基于粒子群优化方法的短期电力负荷组合预测

短期电力负荷预测是实现电力系统安全、经济运行的基础,其准确性对电力系统运行的可靠性、经济性都有重要意义。本文在灰色模型、ARIMA模型以及指数平滑族模型的基础上,提出了一种基于以上三种模型的组合预测模型,并用粒子群优化算法对其组合权重系数进行了优化。对澳大利亚新南威尔士州2011年9月实际电力负荷数据进行实例分析,其结果表明本文提出的组合模型确实能够提高短期电力负荷预测的精度。     

基于ARIMA模型的全球气表温度预测分析

现如今,由于人们在日常的生产以及生活中对化石燃料越来越依赖,温室气体的排放量逐年增多,以致全球变暖的速度也越来越快。为了减少气候变化对人们产生的影响,文章对1918—2022年的全球气温数据进行了平稳化检验和白噪声检验,建立了一个ARMA(1,3)模型,并利用该模型预测了未来5年全球气表温度改变量,结合实验结果,分析了气候改变给人们带来的影响,最后给予了应对全球气候变暖的建议。     

基于ARIMA-RNN组合模型的云服务器老化预测方法

针对云服务器系统运行环境具有非线性、随机性和突发性的特点,提出了基于整合移动平均自回归和循环神经网络组合模型(ARIMA-RNN)的软件老化预测方法.首先,采用ARIMA模型对云服务器时间序列数据进行老化预测;然后,利用灰色关联度分析法计算时间序列数据的相关性,确定RNN模型的输入维度;最后,将ARIMA模型预测值和历...     

基于ARIMA的职工医疗保险基金收入预测

城镇职工医疗保险基金是整个医疗保险体系正常运转的重要部分,根据十九大报告指出的完善城镇职工基本医疗保险制度,精准地对城镇职工医疗保险基金收入情况预测是对基金监管及改革的重要依据。基于ARIMA模型,运用时间序列的分析模型预测城镇职工医疗保险基金收入,探讨ARIMA模型对某省职工医疗保险基金收入预测的可行性。基于分析提出完善城镇职工医疗保险制度的建议,为城镇职工医疗保险制度可持续发展提供帮助。     

基于ARIMA模型上海市生活垃圾的预测与分析

运用ARIMA模型,对1978年以来上海的生活垃圾产生量做出时序图,并对其自相关性进行分析,进行2阶差分运算,最终确定出ARIMA模型的参数,预测2020年上海的垃圾产生量,为届时全面实现小康水平、具有中国经济领头羊的上海市垃圾掌控和环境保护提供可参考的数据支撑。     

基于SAS软件的城市电力需求ARIMA模型及预测

城市年度电能消耗数据既有随机成分,又有较明显的内在规律。科学预测城市电力需求,是一项重要的基础性工作,需要有一种较为简易又有足够精度的预测方法。从紧贴实际和易于检验出发,以常州市1995~2004年度的全社会用电量作为时间序列,用求和自回归移动平均(ARIMA)乘积模型建模,并做出1年期电能消耗预测。将预测结果和2005年1~12月的实际用电量进行对比,预测结果令人满意,表明该类模型可以用于城市电力需求中期预测。     

基于灰色预测方法广州市垃圾预测与分析

通过对广州市生活垃圾产生量及其相关因子进行灰色关联度分析,发现人口变化与垃圾产生量关系最为密切,并建立灰色预测G(M1,1)模型,预测出2016年广州市生活垃圾产生量将达到446.32万吨,模型通过检验,具有一定的可行性和适用性,为广州市垃圾的分析预测和环境规划管理提供了定量依据。     

