基于改进模糊时间序列的变压器油中气体预测方法

对变压器油中溶解气体含量进行预测有助于及早发现变压器内部的潜伏性故障,且对于更好地实现状态检修有着重要的指导意义.针对变压器油中气体组分数据丰富、正常运行状态下各组分含量变化趋势不明显的特点,提出基于模糊时间序列模型的变压器油中气体组分预测方法.考虑到油中气体组分的变化是相互作用和影响的,从论域划分角度对经典模糊时间序列模型进行改进,提出基于空间模糊C均值(fuzzy C-means,FCM)论域划分的多因素模糊时间序列模型.通过实例分析证明该方法能很好地拟合油中气体组分的变化趋势,且与经典模糊时间序列模型及一维FCM划分模糊时间序列模型的对比分析,验证了改进模型在预测效果上的优越性.     

基于ARMA模型对我国电力消费量的预测

对于我国电力消费需求量时间序列自身规律的认识有助于电力消费量的预测,从而可以避免电荒和电力生产能力的过度投资。以1980年-2007年期间我国年发电量的时间序列数据为基础,通过建立指数回归一模型来拟合时间序列数据。运用残差序列趋势和残差序列相关图、偏相关图的分析,对模型的五种形式的参数估计结果进行比较分析,最后选择模型来拟合发电量时间序列数据,并对其模型拟合的残差进行了单位根检验,检验结果表明残差序列是平稳的,采用模型是合理的。     

基于单位根检验和ARMA模型的桥墩位移稳定性时间序列分析

评估桥墩位移是否收敛和稳定是桥梁健康评估的重要内容。在运用全球定位系统获取桥墩三维监测位移的基础上,首先运用时间序列方法对监测数据进行处理和分析,并使用单位根检验来确定桥梁监测序列是否平稳,为了克服短期偶发因素影响,进而建立自回归移动平均模型对桥梁信号监测数据进行预测分析,最后将桥墩水平位移实测数据与模型拟合结果的残差序列进行单位根检验,以进一步确定桥墩位移的长期稳定性。工程实例表明：单位根检验表明监测序列没有时间趋势,不存在单位根,数据序列为平稳序列,具有常均值和方差;自回归移动平均模型能够较好地刻画监测数据,且具有较高的可靠性和可行性;根据平稳时间序列模型的特征,可以计算监测序列的均值和方差。     

基于GEP滑动窗口模型的变压器油中溶解气体含量预测

为了对变压器的运行状态和潜伏性故障进行有效预测,提出了基于基因表达式程序设计(Gene Expression Programming,GEP)滑动窗口预测模型的变压器油中溶解气体浓度的预测方法。根据变压器油中溶解气体量的变化特点,选择合适的嵌入维度、终结点集、函数集等GEP运行参数后由适应度函数驱动进行遗传操作,演化出各气体的预测模型。结合变压器运行实例,给出了7种主要气体的预测结果以及H2含量的预测公式,并与MGM(1,7)模型进行比较。对比结果表明,该方法能有效地提高预测精度。     

基于等时球模型处理时间序列的矢量差分方法

ARIMA过程在对非平稳时间序列进行直接差分时,固定相邻两期样本间的一阶自相关系数为1,但是实际中二者的相关程度是不确定且小于1的.直接差分法存在过度差分的缺陷,会损失有效信息.本文以经典力学中的矢量分析法为依托,对时间序列数据进行矢量化处理.用矢量的减法法则处理不平稳数据.结合质点沿球中弦下滑的等时性,创建基于等时球矢量弦的差分方法,进而构建矢量差分的ARMA模型.用差分时自相关系数自适应性论证了矢量差分法可以较好地保留时间序列的信息.对CPI数据进行实证研究的结果表明本方法与直接差分法相比预测误差更低,绝对误差降低了5%左右,相对误差降低了10%以上,说明矢量差分法更好地刻画了非平稳序列的演变规律.     

基于经验模态分解的汽车销量预测方法研究

国内基本型乘用汽车(轿车)的销售量受宏观经济、消费政策、消费者收入水平等因素影响,呈现明显非线性、非平稳性特征.运用经验模态分解(EMD)方法,将汽车销量时间序列分解为若干本征模函数(IMFn)和一个残差序列(R);将各分量重组为高、低频序列和趋势项,分别运用差分自回归移动平均模型(ARIMA)进行预测,累积预测结果为...     

