时序回归支持向量机在卫星振动预测中的应用

将支持向量机算法与时间序列原理相结合,可构造出基于时间序列的支持向量机模型。通过对大量遥感卫星振动数据进行分析,得出该卫星振动规律为有随机波动成分的简谐振动。应用时间序列的原理,动态更新模型训练集和预测集,构建基于时序回归的支持向量机在线预测模型。模型测试结果表明,这种方法可以比较准确有效地实现振动趋势的提前预测,为振动抑制措施的快速实现提供帮助。     

基于向量自回归模型的移动通信基站流量预测

城市移动通信基站流量的准确预测对于关键基站的拥堵控制、基站新址的选择有着重要作用。基站流量数据不仅是区域的静态表现,同时也反映区域人员的流动特性。基站流量具有非线性混沌特性,而传统的线性时间序列方法比如自回归移动平均模型难以有效地捕获实际基站流量序列中复杂的非线性因素。同时,仅考虑单个基站时间序列而忽略邻近基站的影响并不能反映基站流量的动态特征。基于向量自回归模型(VAR)对大规模基站流量数据进行整体分析,将多响应变量预测问题转化为单响应变量预测模型,运用Lasso变量选择方法筛选目标基站的重要关联基站。实例表明,相对于传统预测方法,VAR-Lasso类方法不仅提高了基站流量的预测精度,同时也实现了大规模基站的实时预测。     

我国电力中长期发展战略研究

在预测中长期我国用电量需求的基础上,通过分析燃煤发电、水电、核电、非水可再生能源发电、天然气发电的供应能力,阐明了中长期我国电源发展的原则和目标,提出了中长期我国电网发展模式,并指出要以智能配用电、智能调度、大规模储能、超导电力、分布式供电等新型电力技术为支撑实现我国中长期电力发展战略。     

遗传算法对RVM短期风速预测模型的多参数同步优化

该文利用混沌理论中的相空间重构方法,对基于相关向量机的风速预测模型的训练样本进行构建,然而通过混沌理论求出的相空间参数(嵌入维数E和时间延迟τ)往往不是预测模型的最优解。针对预测模型超参数优化问题,提出一种基于遗传算法的多参数优化方法,即对E、τ以及相关向量机核参数σ进行同步优化。该方法首先基于遗传算法搜索相关向量机预测模型参数(E、τ、σ)的全局最优解,进而建立预测模型;然后对待预测风速时间序列进行预测;最后以2组实际风速数据为例进行实验研究,并与对比模型方法(只优化参数σ)进行对比。结果表明:该文模型不仅具有较低的预测误差,而且可提高预测效率,缩短预测时间。     

基于质量可靠性的质保索赔数预测方法研究

本文分析了质保数据的形式与整合方法,介绍了失效率与失效函数在质保索赔中的应用。从可靠性的角度出发,构建了基于非齐次泊松过程的预测模型。本文用挖掘机的质保索赔数据进行了案例研究。案例研究表明,该方法在预测误差度上优于传统的时间序列模型和ARIMA模型。     

CEEMD双层分解和Granger因果变量选择风电功率预测

针对风电功率时间序列具有高度随机波动性而无法精准预测的问题,提出一种基于完备集成经验模态分解（CEEMD）、Granger因果关系检验和长短时记忆网络的新型混合预测方法用于预测风电功率。首先,为研究风电功率和风速的隐性相关性,通过CEEMD算法对风电功率和风速时间序列分别进行序列分解,实现双层分解。其次,通过Granger因果关系方法对各风速分量与各风电功率分量进行因果关系检验,分析风电功率分量与各风速分量间的相关性,以此实现各风电功率分量的输入变量选择。最后,采用长短时记忆网络对各风电功率分量进行预测,并集成得到最终的风电功率预测结果。通过风电厂的实际数据进行了试验,并与多个应用广泛的经典模型进行对比,结果表明该方法的预测精度取得了大幅度提高,能够对风电功率实现精准预测。     

Bi⁃LSTM 神经网络用于轴承剩余使用寿命预测研究

为有效获得轴承退化过程,设计一种改进损失函数的卷积自编码器(Convolutional Autoencode),使其可从多传感器采集的振动信号中提取轴承健康状态,避免了局部信息的丢失,同时得到了更深层次的故障特征。提出了一种基于双向长短时记忆网络(Bi-directional LSTM)的循环神经网络结构,利用其对时间序列数据的处理能力,学习轴承在实际工作过程中的退化规律,实现对轴承的剩余使用寿命预测。此外,为进一步提升模型的预测准确率及泛化能力,设计接收随机长度样本的Bi-LSTM网络进行训练,使得模型接收连续数据而不是分段的数据。最后,使用NASA的IMS数据集进行了验证和对比试验,得出本文所构建的CE-Bi-LSTM轴承健康预测模型相较于其他方法具有更准确的预测能力。     

