基于改进支持向量机的用户端用电负荷预测研究

常规用户的用电负荷预测方法主要采用分层测量技术,无法提取用电行为动态影响系数,因此预测结果与实际结果间的偏差较大,预测性能不佳。为此,本文提出基于改进支持向量机的用户端用电负荷预测研究。首先,分析影响负荷预测的因素,对其进行拟合优化处理,以获取综合影响指标。其次,采用平均信息向量法求取负荷及影响指标间的相关性系数,并根据用户用电负荷特征曲线时间序列提取用电行为动态影响系数。最后,引入改进支持向量机算法,构建负荷预测模型,进而实现用户用电预测。实例应用结果显示,所提方法得到的预测结果与实际结果基本相符,预测性能较好。     

基于大数据简约及PCA改进RBF网络的短期电力负荷预测

针对电力负荷大数据化越发突出,引入最小绝对值收敛及选择（Lasso）算法解决电力负荷大数据难题,对电力负荷及相关天气因素大数据进行高维数据特征提取,获得有用数据集。为避免输入空间严重自相关及网络维数较高,造成径向基函数（RBF）神经网络预测精度严重下降的不良影响,提出基于主元分析(PCA)改进的RBF神经网络电力负荷预测模型,消除多气象因素相关性,剔除冗余,提取天气因素特征量,将新天气特征量与历史负荷数据共同作为RBF网络的建模对象,既全面表征天气因素对电力负荷的影响,又简化预测模型,加快预测速率。 经美国南部某地区实际电力负荷数据的预测分析,充分证明该方法的有效性及可靠性。     

PCA-GRNN在综合气象短期负荷预测中的应用

为克服由气象因子较多且信息互嵌造成输入量多、预测时间长、预测精度低的缺点,引入主成分分析（PCA）提取气象因子特征量,与历史负荷数据共同作为建模对象;同时,针对BP神经网络动态性能的不足,建立基于广义回归神经网络（GRNN）的短期负荷预测模型。通过对实际电力负荷数据的预测,证明该方法与传统神经网络预测模型相比,明显提高预测精度和速度,具有实用性和有效性。     

信息熵和HQ准则在最大Lyapunov指数计算中的应用

最大Lyapunov指数是判断时间序列是否为混沌的一个重要判据,目前应用比较广泛的是小数据量法。将信息熵和HQ准则应用在最大Lyapunov指数的算法中,改进了小数据量法。信息熵优化了相空间重构参数,克服了独立求解重构参数的不足;利用HQ准则确定邻近点个数增加了计算时的精度。仿真实验表明该改进的小数据量法在计算最大Lyapunov时具有良好的准确性,对噪声具有良好的鲁棒性。     

基于向量自回归模型的移动通信基站流量预测

城市移动通信基站流量的准确预测对于关键基站的拥堵控制、基站新址的选择有着重要作用。基站流量数据不仅是区域的静态表现,同时也反映区域人员的流动特性。基站流量具有非线性混沌特性,而传统的线性时间序列方法比如自回归移动平均模型难以有效地捕获实际基站流量序列中复杂的非线性因素。同时,仅考虑单个基站时间序列而忽略邻近基站的影响并不能反映基站流量的动态特征。基于向量自回归模型(VAR)对大规模基站流量数据进行整体分析,将多响应变量预测问题转化为单响应变量预测模型,运用Lasso变量选择方法筛选目标基站的重要关联基站。实例表明,相对于传统预测方法,VAR-Lasso类方法不仅提高了基站流量的预测精度,同时也实现了大规模基站的实时预测。     

基于混沌时间序列的GPS单点定位误差预测方法

对由不同型号GPS-OEM板和不同型号天线所组成的GPS单点定位系统的定位误差时间序列进行了混沌特性分析,通过计算最大Lyapunov指数确定了其为混沌时间序列.在此基础上提出了基于混沌时间序列的GPS单点定位误差预测方法,分别将RBF神经网络和Volterra滤波器应用于预测模型,实现了对定位误差的一步预测.通过对比预测结果,发现Volterra滤波器比RBF神经网络具有更高的预测精度,且算法实时性强,可以有效地降低预测模型的复杂程度.     

