基于小波变换的支持向量机短期负荷预测

提出了一种基于小波分解和支持向量机的短期负荷预测方法.首先利用小波变换把负荷序列分解成不同频段的子序列,对高频序列利用软阀值消噪法去除负荷噪声;对降噪后的负荷序列利用不同的小波进行分解.然后用相匹配的支持向量机模型预测各子序列.仿真结果表明db4小波的预测精度最高,平均绝对预测误差为1.6692%.所得结果同直接用支持向量机预测结果进行比较表明,该方法是有效的.     

基于小波变换的系统边际电价分析与预测

摘要：基于小波变换的系统边际电价(System Marginal Price,SMP)数据分析,根据系统边际电价的特点,建立用于系统边际电价预测的模型。利用小波变换时频局部化功能,将原电价时间序列分解成不同的尺度,对不同尺度上的子序列分别采用人工神经网络和AR模型进行预测,最后将不同尺度预测结果通过小波重构还原,得到系统边际电价预测结果。实例验证表明预测模型能有效提高预测精度,可用于系统边际电价预测。     

基于VMD和TCN的多尺度短期电力负荷预测

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用VMD将电力负荷数据分解为若干个子序列,解决电力负荷数据的非线性和随机性等问题;再利用TCN对若干个序列采用不同时间尺度进行训练;最后利用全连接网络(FC)对各时间尺度的子序列进行融合,实现短期电力负荷预测,提升预测精度。实验结果表明,该方法相较于VMD和改进的长短时记忆网络(LSTM)相结合的传统预测方法,其均方根误差下降40%,曲线拟合程度提升1.1%。     

基于小波和神经网络的供热负荷预测

目的研究供热系统热负荷预测方法,使供热量及时跟随用户需热量进行控制.方法通过分析供热负荷特性及其变化规律,用小波包变换对热负荷序列进行分解,再结合Elman神经网络分别对各序列建立模型,进行单步预测,最后重构各序列,得出热负荷预测序列.结果仿真试验表明,与未采用小波分析的BP、Elman神经网络相比,该方法预测精度较高,跟踪能力强.结论基于小波和神经网络的供热负荷预测方法能较好地跟踪预测用热量,适合于短期供热负荷预测的应用.     

基于EEMD与动态神经网络的短期负荷预测

提出了采用EEMD与动态神经网络络相结合的混合模型进行电力系统短期负荷预测的方法.首先运用EEMD将非平稳的负荷序列分解,然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测,最后对各分量预测结果采用BP网络进行重构得到最终预测结果.仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度.     

基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

准确的负荷预测是电力系统做出合理调度的重要依据.提出基于小波包能量和神经网络理论的短期负荷预测新方法,将负荷序列进行小波包分解,提取小波包能量作为径向基神经网络负荷序列的输入特征量.大量的预测实例分析表明,所提出的预测方法具有稳定性和准确性.     

基于多尺度小波分析的大坝变形自回归预测模型

针对大坝变形监测数据序列一般具有较明显的多尺度特征、年周期性和非平稳趋势性等特点,为克服自回归模型在大坝非平稳性变形预测方面存在的不足,利用多尺度小波分析理论在处理非平稳信号上的优势对变形监测数据序列进行分解和重构,然后对重构的不同尺度下的数据子序列分别建立自回归预测模型(AR模型),最后叠加各尺度下的预测结果,从而将多尺度小波分析与自回归模型有机地结合起来,为大坝变形预测提供了一种新的预测模型,并给出了一个工程实例.研究表明:与传统的单一自回归预测模型相比,该大坝变形预测模型能较大地提高预测精度.     

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机（RWT-SVM）混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差（MAE）计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.     

小波熵及小波变换的短期负荷预报

基于小波分解理论,借助db8小波函数,对历史数据进行尺度为3的静态离散小波变换,并将小波熵引入到电力负荷预报工作中,用于处理电力负荷的历史数据.选取一定小波熵阈值,识别出历史数据中的非正常数据,可以提高负荷预测的准确性.对于各个分解尺度的小波系数分别进行预测,通过小波重构,得到预测值.预测结果表明,这种方法具较高预测精确度及适应性.     

基于EMD-LSTM的时间序列预测方法

工程应用中的时间序列多为非线性、非平稳序列,直接对其进行预测难度较大.本研究通过经验模态分解算法将原始时间序列分解为多个相对平稳,并具有不同特征尺度的本征模态函数及趋势项,在一定程度上降低时间序列的复杂程度;同时,在预测过程中,针对递归神经网络模型难以训练及梯度消失等问题,引入长短期记忆网络算法.利用长短期记忆网络算法对分解的本征模态函数分量及趋势项进行分别预测,叠加预测结果得到最终预测结果.以中国北京市PM_(2.5)浓度为例进行预测分析,并将本预测算法与单一预测算法进行比较,结果表明,所提方法具有更高的模型预测精度,达到预测要求.     

