分解组合模型在短期燃气预测中的应用

在对城市燃气负荷数据特性进行分析的基础上,提出了针对城市燃气负荷量短期预测的思想即分解-组合预测模型,同时提出了三种分解方法对分解-组合预测模型进行了验证.首先在建模之前运用数据挖掘的方法对原始数据集进行了离群点挖掘与修正;其次,为了验证准确性,将三种方法的预测结果与其他单一、组合模型预测结果进行对比;最后为了验证该模型的有效性、适用性,对特殊日期、天气和其另一组燃气负荷量数据集进行了建模和预测,通过对预测值和实际值的误差分析,实验结果进一步验证了分解-组合模型的适应性和准确性.     

基于FCGA和改进LSTM-BPNN的燃气负荷预测

准确的燃气负荷预测对于城市合理供应和调度能源起着非常重要的作用.由于燃气负荷数据本身具有周期性,随机性的复杂特点以及单阶段单预测模型的局限性,本文提出了一种基于模糊编码遗传算法(Fuzzy Coding of Genetic Algorithms,FCGA)和改进的LSTM-BPNN残差修正模型的多阶段混合模型.首先第一阶段先用LSTM进行燃气负荷初步预测,然后计算出燃气负荷残差值,第二阶段先用BPNN去预测残差值,然后用Adam自适应学习率算法在学习过程中自动调节LSTM-BPNN残差模型的学习率,加快拟合速度,接着用模糊编码遗传算法去优化BPNN的初始权重和阈值,以便寻找到全局最优解.最后把两阶段的预测值和作为最终的燃气负荷预测值.通过对比实验得出,本文模型比单模型,原始两阶段预测模型得到了更高的预测准确率.     

基于特征分解的短期电负荷组合预测模型研究北大核心

针对现有模型对于电力数据特征挖掘的不够全面,导致预测精度较低等问题,提出基于特征分解的短期电负荷组合预测模型。先深入挖掘电负荷变化的影响因素,运用小波分解(Wavelet Decomposition, WD)将单一信号分解为多频信号使特征多样化,经过相关度分析进行特征筛选,在分解中引入“影响因子”捕捉影响因素变化,引入“残差”降低分解造成的误差;根据筛选后子序列和残差序列特点分别使用带循环滑窗的时间卷积网络(Time Convolution Network, TCN)和长短时记忆网络(Long Short Term Memory, LSTM)模型预测,并对预测结果分权求和,最终得到组合预测结果。实验结果表明,上述模型有效提高了预测精度,降低了误差;在不同数据集下均表现出良好的优越性,证明了模型具有泛化能力。     

基于灰色径向基神经网络模型的流量预测与分析

根据神经网络能有效修正灰色预测模型的思路,本文提出了基于灰色系统及径向基神经网络的组合预测模型。通过采集园区节点交换机的流量数据,在分析网络流量时间序列特性的基础上建立灰色GM（1,1）模型,并采用径向基神经网络对预测模型残差进行修正。实验结果和仿真实验表明,组合模型效果及预测精度远优于单一灰色预测模型。     

二次指数平滑多目标组合模型电力负荷预测

为提高短期电力负荷预测精度,提出一种二次指数平滑多目标组合模型ES-BiLSTM-LSTM预测方法。通过获取负荷目标预测值和残差目标预测值,实现多目标负荷预测;利用Pearson相关系数,选取与电力负荷相关性较高的影响因素;采用双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM)串行学习负荷数据的时序性特征和周期性特征;利用二次指数平滑法平滑处理负荷数据,获得残差项,通过LSTM模型训练和迭代,提取残差数据的波动性特征;将负荷预测值与残差预测值融合得到修正预测值。实验结果表明,该方法在MAE、MSE和RMSE上,对比3种负荷预测模型均有提升。     

基于气象数据可视化降维和多模加权组合的短期负荷预测

针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性,提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合,构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境,对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明,所提短期负荷预测方法在保留高维气象因素本质特征结构的同时,能有效结合数据预处理方法及单一预测模型的特点,有效提升该地区电网负荷的预测精度。     

