基于分解集成的LSTM神经网络模型的油价预测

为了提高油价的预测效果,提出一种基于EEMD分解、小波阈值去噪、fine-to-coarse法重构和LSTM神经网络的组合预测方法.EEMD对油价原始时间序列分解,利用小波阈值去噪法获取第一高频模态分量的有效信息;分解出的模态分量运用fine-to-coarse法重构,得到从高到低的重构分量;使用LSTM神经网络预测重构分量;对重构序列简单加和得到最终结果.实证结果表明,与其他基准模型比较,在水平预测和趋势预测上该方法能有效地预测原油价格.     

基于EMD和RBFNN的冷负荷组合预测模型

针对冷负荷预测问题,提出了一种基于相空间重构（PSR）、经验模态分解(EMD) 和径向基神经网络(RBFNN) 的 冷负荷组合预测模型。该模型首先利用经验模态分解方法,把冷负荷序列分解为少数模态分量,然后利用分组分量法将其分 为多个高频子分量、总低频分量和残余量,最后以PSR为基础对各分量利用RBFNN方法建模并将预测结果重构。该方法应 用于实际冷站负荷预测后,与单一RBFNN、SVM、LSSVM及基于EMD的SVM、基于EMD的RBFNN5类方法进行比较,结果 表明该方法对冷负荷预测精度有明显提高。     

基于VMD-CNN-LSTM的农业大棚园区用电负荷短期预测

针对农业大棚用电负荷受农村供电能力、气象因素等的影响,具有强波动性和高非线性的问题,综合大棚短期负荷的气象特征和时序特征,提出了一种基于变分模态分解(variational mode decomposition, VMD)的长短期记忆(long short-term memory, LSTM)网络与卷积神经网络(convolutional neural network, CNN)相融合的VMD-CNN-LSTM的短期负荷预测模型架构。首先,基于VMD方法分解负荷序列,降低负荷波动性;其次,采用CNN方法提取负荷的气象特征,采用LSTM方法提取负荷时序特征,进行负荷分量预测,并将模态分量的预测结果重构;最后,以山东省寿光市农业大棚负荷数据为基础开展仿真实验。结果表明,VMD-CNN-LSTM模型与传统神经网络模型相比,可有效提高农业大棚短期负荷预测的精度。     

基于EMD和RBFNN的冷负荷组合预测模型

针对冷负荷预测问题,提出了一种基于相空间重构(PSR)、经验模态分解(EMD)和径向基神经网络(RBFNN)的冷负荷组合预测模型.该模型首先利用经验模态分解方法,把冷负荷序列分解为少数模态分量,然后利用分组分量法将其分为多个高频子分量、总低频分量和残余量,最后以PSR为基础对各分量利用RBFNN方法建模并将预测结果重构...     

结合注意力机制与LSTM的短期风电功率预测模型

风力发电预测在电力系统的运行中发挥着重要作用。现有风电功率的短期预测模型因风速的复杂性和随机性,难以确定风速与风电功率的非线性映射关系,导致预测精度降低。提出一种结合变分模态分解、双阶段注意力机制、误差修正模块与深度学习算法的短期风电功率预测模型。通过对原始数据进行互信息特征选择,获得与风电功率相关性较强的特征,并对其进行信号预处理,利用变分模态分解对多维特征序列进行分解,得到具有一定中心频率的模态分量,以降低各个特征序列的复杂性和非平稳性。采用基于双阶段注意力机制与编解码架构的长短时记忆（LSTM）神经网络对模态分量进行训练与预测,得到初始预测误差。在此基础上,利用误差修正模块对初始预测误差进行变分模态分解和修正,从而提高模型的预测精度。实验结果表明,与自回归移动平均模型、标准编解码结构的LSTM模型相比,该预测模型的平均绝对误差最高可降低约87%,具有较优的预测性能。     

