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ARIMA-ANN的大坝安全监控模型

坝体的变形能反映建筑物的运行状况,受各种复杂因素影响,坝体变形监测数据是一个不平稳的时间序列.基于传统时间序列不能解决非平稳数据,使用自回归求和滑动平均序列建立模型,结合工程实例进行坝体变形监测数据的拟合与预测,并用BP神经网络进行误差预测,得到最终预测值.经过实际大坝的数据建模检验,建模方法可行,预测结果精度高,在大坝安全监测中具有较好的实用性.     

基于WA-ABC-WLSSVR的南美白对虾工厂化育苗溶解氧预测模型

为解决传统方法水质预测精度低、鲁棒性差等问题,提出了基于小波分析(WA)、人工蜂群(ABC)优化加权最小二乘支持向量回归机(WLSSVR)的工厂化育苗溶解氧组合预测模型(WA-ABC-WLSSVR模型).该模型采用小波分析对原始非平稳溶解氧时间序列数据进行多尺度特征提取,通过加权最小二乘支持向量回归机对不同尺度下的溶解氧数据子序列分别建模,利用改进人工蜂群优化算法(ABC)对各分量序列WLSSVR模型参数进行组合优化,最后叠加各尺度下的预测结果.运用该模型对工厂化育苗溶解氧进行预测,并与BPNN、标准LSSVR、WAACO-LSSVR、WA-PSO-LSSVR等模型对比分析,结果表明,该溶解氧预测模型具有较高的预测精度和泛化能力.     

基于小波的Web流量组合预测方法研究

为了提高Web流量的预测精度，提出一种基于小波、神经网络和自回归的组合预测方法．首先将Web流量构造为2个相关序列：历史序列和相似值序列；对具有平稳特征的相似值序列用AR模型进行预测；对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后，针对各分支特点分别采用神经网络和自回归模型预测；最后组合2条序列的预测结果获得最终预测值．理论分析与实验表明：组合预测方法可以充分利用与流量相关的多种数据关系；小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列．因而所建方法比传统的预测方法具有更高的预测精度．     

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Morlet-SVR和ARIMA组合模型的网络流量预测

针对网络流量的非线性和多维度动力学特性,结合小波多尺度分析的能力,提出了基于Morlet小波核函数的支持向量机回归算法（Morlet-SVR）和自回归积分滑动平均模型（ARIMA）的组合模型预测网络流量.采用Morlet-SVR和ARIMA分别预测通过Mallat小波分解和单支重构得到的近似信号和多尺度细节信号,最后通过线性叠加得到最终预测结果.通过仿真实验分别对比分析了基于径向基核函数的支持向量机回归算法和ARIMA预测模型,通过3种误差评估得知该组合模型具有更高的预测精度.     

基于卡尔曼滤波的GM(1,1)-AR预测模型在变形预测中的应用

针对变形监测数据的随机不确定性规律,将卡尔曼滤波引入以消除随机扰动误差,利用GM(1,1)模型能直接处理非平稳时间序列且拟合时间序列中的趋势项功能强大这一优势,将灰色理论与时间序列分析法相结合形成非线性组合模型,对变形监测数据进行分析预测,并将该预测模型用于建筑物变形工程实例进行分析。对模型检验表明:基于卡尔曼滤波的GM(1,1)-AR模型的预测结果与其他预测模型相比,平均残差和残差的方差均有所减小,且具备较高的精度,对了解建筑物变形的发展趋势以及研究建筑物变形情况及稳定性具有一定的参考价值。     

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.     

基于小波变换集成模型预测径流水位的研究

为获得更精确的径流-水位预报结果,利用Dmey小波变换将水位时间序列分解为高频信号和低频信号,再使用均生函数-最优子集回归对其进行预测,最后利用Dmey小波逆变进行重构,以此建立水位预测模型.通过对柳江历年水位进行实例分析,并与均生函数最优子集回归模型、逐步回归模型对比.研究结果表明,该模型能充分反映水位时间序列趋势,预报稳定性好,预报准确率高,为径流-水位时间序列预测提供一个有效建模方法.     

