基于原子稀疏分解和混沌理论的风电功率超短期多步预测

为提升大规模风电场风电功率超短期预测精度,减少由风电功率大幅度波动对电力系统带来的不利影响,提出一种基于原子稀疏分解(Atomic Sparse Decomposition,ASD)和混沌理论的风电功率超短期多步预测模型.首先,利用ASD良好的序列趋势跟踪特性,将风电功率时间序列分解成多个原子趋势分量和一个残差随机分量;其次分别利用自适应预测法和混沌理论对两分量进行超短期预测;最后,将两分量的预测结果叠加,得到最终的风电功率预测结果.选取我国东北某区域风电功率数据为例,算例结果表明,相较于传统预测模型,本文的预测方法能够有效地提升大规模风电场风电功率超短期预测精度.     

评估系统在短期负荷预测模型中的应用

目前的短期负荷预测大多采用组合预测方法,组合预测模型的优点是将多个电力系统负荷预测模型有机的结合起来,深入地研究了该方法的实现和应用原理,提出进一步放宽组合预测模型权重不等式约束的条件,并给出理论根据,应用评估系统理论确定了各个时间点的组合预测模型的权值取值.     

基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

基于神经网络建模的预测控制

预测控制具有多步预测、滚动优化和在线自适应校正等优点。文中提出了用神经网络方法建立预测模型, 将其应用到了润滑油溶剂脱蜡过程并取得了有效的仿真结果     

基于神经网络最优组合预测在电力负荷预测中的应用

为提高负荷预测的准确性,引入了最优组合预测模型,使几个电力负荷预测模型有机地结合起来.针对最优组合预测模型权重分配时出现的负权重问题,建立了基于神经网络的最优组合预测模型,通过实例论证,该模型具有较高的预测精度.     

基于神经网络的一种组合预测的构建与应用

以长春一汽集团的汽车生产总量为研究对象,分别构建了回归分析、灰色预测和神经网络三个预测模型,并在此基础之上,借助神经网络对三个模型进行了组合,构造了一种新的组合预测模型.通过对几种模型的分析比较,得出这种组合预测具有很高的预测精度.而且,预测表明组合模型比单一模型的预测更加稳健.     

基于支持向量机的交通流组合预测模型

根据天津市某路口的历史数据,采用目前流行的历史平均模型、RBF神经网络、灰色预测法分别建立了天津市某路口交通流量的单项预测模型,然后利用支持向量机模型对多个单项预测模型结果进行了组合预测,以作为其最终的预测值.计算结果表明,采用非线性组合方法比采用单一预测方法的预测精度有了进一步的提高,比较适合交通流预测.     

最优组合预测模型在成都私家车数量预测中的应用

建立一个以预测误差平方和达到最小为准则的正权重组合预测模型.以成都私家车数量预测为例,分别采用灰色预测模型、指数模型、一次函数模型、二次函数模型、三次函数模型做单项预测.通过组合预测,得到更高精度的预测结果.以最优组合预测模型预测成都市在2009年的私家车数量,并与实际值进行比较,对比分析计算误差.同时也运用组合预测法对2010年成都私家车数量进行了预测.     

非平均权重条件下电力负荷组合预测模型研究

在对电力负荷进行预测过程中,单一的预测模型往往会出现拟合能力低和预测精度不高的缺陷,而且多个预测模型的简单组合也是一种相对粗略的预测方法。本文将非平均权重法运用于电力负荷组合预测模型中,以某省2000~2011年电力负荷为例,结果表明非平均权重的电力负荷组合预测模型的拟合方差比单项预测模型以及平均权重下的组合预测模型都小,而且预测精度更高。     

基于动态熵权的短期风速组合预测

为了提高风电场风速预测的准确性,将不同预测方法的权重推广到权重序列,生成权重矩阵,同时采用新的预测误差更新权重矩阵,获得所需模型.建立三种单一预测模型,统计它们十天的预测误差,获得误差序列,在此基础上,提出动态熵权法.采用熵权法确定各单一预测模型在96个预测时刻的权值,并根据新的24小时预测误差更新误差序列和权重矩阵,从而获得动态组合预测模型.结果表明,动态组合预测模型的整体误差指标比单一预测模型较小,预测精度显然增高,证明了所建模型有效且实用.     

