基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.     

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机（RWT-SVM）混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差（MAE）计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.     

基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法．首先利用小波变换把负荷序列分解成不同频段的子序列，对高频序列利用软阀值消噪法去除负荷噪声；对降噪后的负荷序列利用不同的小波进行分解．然后用相匹配的支持向量机模型预测各子序列．仿真结果表明db4小波的预测精度最高，平均绝对预测误差为1．6692％．所得结果同直接用支持向量机预测结果进行比较表明，该方法是有效的。     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

小波回归分析法在短期电力系统负荷预测中的应用

利用多分辨分析的小波变换对短期电力负荷序列进行了分解处理.将负荷序列投影到不同的尺度上,根据其在各尺度上子序列的特性分别进行回归预测.最后将预测结果叠加,得到最佳预测结果.结果表明,该方法能够取得较好的预测精确度.     

基于Haar小波变换和ARIMA-RBF的天然气时负荷预测

针对天然气时负荷预测问题,提出了一种基于Haar小波变换和ARIMA-RBF的天然气时负荷组合预测模型。首先,对天然气时负荷数据样本时间序列进行小波分解,采用Mallat快速算法,母小波为Haar小波,对分解出来的高频分量进行ARIMA预测,低频分量进行RBF预测;其次,对高频分量预测结果和低频分量预测结果进行Haar小波重构;最后,以某市实际采集的天然气时负荷为例进行研究,并与自组织特征映射(Self-organizing Feature Map,SOFM)网络和多层感知器(Multilayer Perceptron,MLP)网络(SOFM+MLP)组合预测模型进行对比分析。结果表明,组合预测模型较SOFM+MLP预测模型的MAPE值指标高出2.593 2%,预测精度显著提高,为实际工程的在线应用提供了有益参考。     

小波熵及小波变换的短期负荷预报

基于小波分解理论,借助db8小波函数,对历史数据进行尺度为3的静态离散小波变换,并将小波熵引入到电力负荷预报工作中,用于处理电力负荷的历史数据.选取一定小波熵阈值,识别出历史数据中的非正常数据,可以提高负荷预测的准确性.对于各个分解尺度的小波系数分别进行预测,通过小波重构,得到预测值.预测结果表明,这种方法具较高预测精确度及适应性.     

基于多尺度小波分解和时间序列法的风电场风速预测

针对目前风电场风速预测精度较低的问题,提出一种基于多尺度小波分解和时间序列法的混合风速预测模型,通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列,然后把分解后的各层序列重构回原尺度,再应用自回归滑动平均模型对平稳时间序列进行预测,最后通过叠加合成得出原始风速序列的预测值。同时在验证时间序列模型有效性与模型选优过程中,采用基于贝叶斯理论的SBC定阶准则,改善了以往模型定阶准则的收敛特性。在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析,结果表明,本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。     

基于小波分析的保险收入预测

提出了一种基于小波分析组合预测模型:首先利用Mallat算法对保险收入时间序列进行多尺度分解,得到对应尺度下的概貌(低频)分量和细节(高频)分量,然后从分解中提取趋势项并建模,最后对周期项(含季节项)和随机项进行了建模探讨,指出由于部分小波分解项所含有的周期存在相关性,此时对每一项分开建模并不一定能提高预测精度,通过给出分解项合并原则,然后对部分分解项进行合并建模.最后将各建立模型的预测结果进行叠加即可得原保险收入变量的预测值.将该模型用于中国保险收入的预测中,并与传统预测模型ARIMA进行了对比分析,结果表明,建立的组合模型充分利用了现有信息,预测精度高.     

DB小波与RBP神经网络的短期电力负荷预测

基于DB小波与BP神经网络,提出一种DB小波与RBP神经网络的方法对短期电力负荷预测.运用DB小波能够精确地提取时间序列的细微特性和RBP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了DB与RBP预测模型,经实际数据证明该方法提高了预测的精确性.     

小波变换在电力系统负荷状态监视和故障诊断中的应用

阐述了小波变换的基本原理及其特性,举例并通过MATLAB具体说明了如何利用小波变换分析电力负荷曲线中所反映的重要故障信息,进一步证明了小波变换能有效地应用于电力系统负荷状态监视和故障诊断。     

面向典型换挡工况重构的参数化试验载荷模型

为解决非平稳随机循环载荷条件下传动试验台架载荷表达问题,提出一种面向典型换挡工况重构的参数化试验载荷模型. 以装载机典型换挡工况变速器传动轴为研究对象,基于小波变换级数分解的方法将其所受非平稳随机载荷数据分解为非平稳的确定性分量（趋势项）与平稳的随机性分量（随机项）;对具有非平稳随机特性的趋势项采用均方根值加权分段函数拟合实现参数化表达,对具有平稳随机特性的随机项在Parseval定理基础上建立随机谐和函数表达,并将两分量表达函数重构,实现参数化试验载荷模型的表达;用小样本装载机整机试验数据验证了面向典型换挡工况重构的参数化试验载荷模型的有效性、非平稳随机特性和非平稳随机相关性,模型可作为装载机典型换挡工况变速器传动轴台架试验的载荷表达. 研究结果对非平稳随机循环载荷条件下试验台架载荷重构具有工程化价值.     

