基于小波分解-Elman网络的灌区地下水埋深预测模型

地下水埋深受多种因素的影响,其演变具有趋势性、突变性与非平稳性。小波分解通过将时间序列分解成高频与低频分量来减少序列的非平稳性,其在处理非平稳信号方面具有明显的优势;Elman网络对非线性问题具有适应时变和动态记忆的优点。基于小波分解与Elman网络的优点,提出了一个新的地下水埋深预测耦合模型,并将其应用到人民胜利渠地下水埋深预测中;为验证模型的可靠性,将其预测结果分别与CEEMD-Elman模型和BP网络模型的预测结果进行了对比。结果表明:基于小波分解-Elman网络预测模型的最大相对误差为30.7%,最小相对误差为0.2%,平均相对误差为2.2%,预测效果较好;随着小波分解-Elman网络预测模型分解层数的增加,子分量与地下水埋深的相关性有增强的趋势,序列的平稳性越来越好;CEEMD-Elman模型和BP网络模型的平均相对误差分别为8.1%、3.8%,说明小波分解-Elman模型的精度最高。     

基于混沌时间序列的Elman神经网络工业用电预测

针对电力负荷数据在多重因素相互影响下呈现非线性特性甚至是混沌性的问题,采用基于相空间重构的Elman神经网络方法进行全社会工业月用电量预测.利用小数据量法计算最大Lyapunov指数,判别负荷时间序列的混沌性,进而确定最优延迟时间及最佳嵌入维数进行相空间重构,以此确定Elman神经网络的拓扑结构,并将实测数据带入模型进行训练.通过对实测数据进行预测仿真,表明该模型达到了较好的预测效果,验证了提出的时间序列相空间重构与Elman神经网络结合的正确性与有效性.     

基于EMD与Elman神经网络的太阳黑子活动预测

针对太阳黑子时间序列非平稳、混沌及难以预测等特性,建立一种基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的组合预测模型。将太阳黑子时间序列通过经验模态分解方法分解为一些不同时间尺度的本征模函数分量和剩余分量,分别对其构建样本,输入到Elman神经网络进行训练和预测,得到各个分量的预测值,并对这些预测值进行求和,得到最终预测结果。对比仿真结果表明,该模型预测精度较高。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

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.     

计及尖峰电价机制的短期负荷预测研究

针对需求响应的实施对电力系统短期负荷预测带来的新挑战,本文构建了计及尖峰电价需求响应机制的电力系统短期负荷预测模型。研究了基于尖峰电价的需求响应机理,依据基于消费者心理学的用户响应模型,对实施需求响应后的负荷序列进行模拟。同时,构造了Elman神经网络短期负荷预测模型,由于Elman神经网络的承接层反馈使其具有较好的动态存储功能,使模型对非线性负荷序列具有良好的预测性能,并给出实际算例进行仿真分析。仿真结果表明,采用计及尖峰电价需求响应机制的Elman神经网络预测模型,能较准确预测在需求响应策略影响下负荷曲线的变化,最大相对误差为4.34%,平均绝对误差为2.14%;而未考虑需求响应的Elman神经网络预测模型,预测精度明显较低,其最大相对误差为10.76%,平均绝对误差为6.71%,说明将需求响应作为影响因素的预测模型可有效提高模型的预测精度。该研究为计及需求响应的短期负荷预测提供了理论依据。     

改进的Elman模型在紫坪铺月径流预测中的应用

Elman递归神经网络具有上下层,将隐藏层前一时刻的输出反馈到当前时刻的输入,这种反馈连接使Elman网络能够检测随时间变化的序列信息; 对Elman进行改进,使之对时间变化序列信息更敏感;利用岷江紫坪铺水文站数十年的天然月径流时间序列,采用改进的Elman递归神经网络对岷江紫坪铺站的天然月径流进行预测分析,并用误差检验和F方差对结果进行检验,表明该模型应用在紫坪铺水文站的月径流预测中是合理、可行的。     

基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。     

基于Elman神经网络的日总辐射曝辐量预估

太阳辐射的预估研究对太阳能资源的有效利用有重要意义。应用山东省福山、莒县、济南三所气象站2000—2003年的数据,建立Elman神经网络模型,对日总辐射曝辐量进行时间序列预估研究。结果表明:Elman神经网络预估效果受天气状况影响较大,晴好天气下日总辐射预估结果较精确,福山站预估与观测差值最小,范围在-2～2 MJ·m~(-2)。城市大气污染对日曝辐量影响比较显著,模型中不考虑大气污染因素,污染较重的济南市预估效果最差,平均百分比误差变大了20%,均方根误差变大7%。Elman神经网络模型预估结果优于广义回归神经网络模型结果,3个站平均百分比误差降低5%～18%,均方根误差平均减小了0.506 MJ·m~(-2)。Elman神经网络模型适应于山东省日总辐射曝辐量的长时间预估。     