马特拉算法在遥测数据短期预测中的应用

为了提高遥测数据预测的精度和实时性,针对遥测数据的非平稳性和周期性特点,引入小波分析的预测技术,提出了一种对遥测数据序列进行不同频段上的分解方法:遥测数据时间序列依据选定的N阶多贝西小波和分解尺度值2分解为低频分量和高频分量,针对不同分量建立了基于马特拉算法、周期自回归模型和指数平滑法的时间序列短期预测模型,各分量预测结果经小波变换的逆算法重构后输出.仿真实验结果表明该方法满足遥测数据工程预测要求,能够有效地解决遥测数据的短期预测问题.通过对遥测数据短期预测结果的研究分析可提前判断卫星潜在的趋势,为指挥人员的正确决策提供科学依据.     

基于小波系数和BP神经网络的电力系统短期负荷预测

提出了一种基于小波系数和BP神经网络相结合的电力系统短期负荷预测新方法。把过去直接对负荷序列的预测替代为对小波系数的预测,并对小波细节系数作分层软阈值处理。详细介绍了小波系数结合BP神经网络进行预测的新方法,并给出算例验证。     

基于多尺度小波分解和时间序列法的风电场风速预测

针对目前风电场风速预测精度较低的问题,提出一种基于多尺度小波分解和时间序列法的混合风速预测模型,通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列,然后把分解后的各层序列重构回原尺度,再应用自回归滑动平均模型对平稳时间序列进行预测,最后通过叠加合成得出原始风速序列的预测值。同时在验证时间序列模型有效性与模型选优过程中,采用基于贝叶斯理论的SBC定阶准则,改善了以往模型定阶准则的收敛特性。在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析,结果表明,本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。     

基于WT和MGFPE混合模式的船舶横摇运动长期预测

为了获得横摇运动在不同时间尺度下的演变规律,提出了利用小波变换和均生函数周期外推混合模式进行船舶横摇运动非线性时间序列长期预测的方法.该方法通过小波变换对横摇运动时间序列进行多分辨率分析,将原序列分解为多个相对简单的准周期信号,信号的趋势项、周期项和随机项被分离出来,然后采用均生函数周期外推预报模式对这些准周期信号进行预报和集成.仿真结果表明,此方法能有效地提高预报长度,并能获得较高的建模及预报精度,该方法亦可用于其他非线性时间序列长期预测.     

基于小波-单神经元组合模型的电力系统负荷预测

小波分析是一种新兴的数学工具,它能任意地提取负荷序列的细节.通过使用小波分析,可以在任何水平上分析负荷序列,它对信息成分采取逐渐精细的时域与频域处理,尤其对突发与短时的信息分析具有明显的优势.为了将小波分析用于负荷预测,提出了一种基于小波分解和单神经元的电力系统负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列...     

基于Morlet小波变换模拟实现的机械振动故障诊断

为了对机械振动故障进行实时诊断,提出了基于开关电流技术的Morlet小波变换的模拟实现方法。利用开关电流电路构造高斯函数发生器,解决了Morlet小波变换模拟实现的关键问题,其良好性能得到了仿真结果的证实。将Morlet小波变换应用到机械振动故障诊断中,根据对振动信号小波变换的模极值点来定位奇异信号,提取出故障信息。仿真结果表明了该方法对机械振动故障实时诊断的有效性。     

基于整数小波系数的纹理图像检索方法研究

提出了一种用整数小波系数检索纹理图像的方法，纹理图像的主要特征表现在细节部分，而高频部分的小波系数体现了图像的细节，所以从这些小波系数中提取的特征，能够表征纹理图像的主要特性；实验结果表明，用该方法检索纹理图像，能够达到较好的检索效果，并且对亮度不敏感，这一特点是传统的纹理分析方法难以达到的。     

基于小波子空间集成的人脸识别

基于小波变换的人脸识别方法通常选用低频子图进行人脸识别,这样会丢失其他子段图像中的识别信息。针对这一问题,提出了两种小波子空间集成人脸识别方法并与其他相关方法进行了实验比较。第1种方法集成每1层小波低频子空间图像进行人脸识别;第2种方法首先对人脸图像做L层小波分解,然后对每1层的3个高频子空间图像求平均,连同每层的1个低频子空间图像得到L个小波子空间图像,最后集成这L个小波子空间图像进行人脸识别。本文提出的方法充分利用了不同频率小波子段图像的识别信息,能够提高人脸识别的精度。在ORL、YALE和JAFFE 3个人脸数据库上的实验结果显示,本文提出的方法特别是方法2在识别精度方面都优于其他方法。     

A new real-time algorithm of wavelet transform for detection of sudden-changing signals of power systems

With a complex wavelet function, a new real-time recursive algorithm of wavelet transform (WT) is analyzed in detail. Compared with the existing recursive algorithm in two directions, the computing time is greatly redueed in response to faults signals in power systems, and the same recursive algorithm can be generalized to other wavelet functions. With the phases and magnitudes of complex WT coefficients under the fast recursive algorithm, a method to detect faults signals of power systems is presented. Lastly, the analyzing results of some signals show that it is effective and practical for the complex wavelet and its real-time recursive algorithm to detect faults of power systems.