际情况 ,将彭曼公式进行分解 ,分别建立月、旬水面辐射平衡R、空气干燥力Ea 的预测模式 .利用江西省都昌蒸发实验站实测资料 ,确定各模型中的参数 ,取得月、旬水面蒸发量预测公式 .对此公式进行模拟检验和应用检验 ,其中月、旬水面蒸发量的拟合误差为 :平均相对误差分别是 8 9%和 10 4 % ,相对误差在± 2 0 %以内的保证率分别是 90 6 %和 87 5% ;月、旬水面蒸发量的预测误差为 :平均相对误差分别是 11 9%和 11 2 % ,相对误差在± 2 0 %以内的保证率分别是 70 4 %和 72 2 % .拟合误差和预测误差都较小 ,达到了生产上的一般精度要求     

基于小波变换的隧道大变形组合预测方法

为提高隧道变形预测精度,首先,探讨不同小波变换参数的去噪效果,并将隧道的变形数据分为趋势项和误差项;之后,对趋势项和误差项进行单项预测和组合预测,对比分析本文预测结果,研究本文预测模型的有效性。结果表明:sym8小波函数在采用软阈值选取方法、启发式阈值标准及8层小波分解时的去噪结果最优。采用剔除最大误差倒数法通过对趋势项及误差项进行组合预测可知,趋势项组合预测、误差项组合预测较其单项预测的预测精度分别提高了2.5~3.5倍、4.0~5.4倍,达到了提高预测精度的目的,且也不同程度地提高了预测结果的稳定性。通过对本文预测模型的实例分析,验证了本文预测思路的可行性和有效性,预测结果满足大变形预测的要求,具有较高的可行度。     

引绰济辽工程某施工支洞涌水量预测方法探讨

文中对各种常用的隧洞涌水预测方法进行了简单介绍,选取了几种适用于引绰济辽工程2-4施工支洞的预测方法,对隧洞涌水量进行预测,并和实际涌水量对比,分析预测方法的误差大小.     

基于 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

径流预测方法对比分析

通过实际算例分析比较了指数平滑法、灰色预测模型、小波分析法和人工神经网络径流预测方法,结果表明:指数平滑法、灰色预测模型预测结果的误差比较大且分布不均匀;小波分析法和人工神经网络方法预测结果明显好于指数平滑法和灰色预测模型.