基于组合数据清洗与NL-ConvLSTM模型的多步风电功率预测

针对风电数据在采集与传输过程中会产生大量缺失值和异常值,采用DBSCAN算法和最优组内差分法(OIV)组合筛删异常值,随机森林(RF)算法填补缺失值,提升数据准确性;并建立基于以ConvLSTM为单元的编码-预测(EF)网络的风电多气象输入多步预测模型,为了更好利用气象特征信息,在ConvLSTM模型的输入侧添加具有自注意力机制的非局部(NL)模块增强数据特征表现,从而搭建组合数据清洗方法的NL-ConvLSTM多步风电功率预测模型。实验结果表明,该方法能够进一步提高风电功率多步预测精度和稳定性。     

旋转机组的基于变权重神经网络组合预测模型

面向旋转机组工作状态的趋势预测，结合组合预测模型和人工神经网络预测模型的各自优点，提出了一种变权重神经网络组合预测模型的新方法。该方法是变权重神经网络的非线性映射能力，依据各单项预测模型对预测结果的不同影响。动态确定组合预测模型的权系数。在大型旋转机组工业现场应用中，采用这种模型进行预测提高了预测精度，获得较好的预测效果。     

组合预报及其权重确定方法

探讨组合预报应用于工过程的重要性，指出组合预报由于能综合利用各单个模型预报的信息，因而比单个模型更适合于描述工程过程，给出了各单个模型预报的最优权得的计算式，探讨了利用基因遗传算法（ＧＡ）优化组合预报权重的方法，简介了ＧＡ算法的原理。     

基于支持向量机的动态测量误差非线性组合预测方法

针对目前动态测量误差序列预测方法的局限性,提出了动态测量误差序列的支持向量机非线性组合预测方法,以进行误差修正,提高动态测量精度.该方法首先利用支持向量机和小波神经网络对动态测量误差序列分别进行预测,然后再运用支持向量机对单项预测结果进行非线性组合.理论分析和预测实例表明:该方法的预测精度明显高于传统的单一预测方法,具有很强的学习与泛化能力,在处理动态测量误差序列的预报问题和提高动态测量精度方面具有很好的应用价值.     

基于 IWOA-SVM 的风电功率预测

针对支持向量机预测精度低、收敛速度慢等问题,提出一种改进鲸鱼算法优化支持向量机的风电功率预测模型。将 Tent 混沌映射引入鲸鱼算法中,使初始种群的分布更加均匀;由于随机抽取猎物具有盲目性,不能充分结合迭代经验对种群进行更新,采用轮盘赌法寻找目标猎物来加快鲸鱼算法的收敛速度,得到改进鲸鱼算法优化支持向量机的风电功率预测模型。将该模型应用到我国东北某处风电场进行风电功率预测,并与其他常用的功率预测模型进行对比分析,仿真结果表明,该模型具有更高的预测精度。     

基于样品点优化的变权重组合软件可靠性的仿真研究

为提高软件可靠性预测精度,本文在建立多种单一软件可靠性预测模型的基础上,提出一种多模型变权重组合模型.实证仿真验证该模型无论在样本内还是样本外都较经过模拟退火算法优化的BP神经网络(SA-BP)及经过遗传算法优化的最小二乘支持向量机(GA-LSVM)较优,说明该变权重组合模型是一种精度更高的软件可靠性失效数据预测模型,具有较好的应用推广价值.     

基于组合权重的数控磨床可靠性模糊分配研究

可靠性分配是集工程决策、多因素综合权衡和过程优化的复杂问题。针对影响可靠性分配的因素具有不确定性的特点及其影响程度也具有模糊性等特点,提出一种将熵权法和模糊层次分析法结合的主客观组合赋权法。以数控磨床整机为例,考虑系统的故障频繁性、故障危害性、复杂性、维修性、技术水平和费效比6个影响可靠性分配的因素,根据最小鉴别信息原理建立数控磨床的可靠性目标函数,通过拉格朗日乘子法求解得到影响因素的组合权重,采用基于组合权重的模糊综合分配法,求得可靠性分配结果,与实际积累的数据进行对比,验证了该方法的可行性和有效性。     

基于改进深度ResBiLSTM的短期风电功率预测

为克服风电功率预测的大波动性和不确定性,提高电力系统运行的可靠性和稳定性,利用双向长短期记忆网络(BiLSTM)可显著降低时间序列预测误差的优势,进一步构建优化的深度网络来提升预测精度.通过融合网络方法,串联堆叠的深度残差网络(ResBiLSTM)和各级子网络,充分利用多级网络特征提取优势.基于互信息熵(MIE)方法区...     

基于 SSA-LSTM 的海上风电功率预测

针对海上风电功率预测精度差的问题,提出一种改进的 SSA-LSTM 模型。 选择在时间序列问题处理上具有良好性能的长短期记忆(LSTM)神经网络,通过寻优能力强、收敛速度快的麻雀搜索算法对 LSTM 网络隐含层神经元个数、学习率和训练次数等超参数进行优化,得到 SSA-LSTM 模型。 采用江苏省盐城市某 400 MW 风电场功率数据进行算例分析,在不同条件变量下分别使用 SSA-LSTM 模型、LSTM 模型预测,仿真结果表明,SSA-LSTM 模型具有更高的预测精度、更好的预测稳定性。     

基于组合预测法的航空设备故障预测研究

本文针对飞行器健康管理系统故障预测部分,由于单一预测方法往往难于保证应用效果,本文提出基于GM(1,1)和指数平滑法的组合预测方法,采用拟合均方误差确定组合方法的加权系数,取两种方法预测值的加权值作为最终结果。以某航空设备为例,验证了该方法能提高预测系统的综合性能,弥补了单一方法的不足,具有良好的应用效果。     