灰色预测模型在电力系统负荷预测中的应用

电力系统负荷预测是根据电力负荷、社会、经济、气象等历史数据,特别是气象和经济数据,探索电力负荷历史数据变化规律对未来负荷的影响,寻求电力负荷与各种相关因素之间的内在联系,从而对未来的电力负荷进行科学的预测。在电网规划中,电力负荷预测精度直接决定投资成本,因此,选择一种预测精度高的电力负荷预测办法至关重要。灰色模拟法是对原始数据进行整理和分析,主要适合于信息条件比较贫乏的预测和分析。现就基于灰色预测模型改进的负荷预测问题作出简要探讨。     

基于CEEMDAN和多尺度排列熵的球磨机负荷识别方法

针对球磨机负荷特征提取难以及负荷状态识别难的问题,将多尺度排列熵引入到球磨机负荷识别中,提出一种具有自适应噪声的完整集成经验模态分解(CEEMDAN)与多尺度排列熵(MPE)相结合的球磨机负荷识别方法。首先,采用CEEMDAN方法对球磨机振动信号进行处理,将其分解成一系列的模态分量,选取与原始信号相关性较高的敏感模态分量进行信号重构;其次,确定多尺度排列熵算法的最优参数,根据算法得到重构信号的排列熵值;最后,计算多尺度排列熵的偏均值,以偏均值作为特征对球磨机负荷状态进行识别。实验结果表明,该方法能够有效地识别出球磨机的不同负荷状态,并具有一定的可行性。     

遗传算法对RVM短期风速预测模型的多参数同步优化

该文利用混沌理论中的相空间重构方法,对基于相关向量机的风速预测模型的训练样本进行构建,然而通过混沌理论求出的相空间参数(嵌入维数E和时间延迟τ)往往不是预测模型的最优解。针对预测模型超参数优化问题,提出一种基于遗传算法的多参数优化方法,即对E、τ以及相关向量机核参数σ进行同步优化。该方法首先基于遗传算法搜索相关向量机预测模型参数(E、τ、σ)的全局最优解,进而建立预测模型;然后对待预测风速时间序列进行预测;最后以2组实际风速数据为例进行实验研究,并与对比模型方法(只优化参数σ)进行对比。结果表明:该文模型不仅具有较低的预测误差,而且可提高预测效率,缩短预测时间。     

城市高架桥拆除爆破振动信号的非线性特征分析

为研究高架桥拆除爆破振动响应动力学机制,分析爆破振动、塌落振动时间序列的动力学因素,将拆除爆破振动响应时间序列进行相空间重构,通过吸引子、Lyapunov指数、关联维数、Kolmogoro熵等核心参量计算,分析高架桥拆除爆破振动响应信号混沌特征。经过计算,爆破振动及桥体塌落冲击作用下振动响应信号相空间重构后具有奇怪吸引子,且Lyapunov指数、Kolmogoro熵均大于0。研究表明:高架桥拆除爆破振动信号具有典型的混沌特征,为混沌非线性理论引入爆破振动危害效应分析领域奠定了理论基础。     

混沌振动的自适应预测方法研究

在混沌时间序列相空间重构的基础上,提出了一种沿轨道自适应预测方法,推导了模型参数的自适应算法,并研究了不同邻域点数、重构嵌入维数对预测结果的影响,仿真研究结果表明在一定的参数条件下,该方法具有良好的预测性能。将该方法用于某型非线性隔振系统振动实验信号的预测,取得了良好的预测效果。     

基于回归分析与BP神经网络的风机噪声预测

针对能源问题和风力发电机组噪声检测过程复杂的现状,研究IEC 61400-11风力发电机组噪声测量技术标准,提出一种回归分析和BP神经网络相结合的方法,对风电机组噪声的A计权声压级进行预测。由风电现场采集的数据建立多元线性回归方程,求取回归系数,分析简化后,用较少的输入量训练BP神经网络,建立机组的噪声预测模型。将模型应用于新疆某风电场的实际测试过程中,效果良好,验证该方法的可行性和有效性。     

基于混沌理论的海底混响中目标回波提取

提出了基于混沌理论的混响中目标回波提取新方法。该方法主要得益于一种新的预测模型,该模型基于径向基函数神经网络,综合利用了时间序列的前向和后向预测,解释了该模型用于混沌信号分离的基本原理,用几种混沌时间序列分析了该模型用于混沌信号建模和谐波信号提取的性能。该方法用于湖试混响中目标回波提取的结果表明:该模型可以用于提取信混比不小于1dB的目标回波。     

基于计算智能和信息熵的故障组合预测研究

针对单项预测方法鲁棒性弱和稳定性差的不足,研究了一种基于计算智能和信息熵的故障组合预测方法.利用粗糙集、遗传算法、免疫算法改进基本神经网络的神经元结构、权重计算方法和隐含层激励函数,构造了融合各项算法特长的计算智能方法,实现了电子设备特征参数的退化趋势预测;基于信息熵理论,采用多准则评价对前述单项预测方法进行融合,实现了电子设备的故障组合预测.通过跟踪预测实际环境中的设备工作数据,验证了基于计算智能预测的有效性和基于信息熵组合预测的稳定性.     

