基于SVM-STL-LSTM的区域短期电力负荷预测研究

针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。     

基于ARIMA-SVM方法的梯级泵站机组运行趋势预测

针对多因素参与下梯级泵站机组运行趋势预测建模困难且预测准确度低、适应性差的问题，以宁夏盐环定扬黄工程为研究对象，引入时间序列分析法，提出了基于ARIMA与SVM模型组合的泵站机组运行趋势预测方法，即选择机组运行技术参数中的能源单耗和平均负荷作为试验样本，由ARIMA建模对处理后的数据进行线性拟合，通过SVM模型对残差进行预测处理，补偿机组运行中的非线性变化，综合二者预测结果得到组合模型预测值。结果表明，最优模型为ARIMA(1,1,3)、ARIMA(2,1,1),SVM模型最优参数分别为c=38、g=0.06和c=68、g=0.18;组合模型对试验样本的预测拟合优度分别达到0.999 2、0.998 4,均方根误差分别为1.67×10^-5、3.9×10^-8,平均绝对百分比误差分别为0.036 1%、0.074 7%,说明该组合模型预测泵站机组运行趋势精度较高、效果良好，可为泵站机组运行状态监测系统优化升级提供理论基础。     

基于极点对称模态分解-支持向量机的短期光伏发电预测方法

为提高光伏出力预测精度,针对光伏出力序列非线性、非平稳特点,利用具有平稳化处理技术的ESMD法,将光伏出力序列分解为各模态分量和趋势余项,并将高频模态1,2进一步分解,结合SVM模型分别预测各平稳序列,建立具有“分解-预测-重构”特征的ESMD-SVM组合模型,以某光伏发电厂为例验证模型有效性。结果表明：ESMD-SVM组合模型预报精度大于单一模型,与单一SVM预测模型相比,均方根误差降低了84.81%、平均绝对误差降低了81.27%,决定系数提高了7.42%。     

基于ARIMA-SVM组合模型的光功率趋势预测新方法

针对电力通信系统光纤线路未来状态趋势预测问题,提出一种基于自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)-支持向量机(Support Vector Machine,SVM)组合模型的光功率趋势预测法。根据光功率数据的非线性和时变性特点,首先利用小波变换将其分解并重构,然后设计一种基于混合核函数的SVM预测模型,对重构后的数据分别构建ARIMA模型与基于混合核函数的SVM模型并预测,最后组合2种模型的预测结果实现光功率趋势预测。分别采用ARIMA模型、径向基函数(Radical Basis Function,RBF)模型、SVM模型、ARIMA-RBF模型与该模型进行实验并对比,结果表明,基于混合核函数的ARIMA-SVM组合模型对光功率趋势预测最为准确,其预测精度及计算速度都有了显著提高,为未来光功率趋势发展提供了一种有效可行的预测新方法。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

城市用水量组合预测模型及其应用

针对城市用水量时间序列包含逐步增长趋势、季节性趋势及不确定性的非线性波动特点,单一预测模型往往很难充分反映原始数据中全部的有效信息,结合季节性时间序列模型(SARIMA)和BP神经网络二者优点,构建了一种新型的组合预测模型,对上海市用水量进行不同时间尺度的预测。结果表明,在不同时间尺度上组合预测模型均比单一预测模型精度高、预测质量稳定。     

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。     

基于经验模态分解的年径流组合预测模型

针对年径流量时间序列非线性、非平稳的问题,采用经验模态分解法(EMD)实现对年径流的多时间尺度、多层次分解,获得简单且平稳性较好的分量,分别选择合适模型对各分量不同变化规律进行合理预测分析,再将各分量预测值结合,重构原始序列年径流预测值,进而建立基于EMD的年径流组合预测模型,并应用于桂江流域年径流预测中.结果表明,该模型预测结果稳定可靠、精度较高,具有推广应用价值.     

基于TLS的非线性GM-AR高边坡变形预测模型及应用

为提高传统GM-AR模型预测精度,提出一种基于整体最小二乘(TLS)的非线性GM-AR变形预测模型。首先利用TLS参数估计的GM(1,1)模型提取变形序列中具有确定性的趋势项,然后再对剔除趋势项后的随机部分建立TLS参数估计的AR预测模型,最后叠加两者的预测结果作为最终的变形预测结果,并以三峡库区某高边坡的变形数据为例对模型进行验证。结果表明,相对于传统最小二乘(LS)参数估计的非线性GM-AR模型及GM(1,1)、AR两个单一模型,基于TLS的非线性GM-AR模型的预测精度更高,可在变形预测中应用。     

