基于协整和向量误差修正的轴承剩余寿命预测

针对传统机器学习出现“伪回归”问题,忽视非平稳序列间的长期依赖关系,提出协整理论和向量误差修正模型预测滚 动轴承的性能退化趋势,进而预测其剩余使用寿命(RUL)。 首先从振动信号中提取峭度值、峰峰值和均方根值,并分析其平稳 性。 然后检验 3 种时域特征的协整关系,根据检验结果来建立向量误差修正模型,并对模型进行残差分析,分析结果接近于高 斯白噪声分布,表明模型良好。 最后利用该模型预测轴承性能退化趋势和 RUL,并使用均方根误差(RMSE)、平均百分比误差 (MPE)、平均绝对百分比误差(MAPE)和 Theil 不等系数来定量评估预测结果。 实验结果表明,提出的向量误差修正模型相比 于差分平均移动自回归-卡尔曼滤波模型,具有更高的预测精度,并简化了建模过程。     

基于变结构协整理论的中长期电力负荷预测模型

提出了一种基于变结构协整理论的电力系统负荷预测建模新方法,所建模型反映了用电量和经济参数之间的长期静态和短期动态波动的均衡关系。提出了一种比较符合电力系统实际情况的时间序列突变点确定方法,并利用突变点信息提高了模型的预测精度,避免了传统的负荷预测中经常存在的伪回归问题。采用该方法对中国年度用电量和国内生产总值数据进行了预测分析,结果表明了该方法的有效性。     

基于协整理论和误差修正模型的网投资需求预测研究

电网投资需求预测对于合理安排电网建设资金的投入、减少资金成本等具有十分重要的意义,提出了一种基于协整理论和误差修正模型的电网投资需求预测模型.以某地区1981-2009年的统计数据为基础,通过ADF单位根检验、Johansen协整检验,逐步筛选变量,发现了电网投资与最大用电负荷之间具有长期均衡关系,并建立了2者的长期均...     

基于ARIMAX模型的夏季短期电力负荷预测

夏季城市的短期电力负荷预测不仅与过去的电力负荷数据有关,并且受温度、风力、降水量等因素影响明显,存在明显的突变结构。为了对夏季城市的短期电力负荷进行预测,根据协整理论采用SAS软件建立起电力负荷序列与输入序列"温度"之间的ARIMAX模型,充分挖掘序列的内部自相关信息以及序列与序列之间的相关关系。采取最小信息量准则"AIC-SBC"进行比较可知,ARIMAX模型比经典时间序列ARMA模型的信息量要小,相对误差更小,拟合结果更为精确,在存在突变结构且具有显著影响因素的短期电力负荷预测领域具有很高的应用价值。     

GMDH和变结构协整理论在电力负荷预测中的应用

鉴于未考虑时间序列的非平稳性所得到的拟合方程可能出现"伪回归"而失去准确预测的能力,引入了协整理论与误差修正模型.考虑地区产业结构发生变化将导致地区用电量时间序列发生结构突变,影响平稳性检验结果的可信度,又引入了GMDH理论,自动搜索并确定结构突变点,以改进经典结构突变理论需要事先获知一些重大波动信息等主观性影响.结合上述两点,构建了基于GMDH理论的参数变结构协整模型.算例证明了该模型在电力系统的负荷预测中的适用性以及在处理"伪回归"和"样本数据结构突变"问题方面的有效性.     

GMDH和变结构协整理论在电力负荷预测中的应用

鉴于未考虑时间序列的非平稳性所得到的拟合方程可能出现“伪回归”而失去准确预测的能力,引入了协整理论与误差修正模型。考虑地区产业结构发生变化将导致地区用电量时间序列发生结构突变,影响平稳性检验结果的可信度,又引入了GMDH理论,自动搜索并确定结构突变点,以改进经典结构突变理论需要事先获知一些重大波动信息等主观性影响。结合上述两点,构建了基于GMDH理论的参数变结构协整模型。算例证明了该模型在电力系统的负荷预测中的适用性以及在处理“伪回归”和“样本数据结构突变”问题方面的有效性。     

基于协整-格兰杰因果检验和季节分解的中期负荷预测

近年来,随着国民经济的转型,中国的经济结构发生了较大的变化,仅仅依靠电力负荷历史数据进行负荷电量预测会造成较大的误差。为解决传统负荷预测方法对于经济、气象等因素考虑不足的问题,提出了一种可以计及经济与气象等因素影响的中期负荷电量预测方法。首先利用季节分解将历史月度用电量分解为长期趋势及循环分量、季节分量以及不规则分量;并以计量经济学中的协整检验以及格兰杰因果检验分析经济因素与用电量长期趋势及循环分量的关系,确定影响该部分电量预测的关键性指标;基于电量、气象以及经济数据,对各个分量利用支持向量机分别进行预测并综合得到月度电量总量预测值;最后通过算例分析了方法的有效性与可行性。     

基于支持向量机理论的短期负荷预测

电力系统负荷预测的关键问题在于根据预测对象的历史数据建立相应的数学模型来描述其发展规律.支持向量机理论(SVM)能较好地解决小样本、非线性、高维数和局部极小点等实际问题,并且能够用来建立较为完备的负荷预测模型.研究表明,应用SVM进行电力系统负荷预测,具有精度高、速度快等优点,显著提高了负荷预测的效果.SVM的训练相当...     