基于时间序列分解的交通流量预测模型

短时交通流预测不仅与历史数据相关，而且也受相邻区域交通情况影响。针对传统时间序列分解（TSD）模型忽略交通流的趋势性和空间相关性的问题，提出了基于时间序列分解与时空特征（TSD-ST）结合的时间序列处理模型。首先，利用经验模态分解（EMD）和离散傅里叶变换（DFT）得到趋势分量和周期分量，利用互信息（MI）算法挖掘波动分量的时空（ST）相关性，并以此为根据重构状态向量；随后，通过长短期记忆（LSTM）网络利用状态向量对波动分量进行预测；最后，将序列的3部分的预测结果重构，得到最终预测值。利用美国华盛顿州I090号州际公路的真实数据验证模型的有效性。实验结果表明，与支持向量回归（SVR）、梯度提升回归树（GBRT）、LSTM相比，所提模型的均方根误差（RMSE）分别降低了16.5%、34.0%和36.6%。由此可见，所提模型在提升预测精度方面十分有效。     

基于VMD-GRU的电力短期负荷预测方法

针对电力短期负荷的非平稳性影响预测精度的问题,文中提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的电力短期负荷预测方法。首先,利用VMD对电力负荷数据进行分解,得到一组比原始负荷数据更具有规律性的模态分量;然后,采用GRU网络学习每一模态分量动态变化特征,并对该分量进行预测;最后,将每一分量的预测结果叠加,得到最终的预测结果。采用LSTM、GRU、EMD-LSTM、EMD-GRU、VMD-LSTM、VMD-GRU预测模型进行对比实验,得出VMD-GRU模型的平均绝对百分误差仅为2.081%。实验结果表明,所提的基于VMD-GRU的方法可以有效地提升电力短期负荷预测精度。     

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一,准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性,为了提高污染物排放浓度预测精度,提出一种基于集合经验模态分解（EEMD）和长短期记忆网络（LSTM）的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数（IMF）和一个残差序列;根据IMF子序列与原始数据之间的相关性分析,剔除极弱相关的信号分量,有效减小原信号数据中的噪声;将IMF序列集分为高、低频两部分,分别进入不同深度的LSTM网络;最终,将子序列的预测结果反变换得到NOx排放浓度。实验表明,在催化裂化装置NOx排放预测中,对比LSTM的表现,EEMD-LSTM耦合模型在均方误差（MSE）、平均绝对误差（MAE）分别减小了46.7%、45.9%;在决定系数R²上增大了43%,实现了更高的预测精度。     

基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测

氮氧化物（NOx）是催化裂化（FCC）装置再生烟气中的主要污染物之一,准确预测NOx的排放浓度可有效避免炼化企业污染事件的发生。鉴于污染物排放数据具有非平稳、非线性和长记忆等特性,为了提高污染物排放浓度预测精度,提出一种基于集合经验模态分解（EEMD）和长短期记忆网络（LSTM）的耦合模型。将NOx排放浓度数据经过EEMD为若干个固有模态函数（IMF）和一个残差序列;根据IMF子序列与原始数据之间的相关性分析,剔除极弱相关的信号分量,有效减小原信号数据中的噪声;将IMF序列集分为高、低频两部分,分别进入不同深度的LSTM网络;最终,将子序列的预测结果反变换得到NOx排放浓度。实验表明,在催化裂化装置NOx排放预测中,对比LSTM的表现,EEMD-LSTM耦合模型在均方误差（MSE）、平均绝对误差（MAE）分别减小了46.7%、45.9%;在决定系数R²上增大了43%,实现了更高的预测精度。     

CEEMD-WT和CNN在短期风速预测中的应用研究

由于风速存在随机性和不稳定性,为了提高短期风速预测的精度,提出了一种基于完备总体经验模态分解（CEEMD）、小波变换（WT）和卷积神经网络（CNN）的短期风速预测混合模型。首先,CEEMD算法把原始风速序列分解成一些相对平稳的固有模态函数和一个残差序列;然后,WT算法对每个固有模态函数进行二次去噪,进一步消除噪声对固有模态函数的影响;最后,卷积神经网络对每个固有模态函数、残差序列和影响风速的5个属性训练预测得到各自的预测结果,对所有的预测结果重构得到最终的预测结果。通过实验与其他4个风速预测模型进行比较,所提出的模型预测的绝对平均百分比误差（MAPE）最小,为2.484%,表明在短期风速预测方面CEEMD-WT-CNN模型有较好的性能。     