基于小波分析和量子遗传算法的大坝位移预测模型

提出了一种基于小波分析与改进支持向量机的大坝位移预测模型。大坝位移的原始监测信号的一维向量经小波去噪、分解后,依次对分解各层次建立SVM预测模型,并基于量子遗传算法对SVM参数寻优,小波重构模型结果,求得大坝位移预测结果。实例分析表明,该方法较传统SVM方法,预测结果更精确。     

基于小波和神经网络拱坝变形预测的组合模型研究

传统方法只能近似地描述拱坝变形与各影响因子之间的关系.文章以小波变换提取影响大坝变形的主要影响因子———温度与水位的有效信息和大坝变形信息一起作为输入,实测变形值作为输出,通过对模型的合理优化和有效的数据处理,成功建立了拱坝变形的BP监控预测分析网络模型.通过模型的运算,得出了满意的结果,并且模型的预测精度较高.     

基于递阶对角神经网络的大坝变形预报模型

针对大坝工作条件复杂,影响因素繁多,致使现有监控模型预报精度偏差过大问题,基于递阶对角神经网络能够逼近任意非线性函数的特点,使用串并联模型辨识器,采用动态BP学习算法,以水压、温度和时效因子为输入量,坝体位移为输出量,结合工程实例提出了大坝变形监测的递阶对角神经网络模型,并将该模型用于坝体变形数据的拟合分析及其预测预报.研究表明,该网络不仅收敛速度快,提高了算法的效率,而且对实测数据具有较好的拟合效果,提高了预报精度,在大坝安全预测分析中具有有效性和优越性.     

基于监测时序分解再重构的混凝土拱坝位移预测组合模型

针对混凝土拱坝变形机理的复杂性与测值的高度非线性,为提升模型的预测能力,提出了一种融合残差有效成分的混凝土拱坝变形预测组合模型。鉴于统计模型无法有效联系筑坝材料性能演变对大坝变形的影响,结合有限元方法计算水压分量进而构建混合模型;同时,考虑到混合模型残差序列的混沌与周期性特征,应用集合经验模式分解(EEMD)将其解构为具有不同时域特征的本征模态分量,进一步综合粒子群优化的极限学习机(PSO-ELM)和季节性差分自回归积分滑动平均模型(SARIMA)模型对所解构的高频与低频信号分别建模预测,据此构建了变形组合预测模型。工程实例分析表明,较常规监控模型,所建组合模型拟合与预测能力更优,有效验证了所建模型的合理性与可行性,可为大坝变形监测数据分析与预测提供新的技术支撑。     

小波回归分析法在短期电力系统负荷预测中的应用

利用多分辨分析的小波变换对短期电力负荷序列进行了分解处理.将负荷序列投影到不同的尺度上,根据其在各尺度上子序列的特性分别进行回归预测.最后将预测结果叠加,得到最佳预测结果.结果表明,该方法能够取得较好的预测精确度.     

分形-混沌混合预测模型在大坝安全监测中的应用

如果能针对大坝监测效应量测值序列建立一种不依赖于环境因子,而又综合考虑序列中蕴含的确定性分量和混沌分量的模型,则可以解决常规统计模型由于模型因子选择不当和环境量观测误差引起的模型失真问题.在对确定性分量、混沌分量和随机性分量可预测性分析的基础上,首先利用分形插值算法建立效应量确定性分量预测模型,然后对实测数据和确定性分量预测结果间的误差序列通过相空间重构建立混沌分量预报模型,再以二者叠加组成最终混合预测模型.计算实例表明,在不依赖于环境因子的情况下,该模型比常规统计模型有更高的预测精度.     

分形-混沌混合预测模型在大坝安全监测中的应用

如果能针对大坝监测效应量测值序列建立一种不依赖于环境网子,而又综合考虑序列中蕴含的确定性分量和混沌分量的模型,则可以解决常规统计模型由于模型因子选择不当和环境量观测误差引起的模型失真问题．在对确定性分量、混沌分量和随机性分量可预测性分析的基础上,首先利用分形插值算法建立效应量确定性分量预测模型,然后对实测数据和确定性分量预测结果问的误差序列通过相空间重构建立混沌分量预报模型,再以二者叠加组成最终混合预测模型．计算实例表明,在不依赖于环境因子的情况下,该模型比常规统计模型有更高的预测精度．