基于LS-SVM和RBF的月降雨混沌时间序列预测

以乌尔逊河为例,采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明月降雨时间序列存在混沌现象。运用LS-SVM模型对乌尔逊河月降雨混沌时间序列进行预测,并利用交叉验证法求取LS-SVM模型两个重要参数的最佳组合,同时与RBF神经网络模型进行了对比分析。结果表明,在做混沌时间序列分析时LS-SVM模型的预测精度优于RBF神经网络模型。     

边坡系统演化过程的混沌时间序列分析

边坡系统演化过程具有高度非线性特点,准确刻画系统演变内在规律对边坡稳定分析和预警至关重要。借助时间序列分析手段,利用自相关函数法确定边坡位移监测时间序列最佳延迟时间;利用G-P法确定嵌入维数和关联维数,继而重构位移序列相空间;利用小数据量法计算位移时序最大Lyapunov指数(M_(MLE)),借助关联维数和M_(MLE)对边坡系统演化过程进行混沌特征判定,确定影响边坡稳定的主要因素,挖掘边坡系统演变机理,并借助表征量实现边坡系统稳定性和稳定度分析。将该实测位移序列进行分段处理,描绘并分析其关联维数和M_(MLE)变化规律,指出边坡系统的演化规律一直存在混沌特性,这为边坡预警提供了借鉴。     

月降水序列混沌特性识别及预测

以泾河流域西峰镇站1951～2001年月降水时间序列为基础,利用互信息函数法求时间序列的时间延迟,引入伪邻近法求该序列的嵌入维数,计算结果显示其嵌入维数在[2,12]之间变化,再利用G-P算法计算该序列的关联维数,结果表明序列具有明显的混沌特性.用Volterra级数一步预测方法对混沌时间序列进行预测,实验表明,在训练数为220、样本数为392时预测结果较优.     

珠江三角洲潮位时间序列的混沌特性分析

针对珠江河口地区水流受洪水波、潮波共同影响水位变化的复杂问题,为研究其演变特性,以南沙站、三沙口站和万顷沙西站为例,基于历史实测月高潮位数据,重构潮位时间序列相空间,采用自相关系数法求得3个潮位站月高潮位序列的延迟时间,并分别利用G-P算法和主分量分析法分析该序列混沌特性,求得其饱和关联维数。结果表明,月高潮位时间序列具有明显的混沌特性。     

风速时间序列非线性特征分析

针对时间序列风速确定性与随机性相结合的复杂非线性特征,基于相空间重构理论和最大Lyapunov指数对其进行混沌与分形特征分析。首先,以经典Lorenz混沌系统及非混沌完全随机白噪声时间序列为验证算例,通过相空间重构和最大Lyapunov指数法判断以上2种非线性时间序列的混沌特征,分别从定性和定量的角度验证了所提方法的可行性;其次,对美国风能研究中心实测风速数据进行相空间重构,计算其最大Lyapunov指数并估算其可预测时间,最后采用G-P算法分析了实测风速时间序列的饱和关联维数。结果表明:相空间重构理论及最大Lyapunov指数法均可作为判断混沌特征的重要方法,时间序列风速具有明显的混沌分形特征及短期可预测性。     

东北地区月降雨时间序列的混沌特性研究

运用混沌分析的重构相空间技术，以东北地区四大水库控制流域的月降雨时间序列为例，估算出饱和相关维数与最大李雅谱诺夫指数，探讨了月降水量的可预报性问题。研究表明：降水系统中存在着混沌的特征。     

基于小波多尺度分解法提取混凝土坝裂缝开合度混沌分量

针对混凝土坝裂缝开合度序列的混沌特性,利用混凝土坝裂缝安全监控统计模型提取其中的确定性成分,采用小波多尺度分解法将裂缝开合度混沌及噪声所组成的混合信号分解到不同的频域上,对各频域信号进行相空间重构以提取关联维数,根据关联维数的收敛特性实现混凝土坝裂缝开合度混沌分量与噪声的分离,利用混沌动力系统方程已知的Lorenze信号检验了分离方法的有效性及除噪效果,并将该方法应用于某混凝土重力拱坝裂缝开合度混沌分量提取中,验证了本文方法的有效性和合理性。     

电力日负荷的混沌特性分析及短期预测

基于饱和关联维数法，对四川省全省电力系统日负荷序列的混沌特征进行定量分析，得出日负荷时间序列具有混沌性的结论。在相空间重构的基础上用局域法对日负荷进行短期预测，预测结果表明：方法虽然粗略但简单可行，预测精度较高。     

洞庭湖区月降雨序列的混沌特性识别及预测研究

基于相空间重构思想,采用最大Laypunov指数法确定洞庭湖区岳阳水文站30 a的月降雨序列具有明显的混沌特性。应用混沌径向基函数神经网络预测月降雨量,预测精度远远低于时间序列分解模型,并表现出高度的无规律性。定量分析了噪声对混沌预测精度的影响,表明监测误差是影响混沌预测精度的一个重要因素,提高数据精度是提高混沌预测精度的一个有效方法。     

基于关联维数的鼓泡流化床风帽压力波动特性研究

通过采集鼓泡流化床风帽入口的压力信号,利用小波方法对信号进行消噪处理后,对流化床风帽入口压力信号的时间序列进行了相空间重构,利用G-P算法计算了重构相空间的关联维数,并对冷态实验台采集的风帽压力数据进行了分析处理.结果表明：鼓泡流化床风帽压力波动信号具有混沌特性;自相关函数为0.1时,对应的延迟时间较为合适;典型冷态试验工况下,当表观气速增大时,关联维数呈上升趋势;当静床高增大时,关联维数随之减小.     

