径流预报的极点对称模态分解-Elman网络模型

针对径流序列非线性、非平稳的特点,将极点对称模态分解(ESMD)方法与Elman神经网络模型相结合,建立了ESMD-Elman神经网络组合模型,并应用于长江上游干支流8站的年、月径流预报.首先利用ESMD方法将径流序列分解为各模态分量和趋势余项;然后利用Elman神经网络模型分别预测各平稳序列;最后加和重构得到最终预测...     

基于正则极限学习机的非平稳径流组合预测

针对径流时间序列固有的强非线性和非平稳性特征,提出了一种将集合经验模式分解（EEMD）、样本熵（SE）和正则化极限学习机（RELM）相结合的非平稳日径流预测方法（ES-RELM）。为充分提取径流序列的局部信息以提高预测精度,利用EEMD-SE将径流序列分解为一系列差异度明显的子序列,然后根据各子序列的迥异特征构建了不同的RELM模型对各子序列进行预测,最后将各个子序列的预测结果叠加从而得到最终预测结果。将该模型应用于金沙江下游控制站屏山站的日径流预报中,与九种模型对比结果表明,该方法能有效提高日径流预报精度,是一种高效稳定的径流预报模型,为实现高精度实时径流预报提供了可能。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列;然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

基于小波分解的投影寻踪自回归组合模型及其在年径流预测中的应用

为了进一步提高中长期径流预测精度,针对历史径流序列的非线性、随机性的特点,采用对原序列先处理再预测的研究思路,吸取小波分析的分频数据处理功能和投影寻踪自回归的高维数据逼近能力,构建基于小波分解的投影寻踪自回归模型。该模型首先利用小波分解方法将年径流序列分解为一个近似信号和多个细节信号,再对不同信号序列分别建立投影寻踪自回归模型进行预测,最后重构各序列预测结果。以长江宜昌站年径流为实例进行预测,同时探讨小波分解尺度数对组合模型预测结果的影响。结果表明:与投影寻踪自回归模型、BP神经网络模型和ARMA模型相比,新模型提高了预测精度,增强了预测稳定性,并且尺度数对组合模型的预测结果影响不大。     

基于贝叶斯模型加权平均法的径流序列高频分量预测研究

"分解–预测–重构"模式作为一种新的预测思路,已被广泛用于非平稳径流序列的中长期预测。但由于分解之后高频分量预测精度较差,致使该模式的预测效果并不理想。本文采用径向基神经网络(RBF)、自回归模型(AR)以及均生函数模型(MGF)分别对陕北无定河丁家沟站实测径流由经验模态分解(EMD)得到的高频分量进行预测,利用贝叶斯模型加权平均法(BMA)对其集成,着重分析比较了基于BMA的集成方法和单一模型的预测效果,验证了BMA方法在处理高频分量误差控制方面的可行性。结果显示基于BMA的高频分量预测的相对误差绝对平均值较单一模型有所降低,径流预测整体精度有显著提升。这表明BMA集成方法能够有效地降低径流序列中高频分量的预测误差,提高整体预测精度,可作为一种有效的方法,供其他类似非平稳预测问题所借鉴。     

基于ESMD-PE和ADBN的短期电力负荷预测

为了改善短期电力负荷预测性能,提出了一种基于极点对称经验模式分解（ESMD）-排列熵（PE）和自适应深度信念网络（ADBN）的组合预测新方法。为了提高预测精度以及降低原始负荷序列复杂度简化预测模型输入,首先运用ESMD方法将原始负荷序列分解成为一系列复杂度互异的模态函数,然后运用排列熵计算各模态函数的熵值并对复杂度相近的模态进行重构得到新的子序列;在综合考虑各影响因素的基础上,对新序列分别构造不同的DBN预测模型,最后叠加预测结果;由于DBN模型中无监督训练阶段学习率通常采用全局统一的常数型参数,将自适应学习率引入到对比差度（CD）算法中,通过自动调整学习率改善模型的收敛速度,同时预测精度也有提高。通过算例分析,文章提出的ESMD-PE-ADBN模型的MAPE值与RMSE值分别为1.03%和90.91MW,预测效果最佳。     

基于二次分解和改进沙猫群优化算法的空气质量预测

准确预测空气质量对人们的日常生活具有重要意义,提出了一种二次分解和改进沙猫群算法(improved sand cat swarm optimization,ISCSO)优化长短期记忆网络(long short-term memory,LSTM)相结合的预测模型。首先,利用完全自 适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)算法将PM₂s 数据分解为多个子序列,对预测效果不满意的重构序列使用变分模态分解(variational mode decomposition,VMD)方法进行 二次分解;其次,引入Cubic 混沌、螺旋搜索策略和麻雀警戒机制改进沙猫群算法,有效提高了算法的全局搜索性能和收敛速 度;最后,采用改进的沙猫群算法对 LSTM 模型参数进行优化,将各个子序列导入ISCSO-LSTM 模型预测并叠加得到最终预 测结果。实验结果表明,CEEMDAN-VMD-ISCSO-LSTM 组合模型具有较低的预测误差,相比 CEEMDAN-VMD-LSTM 和 CEEMDAN-VMD-SCSO-LSTM 模型,该模型在均方根误差方面分别降低了2.21和1.04μg/m³, 在拟合度方面分别提高了 4 .9%和2 . 1%。     