EEMD与RBF神经网络的太阳黑子月均值预测

太阳黑子月均值是典型的混沌时间序列,具有较强的非线性和非平稳特征,能够反映太阳活动的真实水平。采用一种应用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）与径向基函数（Radial Basis Function,RBF）神经网络组合的预测模型。通过EEMD将原始时间序列分解为若干个不同时间尺度的本征模态函数（Intrinsic Mode Function,IMF）分量,并对这些分量进行建模预测,再将各分量的预测值重构得到原始时间序列的预测值,这样不仅降低了算法的复杂性,而且有利于提高模态分量包含信息的物理意义。仿真结果表明,与经验模态分解（Empirical Mode Decomposition,EMD）结合RBF神经网络的模型相比,该模型具有较高的预测精度。     

二层分解技术在电价预测中的应用研究

针对电价波动幅度大且预测精度低的问题,提出了二层分解技术与神经网络组成的电价多步预测模型。该模型首先采用集合经验模式分解将原始电价序列分解为一系列分量,变分模态分解将第一层分解产生的最高频率分量进一步分解为一系列模态分量,所有分量采用神经网络模型进行预测,并使用纵横交叉算法对神经网络的参数进行优化,最后叠加所有子序列,得出预测电价值。仿真结果表明,所提出的模型相比其他混合模型具有更好的预测性能,且实用价值高。     

基于集成深度学习算法的燃气负荷预测方法

燃气负荷预测受到社会经济、天气因素、日期类型等多种复杂因素的影响,而多因素的共同作用则必然会导致燃气负荷序列变化趋势具有很大的随机性以及一定程度上的复杂性.为了有效提高燃气负荷预测的精度,本文提出了一种新型的集成深度算法来对燃气负荷进行多步预测.首先通过EEMD算法将非平稳非线性的负荷序列分解为若干个稳态且线性的本征模式分量及剩余项,有效的避免了传统EMD带来的模态混叠问题,然后将负荷数据的影响因素输入到AutoEncoder中进行特征提取并做非线性降维处理,再将EEMD分解得到的每个子序列分别与AutoEncoder提取到的特征序列组成不同的训练矩阵,最后针对不同的子序列对应的训练矩阵建立相应的LSTM预测模型,重构分量预测值得到最终预测结果.为了验证所提出算法的有效性和预测性能,使用上海燃气数据来进行上述模型的仿真实验,结果证明相较对比方法,预测精度有了明显的提高.     

基于EMD-TCN-ELM的短期电力负荷预测

为降低负荷序列的复杂性,利用EMD分解方法得到不同的分量.为降低训练时间和减小分量逐个预测所带来的累计误差,利用分量过零率大小将分量重构为高频分量和低频分量,利用TCN模型预测负荷的高频分量,利用极限学习机ELM预测负荷低频分量.通过实验将所提模型EMD-TCN-ELM分别与3个单模型TCN、ELM、LSTM和3个混合模型EMD-TCN、EMD-ELM、EMD-LSTM比较,其MAPE分别降低0.538%, 1.866%, 1.191%,0.026%, 1.559%, 0.323%,所提模型的预测精度最高.且所提模型在预测精度前3的模型中训练时间最短,验证了所提模型在负荷预测精度和训练时间方面的优越性.     

基于经验模态分解自回归组合模型的网络舆情预测

随着大数据时代的到来,网络舆情数据呈现信息量大和领域覆盖广等特征。面对复杂的网络舆情数据时,传统单一模型预测能力有限,不能对舆情趋势进行有效预测。针对此问题,提出一种基于经验模态分解-自回归（EMD-AR）改进的组合模型——EMD-ARXG模型,应用于复杂网络舆情的预测。该模型利用经验模态分解算法对时间序列进行分解,然后通过自回归模型对分解后的时间序列进行各自趋势拟合,建立子模型。最后再对各个子模型进行重构,完成建模。另外,在利用自回归（AR）模型拟合过程中,为了减少拟合误差,采用极限梯度提升算法对残差进行学习,并使预测模型迭代更新,提高各个子模型预测精度。为验证EMD-ARXG模型的预测效果,该模型与小波神经网络模型和基于经验模态分解的神经网络模型进行实验对比。实验结果表明,在均方根误差（RMSE）、平均绝对百分误差（MAPE）和希尔不等系数（TIC）三项指标上,EMD-ARXG模型获得的结果均优于小波神经网络模型和基于经验模态分解的神经网络模型的结果。     