基于组合预测模型的某型导弹电子设备故障预测方法研究

本文论述了改进的灰色DGM(1,1)模型与时间序列AR模型的组合模型的预测问题。针对传统GM(1,1)的对纯指数序列预测的局限性,本文引出了改进的离散灰色GM(1,1)模型。最后应用具体实例对组合预测模型的预测精度进行验证分析。     

基于层次分析-聚类分析法和动态权重的起重机风险评估方法

针对起重机等机电设备电气系统的功能安全评估，在采用专家评估法确定权重的过程中可能存在主观性过强的问题，且固定权重不能表现数据中的某些异常参数对系统的影响，文中提出了对权重进行动态的调整，基于层次分析和聚类分析法来确定静态权重，在确定权重的过程中能保证其一致性，采用不同的权重动态调整方法，对超出预警值和极限值的输出特征参数进行突出显示。通过实例计算，根据每项参数的分数和调整后的权重得出相应综合分数，划分风险等级。     

组合预测在风机振动预测中的应用

本文将组合预测方法引入到风机测点振动烈度的状态预测中,通过比较组合预测模型与其它几种单个预测模型的预测结果,表明采用组合预测法进行振动预测具有更高的精度,为风机的振动预测以及故障诊断提供了一个新的思路。     

产品顾客需求权重的动态趋势预测与分析

为了在产品设计过程中更准确地理解顾客需求,给设计提供可靠的决策依据,设计人员不仅需要确定顾客需求当前的权重,更需要预测其未来的权重,以便掌握其动态趋势。针对当前顾客需求未来权重预测和动态趋势分析研究较少的情况,提出了基于变精度粗糙集和最小二乘支持向量机回归理论的集成方法,来预测顾客需求的未来权重。该方法首先利用变精度粗糙集的β分类精度方法计算了顾客需求权重;然后周期性地计算每项顾客需求权重以构建权重时间序列,引入最小二乘支持向量机回归理论对顾客需求权重时间序列进行处理,从而确定预测模型的具体表达式,进行权重预测,并通过历史的、当前的和预测的权重数据,构建顾客需求权重的动态趋势直方图,以便分析。以大倾角带式输送机为例,对该集成方法的可行性和有效性进行了说明。     

基于IOWGA算子的转子系统磨粒浓度组合预测方法

为了准确地得到转子系统滑动轴承磨损的预测结果,基于IOWGA算子的组合预测方法的理论,提出一种最小二乘支持向量机回归预测、灰色预测及指数平滑法相结合的组合预测方法,建立一种新的预测转子系统滑动轴承磨损磨粒浓度的组合预测模型及其评价指标体系。在单跨双圆盘转子试验台上进行试验,提取铁谱片上滑动轴承磨损的浓度数据,利用各项预测模型对磨损磨粒浓度变化趋势进行预测,并比较各项预测模型的预测结果。实例结果表明:基于IOWGA算子的组合预测模型的预测精度较高,是预测润滑油中磨粒浓度变化趋势的一种有效方法。     

一种基于风况预测的优化偏航策略

不同地理位置上风电场的风速和风向变化不同。多数风电机组依照统一的参数执行同一偏航策略，经常出现对风不准问题，导致“欠偏航”和“过偏航”，既加剧了偏航磨损，又增加了偏航成本，还降低了风能利用率。以风电场所处地理位置的气候、地形、地貌等条件不变，风况具有一定的周期性内在变化规律为前提，通过统计风电场历史风速与风向的变化关系，获得风向变化规律特性，从中得到最大概率风向变化角度，将其作为启动偏航的动态偏航误差角度，并综合考虑机械磨损和用电消耗等指标确定偏航时延。利用C-L模型预测未来某时刻风速，预算偏航参数值，制定出主动响应、精准匹配风向的适时偏航策略。应用本文提出的偏航策略，每台机组均获得了不低于1%的增发电量效果。     

产品市场扩散行为预测的自学习方法

为解决单一扩散模型难以可靠预测产品市场扩散行为的问题,为决策者提供全面的信息和客观的预测结果,提出了一种运用自学习方法确定不同模型的组合权重的方法。给出了对产品市场扩散行为预测的相关描述,运用自学习方法表示了扩散模型库评价向量,确定了组合模型的权重,给出了扩散模型库的自学习方法及具体算法。最后,以移动通信扩散行为预测和互联网扩散行为预测为例,分析了上述方法的有效性。结果表明,上述方法有较好的预测效果。     

基于自回归模型的短期海上风电功率预测

由于煤炭资源匮乏和环境污染，人类逐渐开始发掘风电能的利用价值。然而风速的强不确定性导致其很难预测，鉴于此，基于自回归模型进行风电功率建模与仿真研究。经过NAR神经网络训练选择合适的自回归阶数，继而选择该阶数及对应隐藏节点重新训练，最后代入数据仿真得到结果进行分析比对。通过比较预测值与实际值，总结自回归模型的特点，得出基于该模型的海上风电机组功率预测方法在海上风电场具有实际应用价值和意义这一结论。     

基于PSO的灰色组合预测的气化炉智能控制

针对生物质气化过程是一个具有非线性、非最小相位特征、不稳定性、大时滞和负荷干扰特点的动态过程,提出了一种基于PSO的灰色组合预测的炉温智能算法,首先,利用基于PSO的灰色预测的强自适应性,实时预测炉温变化,保证精确控制,在此基础上对炉温进行控制;同时引入模糊控制算法对气化炉一次风量进行控制,降低可燃气体含氧量。仿真和现场运行结果表明了该方法的有效性和优越性。