时间序列三维荧光光谱数据的压缩预测

针对时间序列三维荧光光谱数据量大及非平稳的特点,从光谱维和时间维利用小波变换对数据进行了压缩。结果表明二维压缩重构前后的失真率均小于0.1,相似度都超过0.99,荧光区域一维压缩后重构失真率均小于0.2,相似度超过0.9,压缩效果较好。在小波压缩的基础上,进一步利用自回归移动平均模型对多元时间序列光谱数据进行了预测,探讨了6种不同压缩情况下的预测能力,并与小波神经网络预测方法进行了比较。相关的数值实验表明预测模型不仅对数据进行了有效的压缩,而且具有快速准确的预测能力。     

基于ARIMA模型的用电量时间序列建模和预报

本文主要研究电力系统的窃电问题。采用ARIMA(p,d,q)(自回归求和移动平均)动态模型,对客户用电规模的时间序列数据进行了拟合和预测。若客户的实际用电量低于置信度为95%预测下限,就认为该客户有窃电嫌疑。最后采用滁州电力局的客户历史用电数据进行实证分析,结果显示该方法比较适合国内电力MIS系统的现状,能有效的提高工作效率,缩减堪察成本。     

基于支持向量机的光伏电站异常数据序列提取

根据华为生产管理系统提供的光伏阵列直流端数据,研究电气数据序列的异常特征,提出一种基于支持向量机的异常数据序列提取方法,实现组串异常判定。通过分析异常数据序列波形特征,总结其波形变化规律;对数据序列进行偏差率及马氏距离计算,设定健康阈值,实现正常、异常标记,建立训练样本集以训练支持向量机模型,利用网格搜索与交叉验证法确定模型最优参数。将该模型对电站进行异常数据序列提取,常规/非常规类异常状态判定。结果表明,所构建的模型对电流、电压数据序列进行分类时的误判率分别为3.19%、2.03%,漏判率分别为2.35%、2.16%,该模型具有较高的可靠性。     

一种新的基于区域的高速公路多车辆跟踪方案

提出一种新的基于区域的高速公路多车辆跟踪方案,包括背景建模、目标识别、目标跟踪等过程。针对高速公路监控图像质量差和干扰信号强的特点,在常规的颜色混合高斯背景模型的基础上,提出一种新的基于扰动区域的高斯背景模型来消除强噪声和背景小幅度运动的影响,并在时间序列上通过Kalman滤波迭代加权算法实现背景模型的自适应性更新。该背景模型明显提高了背景分割的准确性和自适应性。提出了一种改进的非递归区域生长算法用以有效地实现多目标的识别,算法复杂度仅为O(n)。采用目标特征匹配和区域运动预测规则对多车辆进行实时跟踪和识别。实现了一个高速公路实时监控原型系统,运行结果表明,该跟踪方法不仅能准确跟踪和识别多目标,而且对道路环境和车辆运动方向具有很好的适应性和鲁棒性。     

径向基函数预测网络拓扑确定新方法

预测能力相对薄弱,已经成为制约PHM(Prognostics and Health Management)技术发展和应用的瓶颈.随着传感器和BIT(Built-in Test)设计技术的日益进步,采用序列分析的方法对复杂系统装备进行故障预测已经成为可能.在基于序列分析的预测方法研究中,径向基函数预测网络具有结构简单、学习速度快、具备非线性建模能力等诸多优点.为了改进其预测性能,在深入分析网络拓扑对模型性能及建模时间影响的基础上,综合考察了序列最佳线性自相关长度、建模精度和模型复杂度等多种因素,提出了基于偏自相关函数统计检测的输入层节点数目确定算法和基于BIC(Bayesian Information Criteria)准则的隐层节点数目确定算法,用以构建径向基函数预测网络;并对算法的有效性进行了分析.仿真结果表明,同传统建模算法相比较,由新算法构建的径向基函数预测网络具有最佳的预测性能,且建模时间不足传统算法的3%.     