基于EMD的太阳黑子时间序列组合预测模型

针对太阳黑子的复杂性,利用经验模态分解(EMD)方法,将太阳活动在各时间尺度上的变化分量分解为平稳的固有模态函数(IMF)分量及余项。观察各分量的频谱,根据低频IMF分量和高频IMF分量的特点,分别采用自回归滑动平均模型和神经网络方法进行预测。通过各分量的预测值,重构出原始信号的预测序列。仿真结果表明,该模型具有较高的预测精度。     

基于经验模态条件生成对抗网络的短期负荷预测

针对双碳目标下传统负荷预测模型难以捕捉数据内部时序特征导致负荷预测精度不高的问题,提出一种基于经验模态条件生成对抗网络(CGAN)的短期负荷预测模型。该模型在保留CGAN结构的基础上,首先使用经验模态分解(EMD)将历史负荷数据分解为多个经验模态分量,并采用多个长短期记忆(LSTM)神经网络作为生成器、卷积神经网络(CNN)作为判别器。然后,以分解后的经验模态分量为输入、负荷影响因素为条件对模型进行训练,使生成器能够输出精确的预测负荷数据。最后,以某地区配电网实际负荷数据对模型进行验证。试验结果表明,相比于其他基于深度学习的负荷预测模型,所提模型具有更小的预测误差。未来可将该方法应用于配电网调度中,以提高调度的安全性和经济性。     

基于二次分解重构策略的航空客流需求预测

考虑到航空客流需求序列的季节性、非线性和非平稳等特点,提出了一个基于二次分解重构策略的航空客流需求预测模型。首先,通过STL和自适应噪声互补集成经验模态分解（CEEMDAN）方法对航空客流需求序列进行二次分解,并根据数据复杂度和相关度的特征分析结果进行分量重构;然后,采用模型匹配策略分别选取自回归单整移动平均季节（SARIMA）、自回归单整移动平均（ARIMA）、核极限学习机（KELM）和双向长短期记忆（BiLSTM）网络模型对各重构分量进行预测,其中KELM和BiLSTM模型的超参数通过自适应树Parzen估计（ATPE）算法确定;最后,将重构分量预测结果进行线性集成。以北京首都国际机场、深圳宝安国际机场和海口美兰国际机场的航空客流数据作为研究对象进行了1步和多步预测实验,实验结果表明,与一次分解集成模型STL-SAAB相比,所提模型的均方根误差（RMSE）提升了14.98%～60.72%。可见以“分而治之”思想为指导,所提模型结合模型匹配和重构策略挖掘出了数据的内在发展规律,从而为科学预判航空客流需求变化趋势提供了新思路。     

基于支持向量机的网格负载信息预测模型

提出了采用小波分析和最小二乘支持向量机（LS-SVM）混合模型对网格负载信息进行预测。该模型首先基于小波多分辨率分析对非平稳的网格负载样本做序列分解,得到不同尺度下的负载分量,然后利用LS-SVM对不同尺度的分量进行预测,最后通过对各分量预测信息进行重构得到相应的预测值。实验结果表明,使用本模型进行短期负荷预测比传统小波神经网络方法可以获得更好的预测精度。     

煤矿机械振动信号预测研究

根据煤矿机械振动信号高低频组成成分变化规律的差异,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的煤矿机械振动信号组合预测方法。将滚动轴承振动信号进行EMD分解,得到相对平稳的本征模态函数(IMF)分量,并将波动程度相近的IMF分量进行重构,得到高频子序列和低频子序列,采用SVM分别对高频子序列和低频子序列进行预测,将2个预测结果叠加,得到最终预测值。选取轴承实验数据对组合预测方法的有效性进行验证,结果表明该方法的均方根误差、平均绝对误差和平均绝对百分比误差均小于直接预测方法。将该组合预测方法应用于某选煤厂主井带式输送机滚动轴承状况预测,预测结果与实际情况相符。