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LabVIEW的振动烈度灰色预测模型

在大型旋转机组运行过程中，机组振动烈度值常常表现为具有趋向性的非平稳时间序列。建立灰色预测模型对烈度值进行预测。方法是用一阶灰色模型(GM(1，1))提取趋势项，然后用线性回归模型(AR模型)对残差进行预测。对于残差预测，采用Marple算法估计AR模型参数，用FPE准则对照模型适用性进行检验。全部程序在LabVIEW平台下并结合VC编程实现。经工业现场数据验证，该预测方法具有较好的预报效果。     

用于变压器故障预测的决策树--蒙特卡洛方法

提出了将决策树方法中的ID3(InteractiveDicremiserversion3)算法和蒙特卡洛(MonteCarlo)模拟法结合用于变压器故障预测的方法。基于变压器的大量观测数据,首先利用ID3算法简化引起变压器故障的属性特征,再应用蒙特卡洛方法的分布函数和ID3算法得出的故障发生规则,通过随机变量对变压器故障进行模拟,从而得到设备故障的概率,以此来指导变压器的故障诊断或状态预测,为状态检修提供依据。并对变压器油色谱监测中得到的各气体含量数据进行分析和处理,介绍了方法的运用并对其可行性进行了验证。     

基于改进SARIMA-LSTM的海上风速预测方法

为了提高海上风速预测的精度,提出了一种基于局部加权回归的周期趋势分解(STL)改进的季节性差分自回归移动平均模型(SARIMA)和长短时记忆(LSTM)神经网络的海上风速预测方法.首先通过STL分解原始风速时间序列,提高SARIMA模型季节性差分步长的准确性,再使用SARIMA模型对观测的风速序列数据进行预测,得到预测值以及预测值与观测值之间的残差;然后用残差样本集训练长短时记忆神经网络并对残差进行预测;最后将两部分得到的预测值求和得到风速序列的预测值.选定3个不同地点分别进行仿真实验并与改进前方法进行比较,结果表明改进后模型的预测精度更高,误差更小.     

中国人均GDP的时间序列模型的建立与分析

综合运用了判别时间序列平衡性的方法,建立了中国人均GDP的时间序列模型为了消除虚假回归,利用单位根方法检验了时间序列的单整阶数;在判别差分序列的平衡性之后,利用自相关函数图和偏相关函数图判别了时间序列模型的自回归阶数（AR（P）和移动平均阶数MA（q);然后利用TSP软件用OLS法对时间序列模型的回归参数进行了估计与显著性检验,并对通过检验的回归结果进行了分析。     

基于G-P算法的快速路交通流参数相空间重构

提出了一种基于混沌分析的G-P(Grassberger-procaccia algorithm)算法将非平稳交通流参数时间序列近似转化为平稳时间序列的方法。首先采用自相关函数判断自由流状态、拥挤流状态和阻塞流状态下交通流基本参数时间序列的平稳性。然后应用G-P算法计算嵌入维,进行相空间重构,给出交通流参数时间序列平稳化方法。最后利用快速路交通流实测数据,对3种状态下非平稳的交通流参数时间序列的平稳化进行验证,结果表明:本文方法能够为交通流参数分析、拟合和预测提供科学合理的输入集。     

基于卡尔曼滤波的GM(1,1)-AR预测模型在变形预测中的应用

针对变形监测数据的随机不确定性规律,将卡尔曼滤波引入以消除随机扰动误差,利用GM(1,1)模型能直接处理非平稳时间序列且拟合时间序列中的趋势项功能强大这一优势,将灰色理论与时间序列分析法相结合形成非线性组合模型,对变形监测数据进行分析预测,并将该预测模型用于建筑物变形工程实例进行分析。对模型检验表明:基于卡尔曼滤波的GM(1,1)-AR模型的预测结果与其他预测模型相比,平均残差和残差的方差均有所减小,且具备较高的精度,对了解建筑物变形的发展趋势以及研究建筑物变形情况及稳定性具有一定的参考价值。     