数据驱动下的综合能源系统短期多元负荷预测

精准可靠的多元负荷预测对于综合能源系统规划运行具有重要的实用价值,针对园区综合能源系统多元负荷预测问题,提出一种数据驱动下的短期多元负荷预测方法。概述园区综合能源系统多能耦合的运行特点,提出适用于多元负荷相关性分析方法。基于长短时记忆网络(longshort-term memory,LSTM)、极端梯度提升(extreme gradient boosting,XGboost)模型,采用误差倒数法对LSTM、XGboost模型预测结果进行加权组合构建短期多元负荷预测模型。采用园区实际运行数据验证了组合模型的有效性,实验结果表明,相较其它两种单一预测模型,LSTM-XGboost组合模型的预测精度更高。     

改进的GM(1,1)模型在中长期负荷预测中的应用

针对灰色GM(1,1)模型不适合中长期电力负荷预测的特点,对其进行了改进,提出一种新的模型:具有参数修正的灰色关联度加权组合预测模型。在此模型中采用数据分段预测,同时,为了防止预测数据增长过快,误差过大,对每个分段模型进行了参数修正,然后对修正后模型的预测数据进行加权组合,这样,不仅使影响负荷的某些因素能够相互抵消或削弱,同时又能阻止预测数据过快增长,使预测更准确。通过对某个地区的负荷进行预测,验证了此模型的有效性,取得了很好的预测结果,具有一定的理论和应用价值。     

基于SSA-LightGBM的交通流量调查数据趋势预测

为了解决传统模型和机器学习模型对周期时间序列预测效果欠佳的问题,本文以韩城高速公路交通流量调查数据为数据集,提出了SSA-LightGBM交通流量调查数据预测模型.对韩城高速数据进行当量计算,然后对当量数据进行奇异谱分解得到周期项和随机项,对周期项进行信号重建,利用LightGBM预测随机项,最后将预测随机项与周期延拓信号进行叠加得到最终的高速当量预测数据.同时与XGBoost和LightGBM预测结果作对比,SSA-LightGBM预测结果与真实值最为贴近,且MAE、RMSE和R2均优于XGBoost和LightGBM模型.该结果对我国高速公路交通调查数据未来的变化趋势预测研究具有很好的指导意义,可以为我国高速公路的整修和养护提供很好的参考价值.     

基于包容性检验和证据理论的短期负荷预测

为了提高短期负荷的预测精度,提出一种包容性检验和证据理论的短期负荷组合预测模型(ET-DS).分别采用多个单一模型对短期负荷进行预测,采用包容性检验选择最合适的单一模型,利用证据理论获取单一模型的权值,实现短期负荷的组合预测,并采用短期负荷数据对模型性能进行仿真测试.仿真结果表明,相对单一模型及其它组合模型,ET-DS组合模型更加准确刻画了短期负荷变化趋势,提高了短期负荷预测精度,预测结果可为电力规划提供有价值参考意见.     

基于遗传算法优化和BP神经网络的短期天然气负荷预测

天然气负荷预测的研究,对于保证天然气管网用气量、优化管网的调度和设备维修具有极其重要的意义.短期天然气负荷预测问题具有周期性和随机性的变化规律.传统方法无法进行准确的预测,预测精度较低.为了提高天然气负荷的预测精度,提出一种基于遗传算法优化和BP神经网络的天然气负荷预测方法.采用遗传算法对BP神经网络连接权值和阈值等模型参数进行优化,从而建立最优的天然气负荷预测模型,并采用某企业的天然气负荷数据对所建立预测模型的可行性和有效性进行验证.仿真结果表明,相对于传统BP预测算法,基于遗传算法优化参数的BP神经网络提高了天然气负荷预测精度,具有一定的实际工程应用价值.     