基于非线性自回归神经网络的GHI预测

针对水平面总辐照度(global horizontal irradiation,GHI)短期预测问题,提出一种基于非线性自回归神经网络的短期水平面太阳总辐照度预测模型。首先,提出一种并联结构训练样本,以保证训练样本内部的时间耦合性。其次,通过对9项气象参数共511种组合作为输入的模型预测精度进行分析,确定模型最优输入组合。最后,利用4种典型气象条件下GHI时延神经网络预测模型,非线性自回归动态神经网络预测模型预测标准均方根误差均降低。     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

不同特征向量下基于SVM的短期风速预测

选取广东省某风电场的测风数据,运用支持向量机(SVM)的方法对其进行短期风速预测。为提高预测的精度,通过LIBSVM回归机的交叉验证函数确定最优参数,建立4种不同输入特征向量组合(风速序列、风速和风向、风速和气压、风速风向和气压)的模型,分别预测该风场的短期风速,并对4种模型的预测误差进行分析和比较。实验结果表明:气压不宜作为输入特征向量;选用风速和风向作为输入特征向量的模型,预测效果最理想,其平均绝对百分比误差为12.8%。     

基于ARIMA与ESN的短期风速混合预测模型

提出一种基于自回归求和滑动平均模型(autoregressive integrated moving average,ARIMA)与回声状态网络(echo state network,ESN)的短期风速预测模型。首先利用ARIMA模型对短期风速时间序列进行线性特征的预测,使得短期风速的残差仅包含非线性特征,然后利用ESN模型对非线性的残差序列进行预测,最后将ARIMA模型的短期风速线性预测值与ESN模型的短期风速非线性预测残差值进行相加得到最终的短期风速的预测值。单步与多步预测的仿真实验表明该混合预测模型具有更高的预测精度与更小的预测误差。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

基于支持向量机和果蝇优化算法的循环流化床锅炉NO_x排放特性研究

为了控制循环流化床(CFB)锅炉的NOx排放量,以某热电厂300MW CFB锅炉测试数据为样本,应用支持向量机(SVM)建立NOx排放特性预测模型.针对SVM回归预测需要人为确定相关参数的不足,应用果蝇优化算法(FOA)优化SVM参数,采用不同工况下的样本数据检验FOA-SVM模型的预测性能,并将该模型的预测结果与粒子群算法(PSO)、遗传算法(GA)和万有引力搜索算法(GSA)优化的SVM模型预测结果进行了比较.结果表明:FOA-SVM模型的泛化能力较强,预测精度较高,训练时间较短,可以相对快速、准确地预测NOx排放质量浓度.     

基于经验模式分解和时间序列分析的风电场风速预测

针对风速时间序列的非线性和非平稳性,该文提出将经验模式分解(Empirical Mode Decomposition,EMD)和时间序列分析方法相结合对风电场风速进行预测,以探寻更为准确有效地风速预测方法.首先,运用EMD对原始风速序列进行预处理,将其自适应地分解成一系列不同尺度的模式分量,这样能够突出原始风速时间序列不同的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列分析法分别建立相应的模型并进行预测,这样既简化了建立的模型又降低了预测的成本;最后将各分量的预测值叠加得到风速序列的预测值.算例结果表明,该方法大幅提高了风速预测精度.     

基于组合预测方法的风电场短期风速预测

基于持续法、人工神经网络法(ANN)和支持向量机(SVM)3种不同预测模型对内蒙古某风电场短期风速进行了预测研究,比较了不同单一预测模型的预测精度,并进行了4种不同预测模型的组合预测。计算结果表明,单一预测模型中支持向量机方法精度最高,而组合预测中3种方法组合的预测精度最高,并且组合预测精度均高于单一预测方法的精度。同时发现,当单一模型预测误差之间存在较强的负相关关系时,组合预测精度提高明显;而当单一模型预测误差之间存在较强的正相关关系时,则组合预测精度改进有限。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。     

基于数据挖掘与支持向量机的现货市场出清价预测方法

现货市场环境下,市场出清价对于电力市场的发、用两侧参与者和市场管理者都是极为重要的信息。因此,市场出清价的预测研究越发重要。首先分析大多数传统电价预测方法采用的连续序列与该文选取的同时段的电价序列表现出的变化特征差异,给出选取同时段电价序列作为输入的原因。然后基于数据挖掘相似性理论,通过欧氏距离和角度距离2个维度识别历史电价相似序列,得到模型所需训练集数据。以支持向量机（SVM）为预测工具,并利用遗传算法对SVM的关键参数进行寻优。最后将模拟预测结果与不考虑历史相似状态的SVM模型、BP神经网络模型进行对比,通过误差分析证明了所提模型具备更高的预测精度。