吉林省电力消费与经济增长的协整分析

介绍了协整理论的基本原理,运用协整理论对吉林省1978～2010年的电力消费与经济增长之间的关系进行了实证研究,分析结果验证了吉林省电力消费与GDP增长之间存在着长期稳定的均衡关系,建立了吉林省电力消费和GDP之间的协整关系和误差修正模型,通过G ranger因果关系分析发现,吉林省电力消费与经济增长之间只存在单向的因果关系。     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。     

基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究

当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。     

一种基于决策树技术的短期负荷预测算法

提出了一种基于决策树技术的短期电力负荷预测新方法,能有效地考虑非负荷因素对短期负荷预测的影响.文中详细介绍了决策树技术的原理及其在短期负荷预测中的实现方法.实际电力系统应用结果数据表明,该方案能够有效提高短期负荷预测的精度.     

基于平均负荷法预测电力电量

针对目前国内有关电力市场负荷预测方法存在的问题．积极探索某一特有电网的运行规律．提出了在现有条件下通过平均负荷法预测用电量和最大负荷,并将其与数学模型函数预测法相比较,得出其具有采集数据方便、预测准确程度高、耗费时间少等特点。     

基于IFOA-GRNN的短期电力负荷预测方法研究

针对智能用电环境下负荷随机性强、短期电力负荷预测精度差、计算时间长等问题,提出了一种结合改进果蝇优化算法IFOA和广义回归神经网络GRNN的预测方法。模型的输入因子为负荷数据和气象信息等。通过改进果蝇优化算法的搜索距离,增强其搜索能力,优化广义回归神经网络GRNN的平滑因数,提高预测的网络性能和精度。通过仿真验证预测方法的准确性和有效性。结果表明,改进后的方法可以减小预测误差,提高算法的稳定性。该研究为我国电力负荷预测的发展提供了参考和借鉴。     

基于适应性子集度神经网络的电力系统短期负荷预测

依据模糊模式识别、子集度测度理论，提出一种适应性子集度测度神经网络的短期负荷预测的新方法；该方法可在线地学习神经网络的结构和参数，确定连接方式和神经元节点。仿真结果表明：该方法具有预测精度高、速度快的优点，是值得广泛推广的好方法。     

基于XGBoost算法的新型短期负荷预测模型研究

针对目前电网在负荷预测中所采集到的数据普遍存在着特征维度较少;特征关系不明;有效数据量较少的特点,为了提高电网短期负荷预测精度,本文提出一种基于XGBoost算法的新型负荷预测模型。基于XGBoost算法的负荷预测模型采用CART树作为基学习器,输入预处理后的历史负荷和特征数据,通过构建多个弱学习器逐层训练模型并得到模型,最后向模型输入测试集特征得到最终的预测结果。本文所搭建的负荷预测模型具有避免对数据特征的标准化、处理字段缺失的数据、不用关心特征间是否相互依赖、学习效果好的优点。根据真实电网数据实验结果,基于XGBoost算法的负荷预测平均绝对误差百分比下降到3.46%,比本文所对比的基于BP、GRNN、DBN神经网络的负荷模型预测值精度更高,表明本文所提模型的优越性。     

基于系统论的负荷预测集成化方法

提出了一种基于系统论的负荷预测集成化方法，该方法将负荷预测视为一个系统，从系统出发得出“自顶而下”的全新预测思路，从而充分体现了负荷预测系统的整体性、相似性和层次性等特点。该方法集成多种负荷预测方法得出总量预测的结果，并将总量进行具体划分，得到负荷的地理时空分布信息。体现了整体与个体的不同，又体现了个体与个体之间的相似。通过实际工作中的应用，证明了整套方法是可行的和有效的。     

一种基于RAN和专家系统的短期负荷预测方法

结合神经网络和专家库系统对地区电网进行短期负荷预测,利用神经网络的非线性函数逼近能力进行基本负荷预测,在此基础上结合天气专家库系统再进行负荷调整。此方法已用于地区电网负荷预测,预测结果表明此方法是实用有效的,精度满足实用要求。     

A new method for short-term load forecasting based on fractal interpretation and wavelet analysis

Load forecasting based on fractal interpolation is a very important method. However, traditional methods exists several disadvantages such as vertical scale factor difficult to calculate, low-precision, difficult to use. Therefore, a method is proposed combined with self-similarity theory and fractal interpolation theory to solve the above problems. In this paper, the self-similarity of electrical load historical data is analyzed using multi-resolution wavelet firstly, then use the Hurst parameter values to calculate vertical scaling factors in Iterative Function Systems (IFS) based on the values of Hurst parameter. The vertical scaling factors can be used to get the other parameters of IFS affine transformation. Then the electrical load forecasting curve was generated by the iterations system. According to the actual needs of electricity production, this algorithm was used to forecast electrical load from two aspects: fractal interpolation and fractal extrapolation, and the average relative errors are only 2.303% and 2.296%, in the case of only six interpolation points for the entire set of forecast data. The result shows this algorithm has advantages of high-precision, less-sample demands, less-interpolation points and easy to use.     

基于SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果。和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性。仿真结果表明了算法的有效性。