基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

两种基于相空间重构的电力系统短期负荷预测方法分析

短期负荷预测是电力系统调度运营部门一项重要的基础工作,预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量。采用符合短期负荷特性的混沌理论对短期负荷进行预测,在相空间重构和混沌识别的基础上,建立短期负荷加权一阶局域多步预测模型和最大Lyapunov指数的预测模型,通过对一组实际的短期负荷数据进行预测,仿真结果表明:两种方法都能较准确地预测短期负荷,对于一周内的预测结果,最大Lyapunov指数预测模型的预测精度略高于加权一阶局域多步预测模型的预测精度。     

基于负荷混沌特性的改进Lyapunov指数预测法

针对目前常用负荷预测方法多依赖主观经验,为了提高预测精度,从相空间重构理论出发。结合负荷序列的混沌特性,提出了一种计算最大Lyapunov指数的改进算法。改进算法中引入一种取舍规则,提高了最大Lyapunov指数提取精度。利用改进算法建立实际电力月负荷预测模型,实际应用结果表明该模型具有一定实用价值。     

基于混沌理论的电力系统短期负荷预测的局域模型

短期负荷预测是电力系统调度的基础,其预测精度直接影响系统运行的安全性和经济性.传统预测方法在对影响负荷的不确定因素的模拟方面主要采用概率方法和模糊集方法,有局限性.为此,仍然有必要探索新的、更合适的方法.在此背景下,考虑采用混沌时间序列来进行短期负荷预测.首先,利用混沌时间序列理论对负荷时间序列进行相空间重构,同时提取吸引子的分形维数,结果表明负荷时间序列具有混沌特性;并通过分析时间序列连续功率谱和计算最大Lyapunov指数,进一步证实了短期电力负荷时间序列具有混沌特性.之后,通过采用局域线性预测模型和广义自由度方法确定最近邻域点数,来进行短期负荷预测.最后,以某实际电力系统2007年3月1日至5月14日的负荷数据作为历史样本,对次日的负荷进行预测,说明了所提出的方法的基本特征.     

基于局域一阶加权法的风电功率超短期预测研究

准确的风电功率实时预测,对电力系统安全、经济高效运行有着重要作用。基于相空间重构理论,提出了一种局域一阶加权法,以马式距离作为邻近相点的判据,权值的选择以邻近相点和参考相点的距离为依据,构建预测模型。以东北某风电场的实测风电功率时间序列为例,进行仿真分析,结果表明模型可有效地提高预测精度。     

基于Lyapunov指数的混沌预测方法及在水质预测中的应用

根据混沌原理对原水水质时间序列进行了相空间重构,利用自相关系数法、经典G-P算法和改进的最大Lyapunov指数法对新的相空间中原水水质时间序列的延迟时间τ、嵌入维数m、关联维数D和最大Lyapunov指数(λ1)进行了计算.在τ=5,m=9,D=4.489 1,λ1=0.024 2的条件下,利用基于Lyapunov指数的混沌预测方法对天津水源厂1995-2003年原水耗氧量时间序列进行了预测,预测误差低于15%.分析结果表明原水水质时间序列具有混沌特性,利用混沌原理对原水水质时间序列的短期变化进行预测是可行的,混沌理论在水质预测方面具有良好的应用前景.     

基于非线性理论的短期交通流预测研究

尝试用非线性理论对短期交通流进行分析和预测.建立了基于混沌动力学理论的短期交通流预测模型和方法,给出短期交通流预测的框架,用主分量分析法(PCA)对三种采样间隔(1 min5、min和15 min)的短期交通流数据进行分析,在判定短期交通流表现出混沌特性的基础上,用基于相空间重构理论的加权一阶局域预测法进行短期交通流预测.理论研究成果在上海延安高架路5 min采样间隔的交通流线圈检测数据中得到了验证,预测数据与实测数据吻合较好.     

基于两次改进灰色加权马尔可夫模型的CPI预测

利用灰色加权马尔可夫预测模型对居民消费价格指数(CPI)进行研究,并在此基础上进行两次改进.首先利用无偏灰色加权马尔可夫模型进行改进,消除了原有模型固有的偏差;又利用递进转移概率矩阵进行二次改进,在预测时增加最新的预测数据,去掉距离最远的数据,最后结合2013.06~2014.03的CPI数据对2014年4月及5月份的数据进行预测.结果表明:两次改进的灰色加权马尔可夫模型与一般灰色加权马尔可夫模型相比,平均相对误差约减少30%,效果较好.     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

基于ANFIS的超短期风电出力预测模型及仿真

针对短期风电出力预测精度不足的问题,在分析目前各基本预测方法的基础上,提出一种基于自适应神经模糊推理系统的短期风电出力组合优化方法.结合模糊C均值算法来调整系统前进参数和结论参数,提高系统参数寻优的效率.结果表明,该方法能够很好地处理非线性组合规划问题,从而有利于风电消纳.所提方法能够很好地克服单一方法在风电出力预测精度上的不足,更好地满足风电实际运行环境下的精度要求.     

