生活用水量组合预测模型及其应用

生活用水量是一个复杂的经济系统,采用单个预测模型很难准确地反映其实际情况,结合全国1998～2010年的生活用水量数据,分别采用自回归模型、指数平滑模型、改进的GM(1,1)模型预测全国生活用水量。通过冗余检验,自回归模型、指数平滑模型、改进的GM(1,1)模型均不是冗余方法,并对这三种预测模型采用极小化误差平方和的方法确定最优加权系数,建立了生活用水量的组合预测模型。结果表明,与单项预测模型相比,该组合预测模型具有更高的精度和更好的适应性,且预测结果更加可靠。     

电力负荷与电量组合预测模型及其应用

提出一种适用于电风负荷与 预测的交叉式优选组合预测模型，实例计算分析表明，该模型具有较强的自适应性和较高的预测精度。     

GA Elman多元变量需水预测模型及其应用

针对传统静态前馈神经网络动态性能差、预测精度不高等问题,以上海市需水预测为例,提出一种基于遗传算法(GA)优化Elman神经网络连接权值的GA-Elman模型,并与GA-BP、Elman、BP需水预测模型做了对比。结果表明,GA-Elman需水预测模型行之有效,预测平均相对误差和最大相对误差分别仅为2.764%和6.578%,优于其他预测模型,具有较好的预测精度和泛化能力。     

灰色GM(1,1)和神经网络组合的能源预测模型

能源消费预测是制定能源规划的重要组成部分。鉴于能源消费系统复杂性和非线性的特征，文章结合某省能源消费的历史数据，首先用灰色预测和神经网络建立了单项预测模型．并对单项预测模型的优缺点进行了分析，然后采用最优组合权重的方法进行优化组合，从而获得更为精确的预测模型和预测值。实例的预测结果表明该模型可以作为能源消费预测的有效工具。     

改进多变量灰色模型在城市用水量预测中的应用

针对传统多变量灰色模型预测城市用水量存在信息利用不充分的缺陷,依据灰色系统理论中的新信息优先原理,提出一种改进的多变量灰色模型IMGM(1,n),并在灰色关联分析法确定影响城市用水量的主要因素基础上,将IMGM(1,n)应用于深圳市用水量预测,获得了较好的效果,具有可行性和实用性。     

深圳市用水量预测及情景分析

以深圳市为例,将GDP、SSO、TSO、RP作为影响因子,构建了各影响因子的预测模型,利用蒙特 卡洛随机模拟方法定量分析了影响因子的不确定性水平,进而建立了BP神经网络用水量预测模型,预测 了2011～2015年深圳市用水量。结果表明,2011～2015年深圳市的用水量会保持缓慢增长,但增速会减 小并趋于稳定,预计2015年用水量会出现饱和,饱和点之后用水量将不会再增加。     

基于组合模型的月降水量预测研究

近年来,由降水量过多或过少引起的灾害日益增加,因此准确地预测降水量对人类的生活和社会的发展具有重大意义和实际应用价值。基于郑州市1990～2019年的月降水量数据,分别利用SARIMA、Prophet、LSTM单一模型对郑州市2020～2021年的月降水量进行预测。为了提高月降水量的预测精度,提出SARIMA-EMD-LSTM、Prophet-EMD-LSTM两种组合模型,实证表明这两种组合模型预测精度更高,均方根误差显著减少,其中Prophet-EMD-LSTM组合模型的预测效果相对较优。最后利用该模型对郑州市2022年4～12月的月降水量进行了预测,精度较高。     

组合模型在灌区引黄水量预测中的应用

以内蒙古河套灌区为例,针对引黄水量受多种因素影响、变化趋势复杂且无规律可循、单一的数学模型难以准确预测的问题,构建了基于灰色与神经网络理论的组合预测模型,采用简化方法求解,有效地将灰色预测弱化数据序列波动性的优点与神经网络高度的非线性适应能力相融合,避免了模型权系数分散的任意性。实例结果表明,该组合模型精度高,更能准确反映灌区引黄用水需求现状。     

锌精炼过程煤气消耗量组合预测模型及其应用

基于已有的锌精炼过程煤气消耗,结合现代新的预测理论技术,提出一种指数回归-灰色理论相结合的组合预测模型来预测锌精炼过程的煤气消耗量。实际预测结果表明,这一模型对于锌精炼过程的煤气消耗量的预测具有较高的精度,这为锌精炼过程的煤气消耗量预测提供了新的方法。     

城市水资源短缺风险评价模型及预测模型研究

水资源短缺风险的评价、等级的划分及其预测模型对促进城市水资源的高效利用、可持续发展等均具有重大意义。以北京市为例,依据其水资源特点,考虑其供需情况,提出了影响北京市水资源短缺的风险因子分别为人口规模、气候条件、管理制度、水体污染以及回收利用率,进而采用层次分析法、模糊综合评价及BP神经网络算法等理论,对北京市2011～2015年间水资源短缺风险进行了预测分析,并提出了缓解北京市未来水资源短缺风险的主要途径为合理控制人口规模和加强水资源管理。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

城市需水量预测的混沌神经网络模型

将人工神经网络原理引入城市需水量预测中，针对BP网络收敛速度慢、易陷入局部极小的缺陷，提出了基于混沌神经网络的城市需水量预测模型，该模型简便易行，收敛速度快、预测精度高，具有良好的应用前景。     

基于双并联前向人工神经网络的水轮机数字协联模型

提出应用双并联前向人工神经网络建立水轮机数字协联模型的方法，该方法是一种行之有效的方法。实例表明，用该方法建立的水轮机数字协联模型具有表达简单、精度高的特点。     

相空间神经网络模型及其在水文预测中的应用

简述了相空间神经网络模型原理和算法，并通过实例讨论了其在水文中长期预测中的应用。将混沌重构相空间理论和神经网络模型相结合，对揭示水文系统复杂的非线性结构是很有效的，经实例研究初步表明，该模型应用在水文中长期预报中是可行的、合理的，数学分析工具更为先进，有很好的预报精度和应用价值。     

基于小波分析的BP网络预测模型及其在年径流预测中的应用

鉴于小波变换序列中尺度系数系列和小波系数系列变化特征存在较大差异,提出了一种新的小波分析与BP网络结合方式,即建立两个BP网络分别对两类系数系列进行预测,再对各小波变换系数的预测值进行小波重构,获得原序列的预测值。将该模型应用于二滩电站入库年径流量预测,结果表明该模型预测精度高,可为水电站提供可靠的入库年径流预测结果。     

基于GM和BP网络的我国能源消费量组合预测模型

利用我国能源消费的历史数据,采用灰色预测的GM(1,1)、无偏GM(1,1)和pGM(1,1)三种模型与BP神经网络进行优化组合,建立了灰色神经网络的能源消费量组合预测模型。实证分析结果表明,组合预测模型获得了更为精确的预测效果,可以作为能源消费预测的有效工具。     

PSO RBF神经网络在城市需水量预测中的应用

为克服径向基函数（RBF）神经网络由于参数选取不当而对其收敛性能的干扰,利用粒子群优化算法（PSO）的全局搜索能力对RBF神经网络的三个参数进行寻优,建立了基于PSO RBF神经网络算法的城市需水量预测模型。结果显示,PSO RBF神经网络算法拟合某市1998～2007年需水量数据的平均相对误差为0.18%,预测2008～2010年需水量数据的平均相对误差为3.84%,耗时1.2 s;通过RBF神经网络算法拟合的误差平均值为0.28%,预测的平均相对误差为5.62%,耗时2.1 s,表明PSO RBF神经网络算法具有更高的收敛速度与精度。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。