径流混沌时间序列局域多步预测模型及其在黄河上游的应用

近10多年来，许多学者相继开展了应用混沌理论对径流时间序列的预测研究，以Takens嵌入定理为理论基础的混沌局域法是一种简单、有效的预测方法。但是常用的零阶局域法、一阶局域法、加权零阶局域法和加权一阶局域法都是一种单步预测模型，进行多步预测时计算量大且存在误差累积效应。基于相空间重构技术的加权一阶局域法多步预测模型可以克服上述不足。因此，本文首先利用虚假邻域法选取相空间重构的参数时间延迟和嵌入维数，而后依据小数据量法计算最大Lyapnuov指数进行径流时间序列混沌特性的定量识别，最后建立了径流混沌时间序列加权一阶局域法多步预测模型，并将该模型应用于黄河上游贵德站1954年1月-2003年12月的实测径流时间序列预测。结果表明，该模型用于径流时间序列的短期预测是可行和有效的。     

基于惩罚加权支持向量机回归的径流预测模型

径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。     

基于混沌分析的月径流序列耦合预测模型及其应用

针对北方地区月径流年内年际变化幅度大、单一方法难以预测以及径流时间序列预测时,非线性模型阶数难以确定的特点,提出基于混沌分析的月径流序列耦合预测模型。该模型从时频分析角度出发,把月径流序列分解成不同的频率成分,并以相空间重构为基础进行混沌分析,然后分别采用支持向量机进行预测。以淮河支流沙河上游某水库月径流预测为研究实例,得出了较满意的预测结果,为径流预测提供了一条新途径。     

基于相空间重构和LSSVM的短期风速预测

为了提高短期风速预测精度,提出了一种基于最小二乘支持向量机的短期风速预测方法.首先采用复自相关法和互信息法计算延迟时间,采用伪最邻近点法和 Cao式法计算嵌入维数,使延迟时间和嵌入维数取值更合理.其次运用小数据量法计算混沌时间序列的最大 Lyapunov指数,G-P算法计算时间序列的关联维数,用以证明风速序列为混沌时间序列并确定支持向量.然后采用扩展记忆粒子群对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立 PSOEM-LSSVM 的短期风速预测模型.最后与其他几种风速预测模型对比,仿真结果表     

基于混沌支持向量机的河川径流预测研究

以黄河上游兰州站月径流序列为研究对象,在介绍相空间重构原理的基础上,探讨了混沌分析的主要定量指标:饱和关联维数d,最大Lyapunov指数λ和Kolmogorov熵k。得到该时间序列的最佳嵌入滞时τ=3个月,饱和关联维数d=3.230,最小嵌入维数m=12和最大Lyapunov指数λ=0.241,Kolmogorov熵k=0.14,指出该序列的预测时限为4个月。在此基础上建立了基于混沌特性的支持向量机径流预测模型,用1995~2004年的月径流数据进行仿真试验后,用2005年1~12月的径流数据作为预测检验,结果表明,该模型可用于混沌时间序列的月径流预测,并验证了由最大Lyapunov指数所确定的可预报时限为4个月的结论。     

基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础，结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构，形成相点序列，然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本，经过训练寻求决策函数后就可以求出包含预测点的相点，最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较，证明了该模型在短期负荷预测中的有效性。     

基于混沌—LSSVM神经网络风电场风速短期预测

风电出力是电力系统运行与规划的依据,准确的风速预测有利于提高电力系统运行的经济性和可靠性。基于风速时间序列具有混沌特性的前提下,结合混沌时间序列的相空间重构和支持向量机回归理论,建立了一种基于风速混沌特性和当前最为流行的最小二乘向量机的短期风速预测模型。用于张家口某风电场进行风速预测,通过实例仿真计算分析表明,混沌—LSSVM神经网络的混合算法可进一步提高预测精度。     

基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型.采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力.在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力.     

负荷预报的混沌时间序列分析方法

某些非线性确定性系统表现出混沌行为,由这些系统产生的时间序列又表现出随机性,但是,这些混沌时间序列在短期内可有较为精确的预测,可以为其建立确定性的预测模型。为了探讨负荷时间序列中的混沌特性,作首先介绍计算时间序列中的多种混沌征数的方法,在发现华中电网发电负荷时间序列中的混沌特性的基础上,给出一种基于混沌理论的局部预测算法。该预测方法的优点是,如果时间序列比较长,就可以通过某些参数的调整来控制预测精度。最后以华中电网的发电负荷为例检验了本中的算法,最终的预测模型的预测效果良好。     

基于灰色关联分析的模糊支持向量机方法在径流预报中的应用研究

针对径流时间序列固有的非线性和随机性特点,提出基于灰色关联分析的模糊支持向量机预报方法。该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面条件变化下不同时期径流样本对预报结果的影响。预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小从众多的相关因子中挑选出对径流过程影响显著的预报因子。将该方法应用于金沙江上游控制站石鼓站的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明,该方法能提高径流中长期预报的精度,是一种有效的径流时间序列预测模型。