基于Bayesian-LSSVM和残差修正的用户短期需水量预测

为有效改善供水管网短期需水量预测模型在预测精度和稳定性方面存在的不足,提出在短期需水量预测模型基础上叠加残差预测模型的组合预测建模方法.首先采用贝叶斯最小二乘支持向量机法(Bayesian-LSSVM)建立管网用户需水量时间序列预测模型(BL模型),得到需水量预测初始值;对BL模型得到的需水量预测初始值的残差序列,构建基于贝叶斯最小二乘支持向量机法的混沌时间序列预测模型(RM模型),得到残差预测值;同时将RM模型得到的残差预测值实时补偿到BL模型的需水量预测初始值中,得到经过残差修正的需水量预测值.实例结果表明,RM模型可以准确捕获BL模型需水量预测初始值的残差变化趋势,对其残差序列进行准确预测;在短期需水量预测的精度和稳定性方面,由BL模型和RM模型叠加构成的组合预测模型(BL+RM模型)明显优于单一BL模型;BL+RM模型适用于平均需水量较小、水量波动性较大等不同特点用户的短期需水量预测,可有效满足实际工程的需要.     

基于组合预测法的台州市需水量预测研究

运用多种预测方法的组合预测,采用BP神经网络法、人均综合用水量法对台州市2020年、2030年总需水量进行了预测;采用人均用水量推算法、灰色预测法、数学模型法预测台州市2020年、2030年城乡生活需水量、工业需水量、第一产业需水量等分类需水量.结果表明,组合预测方法应用于台州市用水需求预测是可行的.组合预测综合考虑了各种因素的影响,能够提高需水量的预测精度,为水资源合理规划提供了科学决策依据.     

灰色新陈代谢GM(1,1)模型在中长期城市需水量预测中的应用研究

研究了基于灰色系统理论的中长期城市需水量预测方法.针对常规GM(1,1)模型存在的不足,建立了灰色新陈代谢GM(1,1)需水量预测模型,并利用此模型对北方某缺水城市未来10年的需水量进行了预测.结果表明:模型精度较高,预测误差较小.     

灰色神经网络耦合模型在城市需水量预测中的应用

目的为了更准确预测城市用水量,弥补灰色和神经网络预测模型在中长期需水量预测中的不足.方法采用最小方差法建立了灰色新息递补模型和新息递补BP神经网络的耦合模型即灰神经模型,并对城市需水量进行预测.结果预测沈阳市生活需水量,灰神经网络耦合模型的平均相对误差为0.144%;预测沈阳市工业需水量,灰神经网络耦合模型的平均相对误差为0.19%.在模拟精度方面远远高于其他模型的模拟值,提高了预测的准确性.结论提出了用灰色神经模型来预测城市需水量的方法,能更好地预测城市未来需水量,把影响预测的不定因素降到最低限度,具有广泛的实用性.     

水资源需求预测研究

叙述了国内外在水资源需求预测方面的研究概况。在系统研究水资源需求预测的常用预测方法和模型的基础上，对过去需水量预测中存在的主要问题进行了分析，并对需水量预测中长期需水量预测结果与实际情况误差较大的问题作了深入探讨，认为，对需水量变化规律认识的不足是产生需水量预测误差的主要原因。指出，对水资源需求预测方法及水资源需求量的预测研究都有待于进一步完善。     

基于GM(1,1)模型的天长市需水量预测

用GM(1,1)模型对天长市2010,2015,2020年的需水量进行了预测,预测结果分别为1934.4,2537.6,3075.7万m3.对预测结果的精度校验表明,模型的预测精度等级为一级,模型可靠、合理.     

生活需水预测的弹性系数法改进模型及应用

弹性系数法是一种广泛使用的需水量预测方法,其建立模型的关键步骤是提取合理的需水量影响因素,为了有效地提取需水量的主要影响因素,采用灰色关联法,分析了弹性系数模型变量之间的关系,提出了自然对数预处理方法,并以郑州市生活需水量预测为例,进行方法的比较分析,结果表明该方法是合理和有效的,进一步丰富了灰色关联分析法的应用,需水量预测结果也比较符合实际情况,可为郑州市水资源规划提供参考依据。     

基于异常值识别的计量小区短期需水量预测

需水量预测是进行水资源调配、节能降耗和降低管网水龄的关键问题。现有需水量预测研究主要对预测模型进行改进,而忽视了对预测准确性至关重要的预处理步骤,如异常值处理,限制了预测模型的精度。为此,建立基于密度的局部离群因子模型(local outlier factor, LOF)对需水量数据中的异常值进行识别及矫正,并将其与一种新兴的高精度、高效率梯度提升树算法(light gradient boosting machine, LightGBM)结合,形成组合需水量预测模型(LOF+LightGBM)。通过实际案例进行模型性能测试,结果表明,相比基于原始数据的预测模型,基于经过LOF模型处理后的需水量数据进行预测的模型均方根误差平均降低10%。LightGBM模型在不同数据集上的绝对平均误差比人工神经网络和支持向量机平均降低了24.7%。整体上,LOF+LightGBM表现最佳预测性能,3个计量小区(district metered area, DMA)的纳什效率系数分别为0.886、0.951、0.942。所有模型训练及预测时间均小于0.7 s。无论是LOF模型、LightGBM模型还是LO...     