基于非平稳时序ARIMA模型的W频段雨衰预测

针对目前绝大多数雨衰预测模型仅验证到55 GHz,而经过验证的W频段预测模型相对较少,且存在模型表述复杂度高、计算量大的问题,该文提出一种结构简单、计算量小的实时预测方法。该方法基于ARIMA模型,利用非平稳雨衰时序中相邻时序间的相关性建立预测模型,对初始序列进行平稳性检验,通过差分变换将非平稳序列转化为平稳序列,并对平稳化后的时间序列进行参数估计及诊断检验,将传统非线性预测转化为线性预测。并先将该ARIMA(1,1,6)模型在不同极化方式、预测间隔和时序个数的条件下进行比较,然后分别与ITU-R, Silva Mello模型在垂直极化、预测间隔0.10 GHz,时序个数50的条件下进行比较,最后使用ARIMA(1,1,6)模型进行预测,并对照预测序列与仿真序列的吻合度。结果表明,ARIMA模型与ITU-R, Silva Mello模型所得结果预测误差不超过10-3 ,且衰减变化趋势基本相同,预测序列与仿真序列间吻合度较高,说明该方法可用于W频段雨衰预测,且预测精度高,模型表述简单。     

基于ARIMA与BP神经网络的收视率组合预测模型

针对收视率数据的非线性、突变性等特征,仅采纳单一的预测方法不能全面描述收视率的变化规律,因此提出了一种组合预测模型(ARIMA-BP).首先采用自回归移动平均模型(ARIMA)对收视率进行预测,提取收视率的线性变化规律,再利用BP神经网络对ARIMA模型的预测值进行进一步的组合预测,提取收视率的非线性变化特征.本文以广州电视综合频道及在广州市场上的其余8个电视频道19:00 ～20:00时间段的收视率为例进行实证分析,结果表明组合模型比单一采用ARIMA、BP神经网络进行预测的拟合效果好、精度高.     

基于ARIMA和PF的锂电池剩余使用寿命预测方法

有效的电池剩余使用寿命(RUL)预测方法能够极大地提高系统的可靠性。提出一种基于自回归集成滑动平均模型(ARIMA)和粒子滤波(PF)融合预测框架,该框架由ARIMA方法和PF方法构成,ARIMA 应用于短期预测,而粒子滤波应用于长期预测。首先在线对锂离子电池进行监测,然后根据短期预测或长期预测要求执行相应的算法,得出横纵坐标分别为周期和容量的 RUL 预测图。实验结果表明,该预测框架能够快速准确地预测锂离子电池 RUL。     

基于GM（1，1）模型的区域交通运输体系发展预测

灰色预测法是一种对含有不确定因素的灰色系统所产生的与时间有关的灰色变化过程进行预测的方法。本文以灰色预测法中的GM（1,1）模型为基础,以残差模型对其进行优化,并将优化后的模型应用于以陕西省为实例的区域交通运输体系的发展预测。实证结果表明,预测结果良好。     

移动通信系统数据业务量预测研究

运用灰色GM(1,1)模型,以北京市某运营商移动通信网络数据业务量为样本数据,通过模型预测的移动通信业务量的拟合数据与样本数据基本一致,得到的2020年业务量增长倍数在其他各家机构预测倍数范围之内,从而得出将灰色GM(1,1)模型用于移动通信数据业务量增长趋势的预测是合理的。     

应用灰色理论预测混合动力汽车蓄电池的剩余容量

电池剩余容量预测是混合动力汽车一个非常关键的问题,文章在分析混合动力汽车蓄电池充电和放电特性的基础上,针对蓄电池内阻与剩余容量之间的非线性关系,采用了一种在线的灰色GM（1,1）模型群方法对蓄电池单元的剩余容量进行预测。但是采用简单的灰色模型对蓄电池的容量进行预测会带来很大的误差,文中首先用灰色GM（1,1）的常规模型原理并对蓄电池剩余容量建立了简单的模型,其次详细分析了采用灰色GM（1,1）模型群的方法来提高预测精度的原理及方法。仿真模型的结果不但表明灰色GM（1,1）的模型群能有效地提高预测精度,而且避免了单个灰色GM（1,1）的模型由于不稳定信息造成的不足;最后通过残差检验,检测误差较小,具有较强的可信度,适用于混合动力汽车的蓄电池剩余容量预测。     

基于灰色神经网络的厦门市商品房需求量研究

介绍了灰色预测模型GM（1,1）的结构和模型检验,以及BP神经网络预测模型的原理,对灰色预测模型进行改良,将此改良模型与BP神经网络模型进行组合,建立了新的组合灰色神经网络模型。以厦门市商品房成交量为例,以MATLAB为工具,进行2012年的成交量对比以及2013年成交量的预测,结果证明组合灰色神经网络的预测精度较高,可以为房地产价格指数预测研究提供参考依据。     