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。     

相空间重构神经网络模型在我国人口增长预测中的应用

人口系统是一个非常复杂的非线性系统,人口增长是十分重要的人口变化因子,对人口增长的准确预测能为社会经济可持续发展计划的制定提供重要依据.借鉴相空间重构和神经网络,建立了预测我国人口增长的相空间重构神经网络模型.模型运用相空间重构,可挖掘人口增长时间序列更为丰富的信息,利用神经网络建模可较好地解决非线性问题,使预测更符合实际.以我国1950—2002年人口增长数据为例,验证了该模型具有较高的拟和和预报精度,为我国人口增长预测问题提供一种新的解决办法.     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于小波分析和GM-ARIMA模型的月度售电量预测北大核心

月度售电量直接反映电力企业的经营效益,准确的电量预测对于电力企业合理安排购售电方案、确定融资缺口具有重要意义。鉴于各地区月度售电量时间序列不但有随时间逐渐增长的趋势,还受节假日、气温等因素的影响存在随机项,为了提高电力企业月度售电量的预测精度,采用小波分析理论将月度售电量时间序列分解为近似序列和细节序列,并通过对分解后子序列的特征进行分析,分别采用相匹配的GM(1,1)模型和ARIMA模型对子序列进行预测,然后通过序列重构得到月度售电量的预测值。经实际算例验证,该组合预测方法的平均误差率为3.7%,与神经网络等常用单一预测方法相比能明显提高预测精度,具有较强的适应能力。     

基于小波分析和GM-ARIMA模型的月度售电量预测

月度售电量直接反映电力企业的经营效益,准确的电量预测对于电力企业合理安排购售电方案、确定融资缺口具有重要意义。鉴于各地区月度售电量时间序列不但有随时间逐渐增长的趋势,还受节假日、气温等因素的影响存在随机项,为了提高电力企业月度售电量的预测精度,采用小波分析理论将月度售电量时间序列分解为近似序列和细节序列,并通过对分解后子序列的特征进行分析,分别采用相匹配的GM(1,1)模型和ARIMA模型对子序列进行预测,然后通过序列重构得到月度售电量的预测值。经实际算例验证,该组合预测方法的平均误差率为3.7%,与神经网络等常用单一预测方法相比能明显提高预测精度,具有较强的适应能力。     

基于多尺度下AR(P)耦合预测模型的应用研究

基于多尺度分析理论，运用Mallat算法和Daubeclfies小波，把时间序列分解为比原始序列更单一的细节和慨貌部分，并利用AR(P)模型能反映时间序列中邻近时刻间联系的特性，对序列分解后的部分进行拟合与预测，然后再由多尺度分析中的重构方法进行序列重构，由此建立耦合的预测模型。通过黄河青铜峡270多年(1724～1997)年径流时间序列的建模及验证，表明拟建的耦合模型与传统单一模型的预测精度相比，由50％提高到90％，可用于实际需要。     

随机声载荷基于相空间重构的GMDH方法预测

把数据处理的组合法(GMDH)与相空间重构理论相结合,产生基于相空间重构的GMDH方法应用于随机声载荷的状态预测中。根据此法所建立的模式系统具有较好的客观性,预测结果与时间序列自回归模型ARMA(17,16)相比,预报均方误差有明显改进。     

动态Elman网的城市公路隧道交通流量模型

城市公路隧道内任意时段交通流量的变化是个非线性的复杂过程,受诸多随机的不确定因素的影响.传统的时间序列模型多使用BP网络,但BP网络是静态网络,它只是实现一一对应的静态非线性映射关系,不适合动态系统的实时辨识,难以实施精确预测.在对城市公路隧道动态交通流分析的基础上,提出了城市公路隧道交通流量预测的动态神经网络模型,该模型基于Elman网络,具有状态记忆的功能,用Elman网络建立的时间序列模型是一个自回归滑动平均模型.它的输出不仅取决于过去和现在的输入,而且也取决于过去的输出.使用该模型仿真预测武汉首义广场隧道的交通流量,试验结果表明,该方法能够更好的提高预测精度.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

基于时间序列与DEGWO-SVR模型的隧道变形预测方法

为了对准确预测隧道变形的非等距性及复杂非线性特征,结合时序分析理论、差分进化算法(DE)、灰狼优化算法(GWO)和支持向量回归机(SVR)模型,提出新的隧道变形预测模型. 利用3次样条函数插值法将非等距监测数据等距化;基于时间序列原理将变形分解为趋势项及平稳随机项,并采用所提模型分别对2个分解项进行预测;将各位移分量叠加,实现隧道累积变形的预测. 以重庆市兴隆隧道实测拱顶沉降为例,预测前方ZK37+900和ZK37+910断面拱顶沉降,并与已有模型进行对比. 结果表明：所提模型预测的均方根误差分别为0.193 7 、0.086 9 mm,平均绝对百分比误差分别为1.21%、0.55%,相关系数分别为0.997 1、0.992 8. 相比于已有模型,所提模型的预测精度更高、误差更小,具有更好的适用性及应用前景.