基于小波广义回归神经网络耦合模型的月径流预测

针对中长期水文预报方法预测结果精度低的问题,将离散小波变换(DWT)与广义回归神经网络(GRNN)耦合,建立了月径流预测模型。通过DWT处理将原始月径流序列分解重构为确定性成分和随机性成分两个分量,对两个分量的GRNN模型预测结果叠加作为预测值的方法称为WGRNN1模型。将WGRNN1模型与剔除随机序列的GRNN模型(WGRNN2)和不进行离散小波变换的GRNN模型结果进行对比,采用平均绝对误差(MAE)、确定性系数(DC)和相关系数(R)为模型评价指标。将模型应用于黑河干流莺落峡站的月径流预测,结果表明:模型WGRNN2的评价指标优于WGRNN1,且这两个模型预测效果都优于GRNN模型。说明与离散小波变换的耦合可以提高GRNN模型对月径流的预测精度,同时剔除随机成分的小波广义回归神经网络模型有更好的预测效果,可应用于实际生产。     

基于改进的极限学习机光伏出力短期预测

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点，构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）算法，结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解，得到数据信号在不同时间尺度的局部特征，降低环境因素序列的非平稳性，然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后，选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明，构建的改进光伏出力预测组合模型的各项指标预测效果更好，且适用不同环境的光伏发电预测。     

基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法（SSA）优化后的变分模态分解（VMD）算法将功率序列分解为理想数量子序列,通过计算样本熵（SE）对其重构,得到新子序列分别建立核极限学习机（KELM）点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。     

基于 VMDT-POA-DELM-GPR 的两阶段短期负荷预测

针对传统负荷预测方法精度不高的问题,为准确捕捉到负荷数据波动的规律,提出了一种两阶段负荷预测方法。第1阶段首先用变分模态分解(VMD)对原始负荷序列进行分解,得到分解处理后的残差分量,再采用时变滤波经验模态分解(TVF-EMD)方法进行特征提取;然后对全部子序列分别建立深度极限学习机(DELM)模型,同时利用鹈鹕优化算法(POA)进行参数寻优,叠加各子序列的预测值得到初始负荷预测值。第2阶段采用POA-DELM模型对误差分量进行预测;然后将第一阶段中所有子序列预测值和误差预测值作为特征输入到高斯过程回归(GPR)模型中,得到负荷最终的预测结果。结果表明,两阶段模型的均方根误差(RMSE)、平均绝对误差(MAE)分别为对比模型的4%～77%、4%～76%,而平均百分比误差(MAPE)仅为0.067 8%,可有效提高电力负荷的预测精度。     

基于VMD-SE的电力负荷分量的多特征短期预测

为提高电力负荷的预测精度,提出一种基于VMD-SE的电力负荷分量的多特征短期预测方法。首先采用变分模态分解（VMD）将原始负荷分解为一系列模态分量与残差,VMD的分解层数由样本熵值（sampleentropy,SE）确定;然后对比原始负荷与模态分量的SE值,重构为平稳分量和波动分量,来降低运算规模;同时利用皮尔逊相关系数来筛选特征变量,删除特征冗余,建立灰狼算法优化后的支持向量回归模型（GWO-SVR）和长短期记忆神经网络（LSTM）分别对平稳分量和波动分量预测;最后以某地区2018—2020年用电负荷为例进行实验。实验证明：此模型精准度高达94.7%,平均绝对百分误差降低到2.98%,具有更好的精准性和适用性。     

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementaryensembleempiricalmode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(leastsquaressupportvectorregression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。     

基于小波支持向量机耦合的月径流预测方法

耦合离散小波变换(DWT)与支持向量回归模型(SVR),建立月径流预测的小波支持向量机耦合模型(WSVR)。利用Mallat算法对原始月径流序列分解并重构成不同频率的子序列,以有效子序列作为SVR模型的输入;采用均方根误差(RMSE),平均绝对误差(MAE),确定性系数(DC)和相关系数(R)评价模型预测精度。模型应用于泾河张家山站的月径流预测,结果表明,在验证期耦合模型的RMSE、MAE、DC和R分别为12.5m~3/s、7.74m~3/s、0.87和0.935,明显优于最优支持向量回归模型的相应指标27.9m~3/s、13.4m~3/s、0.34及0.662,说明WSVR耦合模型可以提高支持向量机在月径流预测的精度。     

基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于自回归和神经网络算法加权组合的负荷预测

针对时间序列法的自回归动平均模型和神经网络算法在负荷预测中的不足,提出对这两种预测结果采用加权组合方法,在不同时期的负荷预测采用不同的加权值来提高预测结果的精确度.通过算例分析短期负荷预测和长期负荷预测,证明采用加权组合方法的预测结果比自回归动平均模型和神经网络算法分别预测要准确.     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

基于变分模态分解和深度门控网络的径流预测

为提高水库中长期入库径流预测精度,提出变分模态分解、相空间重构和深度门控网络相结合的径流组合预测模型。首先对历史径流数据进行变分模态分解,产生多个模态分量;接着将分解得到的模态分量重构到高维特征空间,形成深度学习的输入;然后利用深度门控网络获取历史径流详细特征并进行预测;最后累加各模态分量的预测值完成重构。以白山水库为例,将所建模型分别与单一预测模型和其他组合预测模型进行对比分析。结果表明：所建模型能有效分解非平稳性的径流序列,充分学习内嵌的水文规律,预测误差最小,且在整个测试集上分布更为合理,拟合优度检验值最高。研究结果可为水库水资源规划管理提供技术依据。