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测EI北大核心CSCD

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。     

组合模型预测浙江省旅游需求

根据中国统计年鉴公布的数据,建立基于时间序列ARIMA模型和BP神经网络组合模型对旅游需求进行预测。首先,建立ARIMA模型对浙江省旅游需求进行分析预测。然后,将得到的预测误差序列作为BP神经网络模型的输入值,进一步减小相对误差,综合ARIMA模型的预测结果和BP模型得到的预测误差,获得精确度较高的旅游需求预测模型。最后,与灰色系统GM(1,1)的预测结果进行比较。     

多维EWMA控制图的企业危机动态预警研究

将企业危机演变视为财务向量序列由健康公司向危机公司转变的累积变异过程。利用VARMA模型的多变量均值拟合方法和EWMA控制图对过程变异的累加记忆特性,提出一个基于序贯概率比检验的累积变异危机决策规则,并通过向量自回归滑动平均拟合得到一个与Mahalanobis距离有关的算式,将其应用于EWMA控制图,构建了多维趋势型危机预警判别模式。实证表明,提出的模型能够很好地预测危机转变的时点和趋势,在中长期预测上优于传统的统计判别模型。     

基于不确定性天气数据的光伏发电系统电量分时段预测

光伏发电作为一种环境友好、可再生的能源,已经得到广泛的应用和重视。然而,在实际使用中光伏发电量的波动性很大,主要取决于光照、气温等天气因素。因此该文提出一种基于不确定性天气预测数据的光伏发电系统发电量分时段预测方法。该方法引入SolarPredictor模型,使用公开的天气预报数据进行光伏发电厂的发电量预测。此外,由于该模型可以根据某段时间内真实的天气预报数据进行训练,提高了预测精度,同时还可以得到天气预测数据中的错误。实验结果表明,该模型在对短时间段和长时间段的预测结果均优于传统的预测方法。     

基于LSSVR-AR模型的电解电容状态预测方法

针对传统的状态预测方法预测精度不高的问题,提出了一种基于最小二乘支持向量回归机(LSSVR)和AR模型相结合的非平稳时间序列建模的方法(LSSVR-AR),并应用于Buck电路的电解电容等效串联的状态预测中.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;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;用组合模型对电解电容的等效串联电阻进行状态预测.用本文所提出的方法对其预测的平均绝对百分比误差为6.57%,低于单一的LSSVR模型.实例证明:本文所提出的模型能对电解电容的状态进行准确预测.     

基于灰色马尔柯夫预测的测量仪器校准间隔动态优化

根据测量仪器校准参数数据特点,建立了仪器校准参数动态发展趋势的时间序列组合模型。将灰色预测与马尔柯夫预测方法优化互补,用灰色预测模型预测参数总体发展趋势,在此基础上采用马尔柯夫模型预测参数在总体趋势下的随机波动性变化,得到校准参数发展趋势预测模型的解。给出基于校准参数趋势预测的校准间隔动态优化方法,并通过实验数据对预测模型进行了验证。结果表明,此模型既能预测校准参数总体趋势,又适合于波动性较大的随机序列变化;校准间隔的优化改善了计量管理中不足计量和过剩计量的缺陷。     

最小二乘支持向量机和小波电铲供电机组状态预测

针对电铲供电机组振动时间序列是个非线性、非平稳的复杂时间序列,难以用单一预测方法进行有效预测的问题,建立了一种基于小波分解和最小二乘支持向量机混合模型进行状态预测的方法.首先通过小波分解,将原始振动时间序列分解到不同层次,然后根据分解后各层次分量的特点选择不同的嵌入维数和LS-SVM参数分别进行预测,最后重构得到原始序列的预测值.对某电铲供电机组振动趋势的预测结果表明,该模型的预测性能好于单一的支持向量机预测方法.     

基于相似度特征融合和CNN的滚动轴承剩余寿命预测

滚动轴承作为机械系统中非常重要的部件之一，其剩余使用寿命的精确预测对系统保障具有重大意义。针对单个特征参量对滚动轴承性能退化过程表征的片面性与局限性，提出一种基于相似度特征融合、卷积神经网络的滚动轴承剩余使用寿命预测方法。通过计算时域和频域特征的时间序列与对应时间矢量的皮尔逊相关系数，构造相似度特征，再基于单调性和趋势性对特征进行敏感特征筛选，采用主成分分析法对筛选所得特征进行融合，构建健康指标，将其输入一维卷积神经网络退化模型进行训练，实现对轴承剩余寿命的预测。实例验证，与传统模型相比，该方法有更低的预测误差，对轴承的剩余寿命预测效果较好。