基于小波包能量熵的低压串联故障电弧诊断

为了实现低压串联故障电弧的有效诊断,基于ULI699标准搭建了交流电压为220V、频率为50Hz的串联故障电弧实验平台,并对不同负载回路正常工作电流以及串联故障电弧电流进行数据采集,提出基于小波包能量熵的低压串联故障电弧诊断方法.通过对电流信号进行4层小波包分解,提取小波包能量熵作为特征向量描述故障电弧电流信号在不同频段的能量分布.采用主元分析（PCA）法提取特征向量的主元作为BP神经网络的输入,实现样本最优压缩以简化神经网络结构.仿真结果表明,该方法故障诊断准确率较高,能够有效地识别串联故障电弧.     

双孔指力传感器的设计与有限元分析

提出了一种简单而实用的新型指力传感器,它可应用于机器人手指,检测到3个方向的荷载作用信息,并且输出相应的信号给机器人的控制系统,以控制或调节指力的大小,实现对物体的抓放等一系列行为.从传感器材料的选取,结构模型的设计,到测量电桥的设计,有限元模拟计算,最后得到测点应力的空间分布规律。结果说明双孔指力传感器在复杂受力情况下,也可准确测量各方向的荷载.     

Theory and Application of Natural-Based Wavelet Method

自然基小波的理论及应用研究

曹艳华¹，陈梦成²，徐保根¹

（1. 华东交通大学 理学院，南昌 330013；

2. 华东交通大学 土木建筑工程学院，南昌 330013）

创新点说明：

提出采用自然基小波方法研究时间序列周期问题。

研究目的：

采用自然基小波方法分析鄱阳湖流域长时间序列的降水周期，并且预测其未来几年的降水趋势问题。

研究方法：

实际观测鄱阳湖流域长时间序列的降水数据，对近110年的数据，缺失部分采用插值技术，分析其可能存在的降水周期。

研究结果：

采用自然基小波函数分析具有多周期的理想数据或者实际观测数据，均能正确的分析出应有的周期，并且方便地对未来的数据趋势进行预测。

结论：

1）分析多尺度的数据周期时，自然基小波精度高于Fourier分析；

2）应用自然基小波时，时间尺度不能取得太精细；

3）自然基小波方法适用于复杂观测数据，这种方法新颖，操作简单，易于编写程序。

关键词：自然基小波；长期降水序列；短期预报；时间序列

     

基于小波变换的虚拟现实场景中的图像处理

提出一种基于小波分析理论的虚拟现实场景中的图像处理方法 ,旨在对用于景物表面的纹理贴图或背景图像进行小波分解 ,在量化编码中以视点与图像的距离作为度量 ,选取一系列不同的阈值对图像进行压缩处理 ,从而得到一系列不同质量的图像 ,然后在虚拟现实场景中根据视点与景物的距离调用不同级的图像文件 .此方法对于降低系统负荷 ,提高图像的实时显示速度有一定的价值     

基于小波神经网络的水文时间序列预测

复杂时间序列预测是时间序列分析的主要研究内容之一,已成为一个具有重要理论和实际应用价值的热点研究领域。基于小波和神经网络组合模型,提出一种多因子小波预测模型以提高水文时间序列的预测精度。并根据不同小波函数对水文时间序列数据的适应性,提出了一种基于加权相关系数的小波函数选择准则。以国家重要水文站淮河王家坝站汛期的日流量时间序列预测为例,对各种常用小波函数进行了实验。结果发现选择得到的Haar小波和B3 spline小波函数预测精度较高,从而验证了小波函数选取准则的有效性;通过和传统单序列小波神经网络模型比较,发现提出的多因子小波神经网络模型的预测合格率在不同预见期均提高了10％以上,并且对洪水高流量方向预测合格率提高了15％。     

某混沌实时判定系统中特征提取的原因分析

研究混沌判定方法,对进行混沌分析与控制具有重要意义。基于信息论、控制论、数据挖掘的一些基本原理和方法,描述了某混沌实时判定系统的结构与功能模块。为满足该判定系统原理及功能的要求,需要进行时间序列的特征提取。以Logistic系统为例进行了实验研究,应用小波包分析、小波包能量进行了特征提取,分析了进行特征提取的原因与必要性。实验结果表明,特征提取模块是整个判定系统的关键模块,小波包能量可以作为该系统中特征提取的方法。