Particle filtering based autoregressive channel prediction model

A particle filtering based AutoRegressive (AR) channel prediction model is presented for cognitive radio systems. Firstly, this paper introduces the particle filtering and the system model. Secondly, the AR model of order p is used to approximate the flat Rayleigh fading channels; its stability is discussed, and an algorithm for solving the AR model parameters is also given. Finally, an AR channel prediction model based on particle filtering and second-order AR model is presented. Simulation results show that the performance of the proposed AR channel prediction model based on particle filtering is better than that of Kalman filtering.     

一种基于期望模型的自适应Singer模型滤波算法

针对使用固定模型滤波算法跟踪机动目标时滤波精度依赖于模型固有参数的问题,提出了一种基于期望模型的自适应Singer模型滤波算法。首先利用3组代表不同机动强弱的典型Singer模型组成基础模型集合,然后通过实时计算目标综合残差确定目标机动等级,根据目标机动等级的变化来生成期望模型,并实时扩充基础模型集合进行交互式多模型（Interacting Multiple Model,IMM）滤波。该算法降低了对基础模型选取的依赖性,具有更好的环境适应性,在目标不同机动状态下都能进行准确跟踪。     

基于等维新息的GM(2,1)递推预测模型

针对GM(2,1)白化方程的解影响其预测精度的问题,提出了一种新的预测模型——等维新息GM(2,1)递推预测模型.该模型通过其灰色微分方程推导出GM(2,1)递推预测模型的表达式,避免了对二阶白化方程进行求解,同时解决了差分方程与微分方程之间因转换而产生误差的问题,并结合等维新息的思想更新GM(2,1)递推预测模型的参数.最后通过实例验证了所提等维新息GM(2,1)递推预测模型的有效性和实用性.     

无线传感器网络中基于压缩感知和GM(1,1)的异常检测方案

针对现有的异常事件检测算法准确率低和能量开销较大等问题,该文提出一种基于压缩感知(CS)和GM(1,1) 的异常事件检测方案。首先,基于分簇的思想将传感器节点的数据进行压缩采样后传输至Sink,针对传感器网络中数据稀疏度未知的特点,提出一种基于步长自适应的块稀疏信号重构算法。然后,Sink基于CM(1,1)对节点发生的异常进行预测,并对节点的工作状态进行自适应调整。仿真实验结果表明,相比于其它异常检测算法,该算法的误警率和漏检率较低,在保证异常事件检测可靠性的同时,有效地节省了节点能量。     

一种基于椒盐噪声新型组合滤波算法仿真研究

提出了一种新型组合滤波算法。该算法首先在噪声方差估计、滤波模板类型和尺寸大小等方面对自适应维纳滤波进行改进,对图像噪声进行预处理;其次将预处理后的图像进行二维多尺度小波分解,由于低频子图像基本不受噪声污染,故不作处理;然后对开关中值滤波分别从噪声检测、噪声分类、噪声滤波等方面进行改进,并给出具体实现步骤,用于小波域高频子图像滤波;最后将滤波后高频子图像和低频子图像进行小波系数重构。实验结果表明,两类改进滤波算法在滤波性能上均优于原始算法,在抗噪性和细节保持等方面具有一定优势。     

基于三次样条的动态GM(1,1)模型在智能电网用电量预测中的应用

Electricity demand forecasting plays an important role in smart grid expansion planning. In this paper, we present a dynamic GM(1,1) model based on grey system theory and cubic spline function interpolation principle. Using piecewise polynomial interpolation thought, this model can dynamically predict the general trend of time series data. Combined with low-order polynomial, the cubic spline interpolation has smaller error, avoids the Runge phenomenon of high-order polynomial, and has better approximation effect. Meanwhile, prediction is implemented with the newest information according to the rolling and feedback mechanism and fluctuating error is controlled well to improve prediction accuracy in time-varying environment. Case study using the living electricity consumption data of Jiangsu province in 2008 is presented to demonstrate the effectiveness of the proposed model.