考虑时间影响的神经网络组合模型对心墙堆石坝变形的预测研究

大坝变形通常是由于多种复杂耦合因素而致,并且是具有高度的灰色性和模糊性的不确定性系统。由于多因素影响下的大坝变形问题没有确定性数学物理关系公式解决,而组合模型能够充分利用各子模型的有用信息,较单一模型更能够反映大坝变形的复杂性和不确定性,是更为科学预测分析大坝变形的方法。目前国内外学者缺乏对于大坝变形的组合预测模型的研究并且没有考虑时间因素对组合模型权重影响;针对此问题,本文以灰色模糊模型(ANFIS-GM模型)和遗传神经网络模型(GA-BP模型)作为子模型,采用考虑时间影响的神经网络模型作为组合模型权重的求解方法,对大坝变形进行预测。通过西南某心墙堆石坝的实例分析表明:该模型能综合其子模型的优势,获得更高的精度,同时也比未考虑时间影响的最小误差平方和组合模型具有更高的精度,它比最小预测误差平方和组合模型精度平均高10.50 mm。     

基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。     

超高压输电线可听噪声预测方法研究

为了研究输电线的可听噪声,本文建立了灰色理论、径向基函数(RBF)神经网络、灰色RBF神经网络和小波神经网络四种预测模型,并分析了每种方法的特点。每种预测模型都考虑了影响输电线路可听噪声的环境、地理位置、导线、线路结构参数等14个因素。结合实例,利用各种方法对输电线可听噪声进行了预测。利用灰色理论进行预测时,首先通过灰色关联分析计算了每个因素的关联度,然后选择灰关联度大于0.8404的6个因素建立了GM(1,7)预测模型。通过计算分析,灰色预测的结果最差,嵌入型灰色RBF神经网络和小波神经网络的预测精度较高,其平均相对误差分别为2.222%和2.853%,因此它们可以用来预测输电线的可听噪声。组合预测方法的预测精度比单一预测方法的精度好,并且组合的方法可以提高预测的稳定性。     

基于最优权系数的风电功率组合预测方法

风电功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于最优权系数的风电功率短期预测组合方法,该方法将ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单一预测模型进行综合,并根据预测误差信息矩阵,以误差平方和最小为原则得到组合预测模型中的最优权系数,以此构成组合预测模型,该模型能够有效地综合各单一预测模型的优势,降低预测风险。仿真实例表明:所提组合预测模型预测精度高,能够方便快速地确定最优权重系数值,降低预测误差。     

耦合时序特征分解筛选的大坝变形分析模型

高精度的变形预测对大坝安全运行和长期维护具有重要意义。针对当下方法预测精度低、数据信息挖掘不充分的问题,通过将变形序列进行变分模态分解,构建大坝变形影响因子与分量之间的关系,进而搭建不同结构参数的长短期记忆神经网络,最终提出了一种大坝变形分析模型。该模型综合灰狼算法、最小能量误差标准、最小冗余最大相关性方法等策略,从前端分解、信息提取和时序预测三方面对模型进行了改进,实现了最优化建模。实例分析表明,相较于常规监控模型,所提出的变形分析模型能够准确模拟坝体形变过程,具有较高的预测精度和泛化性能,可以为大坝变形安全分析提供参考。     

关联分析在电力负荷灰色神经网络预测中的应用

针对电力负荷预测序列存在随机增长特性和非线性波动性,灰色神经网络模型能够有效地反映序列增长特性和对非线性关系进行拟合.引入灰色关联度作为确定组合预测权重的依据,以序列整体拟合优化为目标,从而找到能够代表序列内在变化规律性的组合权重,使总体预测精度得到提高.     

优化系数的NGM(1,1,k)模型在中长期电量预测中的应用

NGM(1,1,k)灰色模型预测电力系统中长期电量的精度较低,考虑增加一修正量对模型系数进行修正。按照拟合值与真实值的误差平方和最小来求解此修正量,并结合缓冲算子对原始电量数据进行处理,建立了优化系数的灰色电量预测模型。将改进灰色模型应用于两个地区的中长期电量预测中,预测结果表明,优化的灰色模型有效地提高了预测精度。     

最优加权几何平均组合预测在短期电价预测中的应用

准确的短期电价预测可为市场参与者的竞价策略提供指导,直接影响着参与者的利益。针对电价预测的精确度问题,引入了最优加权几何平均组合预测方法,它综合利用了二次指数平滑、自适应模糊神经网络和修正的灰色模型三种方法提供的有用信息,并且该组合预测模型的误差平方和小于各单一预测方法的误差平方和,因此进一步提高了预测结果的准确性。最后用算例验证了该组合预测方法的可行性。     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

基于组合预测模型的变压器油中溶解气体质量浓度的预测

为了对变压器油中溶解气体质量浓度进行准确预测,提出将BP神经网络、灰色理论和线性回归预测算法进行综合,采用最优加权组合预测模型,对油中溶解气体质量浓度的发展趋势进行预测.该方法先对这3种单项预测方法根据各自的预测误差,按照预测误差平方和最小的原则计算各自的权重,然后加权综合建立最优组合预测模型,再计算出变压器油中溶解气...     