基于最优加权组合模型的道路交通事故预测

交通事故预测是交通安全评价、规划和决策的基础。针对各种单一灰色预测模型存在的局限性,建立了一种基于最优加权的灰色组合预测模型。根据我国道路交通事故的发展情况,建立了GM（1,1）、Verhulst和SCGM（1,1）c相结合的组合预测模型,运用最优加权法确定组合预测模型的权重系数。利用2001-2007年我国道路交通事故死亡人数的实际值作为原始数据,构建各个单一预测模型和最优组合预测模型,预测其2008-2010年交通事故死亡人数。预测结果表明,组合预测模型比单一GM（1,1）模型、Verhulst模型和SCGM（1,1）c模型具有更高的预测精度。     

基于多步优化GM(1,1)模型的云计算资源负荷短期预测

论述了云计算资源负荷的特征及其短期预测的作用。首先利用多项式回归模型对GM(1,1)的预测结果进行一次优化,然后使用马尔科夫链对一次优化后的模型进行二次优化,最后运用布谷鸟搜索算法对二次优化后的灰色预测模型进行再度优化,建立基于多步优化的改进GM(1,1)灰色预测模型。实验结果表明,与其他预测模型相比,在云计算环境下的资源负荷短期预测应用中,该模型具有更高的预测精度,表现出良好的预测性能。所提方法能为云计算资源的高效调度和管理提供决策支持。     

电力负荷短期预测的支持向量回归参数自动赋值研究

电力系统负荷预测是当前国内外的研究热点,支持向量回归算法是一种解决电力系统负荷预测问题非常有效的方法,如何根据特定数据集选择合适的模型参数,以保证建立好的模型有很好的推广性能,成为设计支持向量回归机的关键一步。本文采用了1-范数、2-范数以及v-支持向量回归算法来解决支持向量机参数的自动复制问题。在真实数据集上的实验结果表明,新模型在预测能力上较之一些广泛使用的软件可靠性预测模型有明显的提高。     

ARIMA和RBF神经网络相融合的股票价格预测研究

针对股票价格的突变性、非线性和随机性,单一预测方法仅能描述股票价格片断信息等缺陷,提出一种股票价格组合预测模型。采用自回归移动平均模型（ARIMA）对股票价格进行预测,捕捉股票价格线性变化趋势。采用RBF神经网络对非线性、随机变化规律进行预测。将两者结果组合得到股票价格预测结果。采用组合模型对包钢股份（600010）股票收盘价进行仿真实验,结果表明,相对于单一预测模型,组合预测模型更加全面、准确刻画了股票价格的变化规律,提高了股票价格预测精度。     

双种群进化模型的电力负荷预测

传统灰色预测模型GM（1,1）在预测增长较快的电力负荷时效果会变差。针对这一缺陷,提出了一种改进的双种群ESOGM模型,将进化策略对参数优化处理的优点与GM（1,1）模型相结合,利用进化策略算法优化模型中的参数。电力负荷预测实例表明该模型具有较高的预测精度和较广的应用范围。     

基于改进灰色模型的ATS测试仪器校准周期确定

针对自动测试系统ATS中测试仪器校准周期的确定问题,提出了改进的灰色GM(1,1)模型预测方法。首先从GM(1,1)模型出发对模型本身进行改进,然后建立等维新息模型,并确定其最佳维数,递补动态更新预测信息,为进一步提高预测精度,提出了残差修正预测模型,并引入马尔可夫过程解决其修正残差的符号问题。实例结果表明,改进的模型预测方法比单独的模型预测具有更高的精度,可以应用于测试仪器校准周期的预测过程。     

包容性检验和PCA相融合的物流需求预测

模型选择以及如何进行组合是物流需求组合预测的关键,为了提高物流需求的预测精度,提出一种包容性检验和主成分分析相融合的物流需求预测模型（ET-PCA）。采用多个单一模型对物流需求进行预测,采用包容性检验选择最合理的单一模型,利用PCA对选择的单一模型预测结果进行组合,采用仿真实验对组合模型性能进行测试。结果表明,相对于传统组合模型,ET-PCA较好地解决了物流需求单一预测模型选择及组合问题,更加全面、准确描述了物流需求复杂的变化趋势,提高了物流需求的预测精度和效率,具有一定应用价值。