基于经验模态分解的非平稳水文序列预测研究

在全球气候变化和人类活动影响下,降雨和径流过程的非平稳特征日趋显化,如何通过有效的方法提高预测精度,准确地预测非平稳时间序列变化,为管理者提供决策支持至关重要。经验模态分解(EMD)是"分解—预测—重构"预测模式中的重要方法之一,通过其与径向基神经网络(RBF)的耦合,构建了改进RBF预测方法,研究了"分解—预测—重构"预测模式对渭河流域降雨(弱趋势)和径流(强趋势)两种非平稳时间序列的预测效果,总结了"分解—预测—重构"模式的适应范围。同时,针对重构过程中高频分量误差偏大的问题,提出了误差控制的改进措施。计算结果显示,RBF神经网络对具有弱趋势的非平稳时间序列(降雨)可获得比较满意的预测效果,平均相对误差为11%,是否分解预测对其预测精度影响不大;而对具有强趋势的非平稳时间序列(径流),RBF神经网络模型的预测效果并不理想,平均相对误差达到54%,而经过分解—预测—重构处理后,平均相对误差可降至30%,基本满足中长期水文预测精度要求。且若实施误差控制,平均相对误差可再减小2%。研究表明,"分解—预测—重构"的处理方法适用于具有强趋势变化的非平稳时间序列,其特点在于可有效分离时间序列中的周期和趋势变化成分,预测中使不同成分得到有效外延。同时,这种处理思路与径流序列基于物理驱动机制的普遍认识较为相符,更有利于开展有关水文过程的扩展性分析。误差控制方法在径流预测中能有效降低高频分量预测误差对整体预测效果的影响,可为其他类似的非平稳时间序列预测提供借鉴。     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用。小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度。本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法。算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度。     

基于小波包和支持向量回归的风速预测

运用小波包变换和支持向量回归相结合的方法对提前1～6h的每10min风速预测进行研究。首先针对风速非平稳、非线性的特点,利用小波包变换将原始风速序列分解成一系列不同变动频率的子序列,再分别对这些子序列用支持向量回归法进行预测,最后将各自输出结果叠加得到最终的预测风速。选择某风电场2组具有不同特点的实测数据作为应用案例,结果表明,通过小波包变换更能把握风速变化规律,支持向量回归法具备较强的学习能力,小波包支持向量回归法优于现有的一些预测方法。     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用.小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度.本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法.算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度.     

基于小波广义回归神经网络耦合模型的月径流预测

针对中长期水文预报方法预测结果精度低的问题,将离散小波变换(DWT)与广义回归神经网络(GRNN)耦合,建立了月径流预测模型。通过DWT处理将原始月径流序列分解重构为确定性成分和随机性成分两个分量,对两个分量的GRNN模型预测结果叠加作为预测值的方法称为WGRNN1模型。将WGRNN1模型与剔除随机序列的GRNN模型(WGRNN2)和不进行离散小波变换的GRNN模型结果进行对比,采用平均绝对误差(MAE)、确定性系数(DC)和相关系数(R)为模型评价指标。将模型应用于黑河干流莺落峡站的月径流预测,结果表明:模型WGRNN2的评价指标优于WGRNN1,且这两个模型预测效果都优于GRNN模型。说明与离散小波变换的耦合可以提高GRNN模型对月径流的预测精度,同时剔除随机成分的小波广义回归神经网络模型有更好的预测效果,可应用于实际生产。     

基于小波分解和深度信念网络的短期风速预测

针对浅层学习模型对风速预测存在较大误差的缺陷,提出一种基于小波变换和深度信念网络(wavelet based deep belief netw ork,WDBN)的风速预测模型。首先利用小波变换将原始风速序列分解成不同的频率序列;然后针对各频率序列,根据逐层训练法则设计深度信念网络模型;最后采用小波反变换对不同频率序列重构,得出最终的风速预测结果。选用某风电场2013年1月和7月的数据对WDBN模型的风速预测进行仿真分析,并与自回归滑动平均法、反向传播神经网络法、Morlet小波神经网络法的预测结果进行对比,结果表明WDBN模型可以更好地学习风速所具有的非线性和非平稳特征,具有较高的预测精度。     

水电机组劣化趋势混合预测模型

提出了一种基于最小二乘曲面、固有时间尺度分解、最大Lyapunov指数预测和灰色预测模型的水电机组劣化趋势混合预测模型。首先,建立了考虑有功功率、工作水头作用的基于最小二乘曲面的水电机组劣化趋势模型。然后,利用固有时间尺度分解方法将水电机组劣化趋势时间序列按不同尺度进行有效分解,使其平稳项和非平稳项分离。其次,对平稳项采用灰色预测模型加以预测,通过对非平稳项的混沌特征研究,发现其具有明显的混沌特征,进而提出了应用最大Lyapunov指数预测模型对非平稳项进行预测。最后,将不同尺度时间序列预测结果进行重构,实现对水电机组劣化趋势时间序列的预测。预测结果表明,该方法具有较好的预测精度,能及时、准确地预测水电机组的劣化趋势。     

基于非参数GARCH的时间序列模型在日前电价预测中的应用

电力市场中电价序列具有较强的波动性、周期性和随机性,以致经常出现价格尖峰,这在很大程度上影响了电价预测的精度。提出了一种基于小波变换和非参数GARCH(generalized auto regressive conditional heteroskedasticity)模型的时间序列模型对日前电价进行预测。利用小波变换将历史电价序列分解重构概貌序列和细节序列,分别建立累积式自回归滑动平均(auto-regressive integrated moving average,ARIMA)模型进行预测,采用非参数GARCH模型对电价序列预测残差的随机波动率进行建模,从而提高对价格波动性的预测能力和ARIMA模型的预测精度。将该模型应用于美国宾夕法尼亚—新泽西—马里兰(Pennsylvania-New Jersey-Maryland,PJM)电力市场的日前电价预测。算例结果表明,非参数GARCH模型可以更好地拟合电价序列剧烈波动的特性,该模型能够提高电价的预测精度。     

基于小波分析的短期电价ARIMA预测方法

电力市场中的电价具有特殊的周期性,以天、周、年为周期波动,且大周期中嵌套小周期.作者提出一种基于小波分析的累积式自回归滑动平均方法(WARIMA)用于短期电价预测,首先利用小波变换能将交织不同频率成份的混合信号分解成不同频带上的块信号的特性,将电价这一随机序列进行小波分解,得到低频上的概貌序列和高频上的细节序列,并在此基础上对各个子电价序列分别利用累积式自回归滑动平均模型(ARIMA)进行预测,然后在电价平稳时段用概貌序列预测结果直接作为电价预测结果,而在电价非平稳时段将各子序列预测结果重构作为最终的预测结果.为了对比分析,将直接使用ARIMA模型的预测结果和采用WARIMA方法的预测结果进行了比较,表明引入小波分析对提高预测精度是有益的.     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列;然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。