NPSO-GRNN在城市生活需水量预测中的应用

利用小生境粒子群算法(NPSO)的全局搜索能力,对GRNN的光滑因子进行优化,提高了广义回归神经网络(GRNN)的网络性能,建立了基于NPSO-GRNN的城市生活需水量预测模型。研究结果表明:利用该模型拟合和预测北京市1988-2012年生活需水量数据的平均相对误差绝对值分为别0.72%和0.36%,两者都比BP神经网络模型拟合预测的结果低;NPSOGRNN模型能更好的拟合北京市城市生活需水量的变化趋势,预测精度更高,泛化能力更强。     

长春市需水量预测

说明了水量预测的必要性,以长春市1995年-2006年的城市需水量为基础数据,通过建立以新代旧的GM（1,1）模型,分别对长春市2010年,2015年,2020年的城市需水量进行了预测．     

基于时序分解与误差修正的新能源爬坡事件预测

为了提高以风电、光伏为代表的新能源的爬坡预测的准确性,提出基于主成分分析、时序分解与修正长短期记忆（LSTM）网络预测误差的爬坡预测模型. 为了充分考虑功率的时序特性,采用时序分解方法将功率分解为周期、趋势和余项,结合多个特征因素的主成分建立基于LSTM的趋势和余项预测模型,实现功率的时间特征与影响因素主成分的映射关系刻画. 在采用LSTM对趋势和余项进行初步预测的基础上,引入误差修正算法计算拟合预测模型的动态误差并构建新的非平稳时间序列,获得准度性更佳的趋势和余项预测值. 通过加法模型融合趋势、余项以及利用朴素法获得的周期,得到最终预测功率. 结合风电和光伏爬坡事件定义,运用所提模型分别进行风电和光伏爬坡预测. 实验结果表明,与其他预测方法相比,所提模型在功率直接预测和爬坡事件间接预测上均具有更优的精度,能够为电网调度提供更可靠的依据.     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

轨道交通断面流仿真预测系统中需求生成

针对断面流仿真预测系统中输入起讫点(origin-destination,OD)矩阵的时间跨度与需求生成时间粒度不一致问题,结合进站量短时预测构建需求生成组合策略,将OD矩阵时间跨度离散化为等长子时段,基于自动售检票机实时传输的统计客流量预测短时进站量,确定子时段内需求分配比例,从而使需求生成过程沿着子时段客流波动轨迹变化.以北京市轨道交通某站为例进行实证分析,结果表明:对比既有单一时段内基于泊松分布的需求生成,所构建的需求生成策略与实际客流到达规律吻合度提高了约22.89%;对比多种进站量短时预测模型,认为卡尔曼滤波模型能够满足在线预测的时效与精度需求.     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究.本研究引入卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short term memory,LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略.根据对5个真实家...     

Network security situation adaptive prediction model

Aiming at the low prediction accuracy of traditional network security situation prediction technology, a network security situation adaptive prediction model (NAP) is proposed. First, it extracts alarm elements and calculate network security situation time sequences based on the entropy correlation method. Then, the sequences are taken as the input of the sliding adaptive cubic exponential smoothing method with initial security situation predicted value sequences generated. Finally, the time-varying weighted Markov chain is used to predict the error value based on the error state and the initial predicted values are modified. Experimental results show that the NAP has a better prediction accuracy than other existing models.     

基于神经网络的建筑能耗混合预测模型

为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.     

基于马尔科夫链改进灰色神经网络的水质预测模型

根据汾河运城段的实际情况,应用改进灰色神经网络对水质进行预测.在数据处理以及关联度分析的基础上,选取关联度较高的氨氮、挥发酚、水温、BOD5及COD作为灰色神经网络的输入节点.应用灰色神经网络对水质进行预测,再用马尔科夫修正误差残值,可使修正值更加接近实测值.灰色神经网络的相对误差为68.44%～4.69%,改进灰色神经网络将相对误差为41.96%～2.23%,可见改进神经网络的预测精度更高.改进灰色神经网络模型,结合了灰色神经网络和马尔科夫的优点,提高了预测的精度,并以汾河河津大桥监测断面的水质预测为例,验证了该方法的可行性.     

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DBN-Kalman-EC算法的 短期风电功率组合预测

提出一种基于深度置信网络(DBN)和卡尔曼算法(Kalman),结合误差修正算法(EC)的短期风电功率组合预测模型。运用经验模态算法(EMD)将原始风速序列分解,提取其主要特征,降低风速序列突变性;然后利用DBN法,通过构造两种不同的输入输出矩阵,得到pro_1和pro_2两种预测功率、bias_1和bias_2两种预测误差;接着将pro_1作为测量值、bias_1作为测量误差,将pro_2作为观测值、bias_2作为过程误差引入Kalman模型,得到预测结果 pro和预测误差bias;最后利用EC算法对pro和bias进行修正。仿真结果表明,DBN-Kalman-EC模型能有效中和bias_1和bias_2两种误差,降低了预测误差,修正预测值,有效地提高了短期风电功率预测的精度。