联合时序分解和深度学习的高土石坝变形预测北大核心CSCD

针对高土石坝变形监测时间序列复杂的非线性、非平稳性等特点,提出了一种沉降变形预测的组合方法,可更好兼顾土石坝变形的长期发展趋势和波动特性。利用基于局部加权回归的季节性趋势分解法将变形监测历史数据分为趋势、周期和残差分量;采用长短期记忆神经网络模型分别学习趋势、周期和残差序列趋势特征并预测,汇总各分量预测结果得到大坝位移的预测值。为定量评价和比较预测结果,引入三个评价指标,并将预测结果与季节性差分自回归滑动平均模型、长短时记忆神经网络模型及其组合模型的预测结果进行对比分析。本文联合时序分解和深度学习的组合模型具有更高的预测精度和较好的稳定性,能够较好体现土石坝变形的长期趋势和随水位的波动特性。     

基于ARIMA-SVM模型的微电网短期负荷组合预测研究

在对比分析微电网负荷特性与传统电力负荷特性的基础上,针对微电网负荷不确定性和波动性强的特点,提出了一种基于预测误差指标的最优组合预测方法进行微电网短期负荷预测。方法中结合了自回归积分移动平均法和支持向量机模型的优点,以两种预测方法误差绝对值和最小为目标,分析确定预测方法在组合模型中的权重,进而得到组合预测中的最优权重组合。研究表明,与方差倒数法组合预测模型所得结果相比,该组合预测方法具有更高的预测精度,能满足实际要求。     

基于改进灰色神经网络组合模型的光伏电站短期出力预测

针对单一灰色模型和神经网络模型自身的缺陷对传统灰色神经网络组合模型预测精度的影响问题,提出一种基于改进的灰色神经网络组合模型的光伏电站短期出力预测方法。通过把历史日最高和最低气温以及功率数据作为输入,将改进后的单一灰色模型和神经网络模型进行串联组合。采用粒子群优化算法对该组合模型的权值和阈值进行优化,得到改进的灰色神经网络组合模型,可实现提前一天功率预测。某光伏电站群的实测数据验证了该预测方法能够有效提高预测精度。     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中,根据非线性大坝变形时间序列,运用相空间重构理论,建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型,对混沌的大坝变形数据短期预测模型进行了研究,对比分析了各自的特点,并结合实例完成了对大坝变形的预测。计算分析表明,该模型预测误差较小,与传统的自回归模型预测结果相比,基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型.组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测.仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模.     

基于递归等权组合模型的中长期电力负荷预测

针对电力负荷预测中单一模型不能充分利用数据信息和对其内在规律考虑不完全的问题,文中采用基于递归等权的组合预测模型,通过灰色关联度法对多个单一模型进行筛选,并确定参与组合的模型。再由递归等权法实现了对参与组合的各单一模型的变权重处理,有效地考虑各单一模型的预测好坏的变化。最后,通过对某地区最大负荷进行预测,对比单一模型与递归等权组合预测模型的预测误差。结果表明,递归等权组合预测模型比各单一预测模型的误差都小,从而验证了该模型能有效提高电力系统负荷预测能力,其精度高、结果可靠。     

基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解（VMD）、改进麻雀搜索算法（ISSA）和门控循环神经网络（GRU）的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明：VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.211 8 MW、1.890 0及1.591 6 MW;相较于传统的GRU、长短时记忆（LSTM）神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题     

基于LS-SVM和GM的球磨机料位动态软测量

提出了一种基于最小二乘支持向量机(LS-SVM)和灰色模型(GM)的钢球磨煤机料位动态软测量方法,分析了料位的影响因素,确定了软测量模型的辅助变量;基于LS-SVM建立料位软测量静态模型,将静态模型测量结果与实际值比较,获得测量误差时间序列,并采用GM对其建模和预测;将预测的误差结果与静态模型输出进行叠加,实现对测量结果的动态校正。实际应用结果表明,该方法能够有效地反映料位的变化趋势和动态特性,比单纯LS-SVM模型测量具有更高的精度和适用性。     

基于LSGSVM和GM的球磨机料位动态软测量

提出了一种基于最小二乘支持向量机(LS-SVM)和灰色模型(GM)的钢球磨煤机料位动态软测量方法,分析了料位的影响因素,确定了软测量模型的辅助变量;基于 LS-SVM建立料位软测量静态模型,将静态模型测量结果与实际值比较,获得测量误差时间序列,并采用GM对其建模和预测;将预测的误差结果与静态模型输出进行叠加,实现对测量结果的动态校正。实际应用结果表明,该方法能够有效地反映料位的变化趋势和动态特性,比单纯 LS-SVM模型测量具有更高的精度和适用性。