基于EM-DRNN的风电功率预测模型

提出基于类电磁机制算法的对角递归神经网络的风电功率预测模型.对角递归神经网络属于动态递归神经网络,具有较好的动态性能;类电磁机制算法模拟电磁场中带电粒子间吸引与排斥机制,可进行全局优化,具有好的收敛性能.模型采用类电磁机制算法对对角递归神经网络进行优化,可避免使神经网络训练陷入局部最小点,提高模型的预测精度.仿真结果表明,模型可有效降低预测误差,获得满意的预测精度.     

WRF模式在风电场风速预测中的应用

准确的风电场风速预测是风电场安全稳定运行的基本保障.从风速预测的准确性和效率两方面分析利用WRF(Weather Research and Forecasting)中尺度数值预报模式时不同嵌套网格分辨率对风电场风速预测的影响.在此基础上,对宁夏某风电场进行提前102h的逐时风速预测并与实测资料进行对比.结果表明:随着网格分辨率的提高,风电场风速预测精度略有提高,但计算时间变长.兼顾预测精度和效率,建议使用3层网格.WRF模式能够较好地捕捉风速随时间的变化趋势,有效增加预测时效,使风电场风速预测可以提前到2～4d,为风电场的运行和控制提供依据.     

综合法优选局域邻近点的供水量预测模型

基于混沌理论的局域法是目前较先进的预测技术,对于非线性、非平稳特征较强的城市日供水系统的预测,通常混沌局域法更适用。混沌局域法的日供水量预测,最重要的就是对历史信息的利用,即对邻近点的选择和利用,但在运用混沌局域法对城市日供水量预测时却鲜有人考虑邻近点选取问题,或仅考虑邻近点个数与邻近点位置中的一个,很少没有人将2种情况综合考虑的研究。据此,运用BIC信息准则和衰减系数相结合对相空间重构进行数据挖掘,优选混沌局域法的邻近点,并用该模型对实际水厂日供水量进行了预测。结果表明,运用该方法能显著提高日供水量预测精度,预测平均绝对误差仅为1.06%,说明该综合法是可行的。     

基于改进K-means算法的电力短期负荷预测方法研究

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现...     

改进的离散灰色模型在中长期负荷预测中的应用

将离散灰色模型（DGM）引入到负荷预测中来解决负荷增长速度过快时预测精度变差的问题．通过研究灰色预测中存在的初值敏感性问题以及原始数据的预处理问题,对离散灰色预测模型进行改进．通过典型的实例研究离散灰色模型及其改进模型在中长期负荷预测中的应用．结果表明,离散灰色模型在中长期负荷预测中是适用的,且它的改进模型在实际预测中具有更高的预测精度．     

基于改进加权协同过滤的集群用户黑箱个性意象预测

为了解决传统意象定位中感性意象部分信息丢失及用户模糊的个性化需求不完全表达的问题,提出基于改进加权SO（WSO）算法的集群用户个性意象预测研究. 建立用户特征域,基于K-modes算法计算用户差异度,确立用户集群. 对甄选样本实施兴趣度排序及自主性意象评价,创建集群意象因子集. 引入用户相似度优化WSO算法,增强集群用户间的内在联系,精准预测目标用户黑箱的个性意象分值. 基于语义差异问卷及平均绝对误差分析验证黑箱意象,输出集群中单一用户的个性化意象,实现意象预测. 以无人机为例,预测用户的个性意象,误差小于0.5被舍去,表明该方法能够较好地实现用户模糊的意象黑箱透明化,且预测的意象符合用户的个性化需求,可以有效辅助设计师有针对性地设计.     

基于小波变换和优化CNN的风电齿轮箱故障诊断

针对传统故障诊断方法过于依赖人为经验的缺陷,提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像;再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明,与传统故障诊断方法相比,所提方法采用密集连接的结构自适应特征提取时频图,有效加强了故障特征的利用效率;在对风电齿轮箱的故障诊断中,所提方法具有更好的特征复用能力和更高的诊断精度.     

基于改进指数平滑法和马尔科夫模型的风速预测研究

针对传统指数平滑法在风速预测中的不足,搭建基于改进指数平滑法和马尔科夫修正模型的风速组合预测模型。通过梯度优化法快速追踪最优平滑系数α,加快计算效率和提高预测精度;利用马尔科夫模型修正残差,进一步增加预测精度。实验结果表明,该模型在计算效率上,比动态遍历指数平滑法提高近80%;而在预测精度上,比传统指数平滑法和灰色预测法分别提高了27%和32%。该模型对于风速的预测是准确、有效的,具有一定的实用价值。