基于多频优化组合模型的我国大豆期货价格预测

针对ARIMA、BPNN、LSTM等单一模型在预测大豆期货价格时因不能同时捕获到原始序列中线性和非线性变化特征而导致的预测精度不高的问题,提出基于完全自适应噪声集合经验模态分解(CEEMDAN)的多频优化组合模型,并利用大豆的日期货收盘价数据对多频优化组合模型的有效性进行了实证分析.结果表明,多频优化组合模型在大豆期货价格预测精度上优于BPNN、LSTM等单一模型,以及EMD-BPNN、CEEMDAN-LSTM(未重构)等组合模型,因此该模型在预测大豆期货价格走势中具有良好的参考价值.     

农村电网规划中负荷总量预测的研究

根据农网负荷的特点,构造了中期负荷预测的流程图,考虑采用确定性预测方法中的多元线性回归模型(或逐步回归模型)和不确定性预测方法中的灰色模型来进行预测,然后进行综合分析,得到负荷序列的最终预测结果.     

数字长江流域高性能洪水预报系统框架

针对长江流域河流健康发展涉及的水资源配置、洪水致灾、灾害分析与评估、洪水预测预报等难题,结合长江流域自身特性,构建数字长江流域高性能洪水预报系统的总体框架,分析预报系统需要解决的关键科学技术问题,阐述预报系统的技术路线,介绍预报系统的结构、重要的数学模型以及运行流程.依据这一基本框架构筑的长江流域洪水预报系统,能够为制订适应长江防洪新形势的防洪战略、防洪规划及有效的防洪减灾对策提供科学依据和技术保障.     

考虑气象因子的城市日用水量预测模型

讨论了影响城市用水量变化的气象因素,对某市6个月的用水量及气象数据进行分析,评估了温度、湿度、降水量与城市用水量的相关程度,并通过分别引入单气象因子和多气象因子,建立了日用水量预测的ARX模型.结果表明,在单步长(1 d)预测中,综合考虑最高温度和平均湿度的影响后,预测精度较时间序列的自回归模型有较大改进,同时也优于仅考虑单气象因子的预测模型.此外,在多步长的预测中,考虑气象因子后的预测模型精度仍具有明显的优势,是对用水量自回归时间序列预测方法的有效完善.     

基于GMDH的中长期电力负荷组合预测模型

组合负荷预测模型能够充分利用数据信息,有效降低预测风险、改善预测效果,在中长期负荷预测中获得了广泛应用。而目前的组合预测模型实质大都为单一预测模型的加权平均,没有能够充分发挥综合预测的优势.应用数据分组处理方法（GMDH）进行组合预测,在充分考虑各单一模型特点和预测效果的基础上,形成多元非线性组合预测模型,自动从数据中挖掘出重要信息,克服了传统组合预测模型建模中的主观因素影响,可以改善预测精度。并将该预测模型应用于实际电网,计算结果表明该模型有效提高了预测精度,适用于中长期负荷预测.     

大型供水工程预报调度模型系统研究

建立了大型供水工程预报调度模型系统,包括由ＧＭ（１,１）,ＡＲＭＡ（２ｎ,２ｎ－１）等模型组成的来用水年、月、旬组合预报模型,水源水库和供水区水库自优化模拟调度模型及水库余留库容模糊决策模型等;提出了水库余留库容模糊决策方法．经实例验证计算,表明该模型系统是可行的．     

混沌神经网络综合法在边坡位移预测中的应用

根据混沌理论具有分析非线性动态系统的混沌特性和人工神经网络具有考虑多因素影响的特点,本文提出了混沌神经网络综合预测模型.该方法首先利用非线性科学和理论分析滑坡位移时间序列的动态特性,然后将重构相空间计算的最小嵌入维数作为输入神经元的数目引入到人工神经网络预测模型中.分析算例预测结果表明,混沌神经网络综合预测模型计算精度较高.     

河道洪水演进的分类多模型组合预报方法

为了提高河道洪水演进预报精度,同时发挥各类预报模型的优点,提出一种组合预报方法,根据实际流域情况和资料情况选择多种洪水演进预报模型,针对不同的流量级别,利用多目标模糊优选方法选出特定条件下预报较准的模型进行分类组合预报,然后根据流量级别隶属度对各类预报结果加以组合.并以嫩江流域为实例,对组合预报方法的精度进行了验证.     

Novel grey forecast model and its application

The advancement of grey system theory provides an effective analytic tool for power system load forecast. All kinds of presently available grey forecast models can be well used to deal with the short-term load forecast. However, they make big errors for medium or long-term load forecasts, and the load that does not satisfy the approximate exponential increasing law in particular. A novel grey forecast model that is capable of distinguishing the increasing law of load is adopted to forecast electric power consumption (EPC) of Shanghai. The results show that this model can be used to greatly improve the forecast precision of EPC for a secondary industry or the whole society.