Resource Load Prediction of Internet of Vehicles Mobile Cloud Computing

Load-time series data in mobile cloud computing of Internet of Vehicles (IoV) usually have linear and nonlinear composite characteristics. In order to accurately describe the dynamic change trend of such loads, this study designs a load prediction method by using the resource scheduling model for mobile cloud computing of IoV. Firstly, a chaotic analysis algorithm is implemented to process the load-time series, while some learning samples of load prediction are constructed. Secondly, a support vector machine (SVM) is used to establish a load prediction model, and an improved artificial bee colony (IABC) function is designed to enhance the learning ability of the SVM. Finally, a CloudSim simulation platform is created to select the per-minute CPU load history data in the mobile cloud computing system, which is composed of 50 vehicles as the data set; and a comparison experiment is conducted by using a grey model, a back propagation neural network, a radial basis function (RBF) neural network and a RBF kernel function of SVM. As shown in the experimental results, the prediction accuracy of the method proposed in this study is significantly higher than other models, with a significantly reduced real-time prediction error for resource loading in mobile cloud environments. Compared with single-prediction models, the prediction method proposed can build up multidimensional time series in capturing complex load time series, fit and describe the load change trends, approximate the load time variability more precisely, and deliver strong generalization ability to load prediction models for mobile cloud computing resources.     

基于相空间重构改进算法的混沌奇异谱分析及应用

针对混沌奇异谱分析嵌入维数和延迟时间不确定性问题,提出相空间重构的改进算法。利用补充准则E2(m)进行联合判断,同时对Cao算法进行了改进,给出了一种改进的嵌入维数的稳定性准则。嵌入维数利用改进的Cao算法,能够快速准确地确定嵌入维数m的值,具有准确性和高效性;用基于符号分析的极大联合熵求取延迟时间的方法,减少计算量和误差。通过数值验证对比实验验证了该方法的优越性。将该方法在滚动轴承早期故障识别中应用,结果表明:混沌奇异谱可以清楚看出不同故障信号的图形分布,实现对机械故障信号的特征提取。为机械故障早期诊断提供一种新的有效途径。     

基于柯氏熵的汽车发动机状态预测的可行性研究

由于非线性系统存在长期不可预测性，基于此，建立了基于时间序列的柯尔莫哥洛夫熵求解方法，并利用柯尔莫哥洛夫熵求取了复杂机械系统状态的最大可预测的点数。这一研究为确立复杂设备状态预测的可信区间提供了理论支持，所获得的方法为复杂机械系统状态预测的可预测时间的界定提供了行之有效的技术方法。     

改进相空间重构方法在混沌识别中的应用研究

讨论了传统非线性时间序列相空间重构方法的特点。提出了一种改进的相空间重构方法．为了揭示非线性时间序列中的非线性相关性。采用了一种基于关联积分的统计量，并研究了不同参数对它的影响．研究了延迟时间和嵌入维数之间的关系，并采用时间窗口描述这2个参数的变化规律．同时，应用改进方法计算了混沌时间序列的重构参数。重构了混沌信号的吸引子．研究结果表明。该方法能够从时间序列有效地重构原系统的相空间，为混沌信号识别提供了新的途径．     

结合区间理论熵权和TOPSIS的映前总票房区间预测

为解决电影票房预测中，票房影响因素存在模糊性的问题，提出用区间数量化具有模糊性的票房影响因素，使得量化科学合理，量化结果能提高信息利用率；利用熵权法计算各影响因素权重，保证权重客观性；对票房进行分级并基于票房分级，将票房影响因素作为票房评价指标，提出用理想解法计算票房理想解贴近度区间，根据票房理想解贴近度判断票房级别，得到票房区间预测值；结合区间理论、熵权法和理想解法得到上映前总票房区间预测方法。选取2015~2017年上映的剧情类和动作类电影对该方法进行了验证。该方法在两类用于验证的电影中的平均准确率分别为79.33%和73.92%，证明本文方法具有一定的有效性和实用性。本文对于电影发行商的决策以及风险规避具有一定的意义，且对于与电影类似的短生命周期体验品的早期需求预测具有一定的参考价值。