基于加权最小二乘支持向量机的月度负荷预测

考虑到实际电力负荷预测中各数据的重要程度并不相同,在标准最小二乘支持向量机回归算法的训练样本中设置权值系数,建立了加权最小二乘支持向量机模型,以实现样本的优化选择,达到历史数据"重近轻远"的学习效果;同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,提出了一种基于混沌思想的粒子群优化算法对模型参数进行优化,引入优势粒子和劣势粒子的权重自适应调节机制,使算法具有动态适应性。将改进的模型应用于江西省萍乡市月度负荷预测中,结果表明本文方法与常规方法相比降低了预测误差,且速度较快。     

基于小波消噪和混沌序列的SVM模型研究应用

基于小波消噪理论,采用改进小数据量法计算最大Lyapunov指数,对北碚水文站月径流时间序列进行混沌特性识别,利用C-C法重构相空间挖掘北碚站月径流时间序列中的信息,通过SCE-UA算法优化出惩罚因子、核宽度,并引入径向基核函数简化非线性问题的求解过程.实例结果表明,SVM径流预测模型实现了精度与实用性的统一,可较好处理复杂的水文序列,具有较高的泛化能力和预测精度,为资料匮乏地区预报研究提供了一种新方法.     

Forecasting method of monthly wind power generation based on climate model and long short-term memory neural network

Predicting wind power generation over the medium and long term is helpful for dispatching departments, as it aids in constructing generation plans and electricity market transactions. This study presents a monthly wind power generation forecasting method based on a climate model and long short-term memory (LSTM) neural network. A nonlinear mapping model is established between the meteorological elements and wind power monthly utilization hours. After considering the meteorological data (as predicted for the future) and new installed capacity planning, the monthly wind power generation forecast results are output. A case study shows the effectiveness of the prediction method.     

A comparison of methodologies for monthly wind energy estimation

Monthly wind energy estimations obtained by means of three different methodologies are evaluated. Hourly wind and wind power production data measured at five wind farms in the Northeast of Spain within the period spanning from June 1999 to June 2003 were employed for this purpose. One of the approaches is based on the combined contribution of the hourly wind speed frequency distribution and the corresponding power production. Several alternatives to represent the empirical wind power versus wind speed relationship are considered and their impacts on the error of monthly energy estimations assessed. Two more approaches derive monthly energy estimates directly from monthly wind values: one uses the theoretical power curve to obtain interpolated monthly wind power production values and the other consists in a simple linear regression between the observed wind speed and wind power monthly pairs, which serves as an approximation to the global power curve. The three methodologies reproduce reliably the total monthly wind energy. Results also reveal that linearity is a reasonable assumption for the relation between wind speed and power production at monthly timescales. This approach involves a simplification with respect to other standard procedures that require finer temporal resolution data. Copyright © 2009 John Wiley & Sons, Ltd.     

基于混沌理论的电力负荷短期预报的神经网络方法

探讨了电力负荷的混沌特性，提出一种基于混沌理论的神经网络训练样本预处理技术，该技术与常规方法相比，其预测精度和收敛速度都有较大的提高。     

含分布式能源区域电网月最大净负荷概率预测

负荷预测在电网规划和运行中十分重要,大规模分布式能源接入电网参与能量交换,可使电网用户优化其用电模式,但造成区域电网月最大净负荷特性发生根本性改变,增加了月最大净负荷预测的不确定性。为此,结合BP神经网络算法与分位数回归模型,构建了区域电网月最大净负荷的非线性概率预测模型;并利用核密度估计算法计算得到了月最大净负荷概率预测分布曲线;最后,以上海某含分布式能源区域电网为例,验证了该方法的可行性与可靠性。结果表明,该方法可准确刻画月最大净负荷波动特性,为电网规划与负荷管理提供依据。     

基于混沌时间序列的电力负荷短期预测方法

针对加权一阶局域法单步预报计算量大且存在累积误差的不足,在相空间重构技术基础上提出了一种加权一阶局域法多步预报模型。通过对统一混沌系统的预测仿真,证明该模型对混沌时间序列多步预报的有效性。采用加权一阶局域法对四川省电力系统日负荷进行了短期预测,实际结果说明加权一阶局域法的预测精度能满足要求。     

外部因素对广东省电网负荷特性的影响分析

为准确了解广东省电力负荷特性的变化规律及其与主要影响因素之间的相互关系,根据广东省电网历史负荷数据,采用定量和定性分析相结合的方法,研究了主要外部因素对负荷特性主要指标的影响程度。结果表明,产业及居民用电结构对月不均衡系数、日负荷率的变化具有决定性作用,气温的变化主要对年内各月的负荷水平影响较大,需求侧管理对负荷特性指标的影响主要体现在削峰填谷、提高负荷均衡性上。研究结果为开展电源结构优化布局、合理制定调峰措施等电网规划工作提供了决策依据。