基于相关度的忙时话务量加权一阶局域预测模型

为了改善加权一阶局域预测模型的预测精度,提出衡量相点间相关性的相关度函数。利用相关度函数确定预测中心点的参考邻域,并将相关度的大小以加权的方式作用于加权一阶局域预测模型,进而推导出辨识加权一阶局域预测模型参数的算法。最后将预测模型用于忙时话务量的预测中,结果表明,该模型有效地提高了忙时话务量的预测精度,验证了相关度函数衡量相点间相关性的有效性。     

混沌时间序列局域偏最小二乘回归多步预测模型

针对混沌序列局域一阶多步预测问题,提出了基于偏最小二乘回归的混沌时间序列局域直接多步预测模型,偏最小二乘用于混沌时序重构相空间中演化轨迹前后相点信息间的建模。该模型克服了以往一阶局域单步预测模型进行多步预测时存在的误差累积,而且能抑制重构相空间中多重共线性的影响,提高了预测精度。试验中使用交叉验证方法将偏最小二乘的提取成分数。通过对Chen’s混沌序列和Mackey-Glass混沌序列的多步预测试验,验证了该模型在混沌时序预测方面具有很好的效果。     

基于混沌时间序列的短期电力负荷预测

针对电力系统负荷的复杂性及非线性,提出了结合混沌的思想,充分利用数据信息,在重构相空间的基础上对负荷进行预测.结合混沌理论,采用加权一阶局域法建立了电力负荷预测模型,并进行了实际预测,取得了满意的结果.     

基于GSABO-BP和Bootstrap的电力负荷区间预测

针对电力负荷序列波动性强、预测精度低的问题,提出一种基于GSABO-BP模型和Bootstrap的电力负荷区间预测方法。首先提出一种改进的减法优化算法（GSABO）,在保留减法优化算法（SABO）良好的收敛性基础上,融合黄金正弦算法（Gold-SA）来提升其搜索能力;然后,利用所提方法对BP神经网络的权值和阈值进行寻优,构建GSABO-BP预测模型,对电力负荷进行点预测;最后,采用Bootstrap方法分析电力负荷功率预测误差,结合点预测结果确定输出结果的波动区间。经仿真测试,所提方法寻优能力强、鲁棒性好;且相比于其他算法,该方法的预测精度、区间可靠性、区间宽度等均有显著提升。综合点预测和区间预测效果可知,二者结合有助于准确评估预测误差,具有较高的实际应用价值。     

混沌时间序列预测的改进型加权一阶局域法

提出了一种用于混沌时间序列预测的改进型加权一阶局域法.用衰减系数对分维指数加权一阶局域法的向量距离公式进行修正,调节邻近点与中心点的相关性,也调节了同一邻近点的各个分量和中心点的最后一个分量的关联程度.利用该方法对Logistic混沌时间序列进行预测的结果表明,衰减系数取最佳值时,相对于现有算法,该方法可以更精确地预测...     

考虑概率区间的微电网短期负荷多目标预测方法

微电网负荷随机性强、波动大,负荷单点预测已经难以满足微电网稳定运行需要.提出一种考虑概率区间的微电网短期负荷多目标预测方法,以循环神经网络为预测模型,以逼近理想解排序策略、网格筛选策略对基本多目标人工蜂群算法进行改进,优化循环神经网络的权值和阈值,避免单目标区间预测中惩罚系数难以选择的问题,对历史负荷数据进行记忆并修正预测结果,有效提高微电网短期负荷区间预测准确性与可靠性.仿真结果表明,本文所构建的考虑概率区间的微电网短期负荷多目标预测方法,预测性能优越、结果准确,可为微电网安全经济调度提供决策依据.     

基于粒子滤波的混沌时间序列局域多步预测

对混沌时间序列进行预测研究具有重要的价值和实用性,例如,进行股票预测,降雨量预测,温度预测。混沌时间序列预测的难点在于其不确定性和多步预测的困难性。一般利用最小二乘法求解模型参数,从而对混沌时间序列进行局域预测,但是预测精度不是很高。为了提高局域线性预测的精度,提出基于粒子滤波(PF)的混沌时间序列局域多步预测法,利用粒子滤波进行参数优化得到更准确的优化模型进行多步预测。仿真实验结果表明,该方法的单步和多步预测效果明显得到了提升。     

基于EMD与加权一阶局域法变压器振动信号预测

针对变压器振动信号呈现非平稳、非线性的特点,提出将经验模式分解(EMD)与加权一阶局域法相结合,实现对变压器振动信号的趋势预测。首先,将现场采集到的振动信号进行经验模式分解,然后应用相空间重构理论,确定合适的时间延迟和嵌入维数对各固有模式函数进行相空间重构。随后采用加权一阶局域法对振动信号各分量进行预测、合并。实验结果表明,该方法能够准确预测变压器振动信号变化趋势,可对变压器运行状态进行有效的监测。     

基于PSO?BP神经网络的短期负荷预测算法

提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结构,并针对BP神经网络容易陷入局部极小值的缺点,采用PSO算法确定网络训练初始权值。然后,设计一种基于PSO?BP神经网络的短期负荷预测算法,包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO?BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误差（MAE）小于1%。     

应用混沌理论对煤矿瓦斯浓度预测

利用混沌时间序列短期可以预测的特点,构建煤矿瓦斯浓度预测模型,重构煤矿瓦斯浓度相空间,采用改进的C-C算法确定相空间时延t和相空间嵌入维数m。然后在重构相空间中,运用加权一阶局域法构建煤矿瓦斯浓度的预测模型,进行煤矿瓦斯浓度预测。