基于残差周期修正的大气环境发展趋势的灰色新陈代谢预测分析

在传统灰色模型的基础上,遵循数据“重近轻远”的原则,运用了灰色新陈代谢GM（1,1）预测模型对我国大气环境发展趋势进行了预测,及时考虑了系统发展过程中的扰动因素,在补充新信息的同时去掉因时间推移使信息意义降低的老信息,比常规的GM（1,1）模型更好的反映出了系统当前的特征。通过预测可以得出,实行节能减排后,二氧化硫、烟尘和工业粉尘排放量分别降低了34．48％、28．61％和38．71％,大气环境质量有明显好转;其次,对残差序列进行分析,并利用残差周期修正对残差序列进行了修正补偿,通过残差检验、关联度检验和后验差检验,得出基于残差周期修正的新陈代谢GM（1,1）模型精度较高,适合于大气环境发展趋势的预测。最后,进行了滚动检验,也称为事后检验,得出滚动精度较高,可信度较大。     

基于鱼群优化预测模型的变压器可靠性预测研究

介绍了变压器故障和油中溶解气体的关系及三比值法。分析了鱼群优化算法的原理以及模型的误差检验,针对传统灰色GH（1,1）预测模型中背景值构造的问题,采用鱼群算法对模型参数进行优化。应用Matlab进行编程,通过实例分析将鱼群优化灰色预测模型与三比值方法相结合对变压器的未来故障做了预测,得出了与实际较吻合的预测结果,验证了鱼群优化灰色预测模型的有效性。     

基于关联气体报警的变压器故障识别

本文提出一种新的高压电力变压器故障检测方法。通过对基本故障形式产生的特征气体做相关性分析,得出特征气体间的关联性,给出故障判断标准。将变压器油中的主特征气体及相关气体的浓度变化值与判断标准进行对比,确定变压器是否存在故障。经大量的特征气体测量数据检验,证明了本方法的有效性。     

基于时间序列建模的组合导航系统故障诊断

为提高SINS/GNSS组合导航系统的可靠性,在分析了残差X~2检验法、状态X~2检验法工作原理及优缺点的基础上,本文提出了基于时间序列模型的残差X~2检验方法。该方法通过建立无故障条件下残差的时间序列AR模型,采用实时数据进行系统残差估计。当组合导航系统故障时,通过残差AR模型得到的实时残差值受故障量测的影响很小,因而该方法可以有效地解决传统残差X~2检验法检测结果"跟踪"故障、对软故障检测不敏感的问题。仿真实验分析表明,该方法能够对组合导航系统软故障进行实时有效的检测,提高组合导航系统的整体性能。     

基于ARIMA-ANN的大坝安全监控模型

坝体的变形能反映建筑物的运行状况,受各种复杂因素影响,坝体变形监测数据是一个不平稳的时间序列.基于传统时间序列不能解决非平稳数据,使用自回归求和滑动平均序列建立模型,结合工程实例进行坝体变形监测数据的拟合与预测,并用BP神经网络进行误差预测,得到最终预测值.经过实际大坝的数据建模检验,建模方法可行,预测结果精度高,在大坝安全监测中具有较好的实用性.     

基于季节性AR（P）模型的水质预测

自回归模型的建立是基于序列平稳性的假设,只能描述平稳序列的统计特性,而水质的月监测数据序列往往具有季节性变化的现象。文章介绍了平稳过程的相关理论及其检验方法并应用到黄河潼关、三门峡断面的水质序列的检验中,检验结果为非平稳序列,且序列具有明显季节性（月份）变化的特性。为此尝试建立季节性AR（P）模型来捕捉黄河水质的季节性变化规律,实践表明该模型预测总体效果是较为满意的。     

变压器油标准样品配制方法试验研究

结合变压器油中溶解气体检测装置检验工作对配制标准样品的需求,针对现有变压器油标准样品配制方法存在的问题,通过对气体在变压器油中溶解及逸散的影响因素等进行试验研究,建立了"定量进气法"和"母液稀释法"两种变压器油标准样品快速配制方法,对于指导变压器油样品配制及相关工作开展具有重要意义。