基于EMD与Elman神经网络的太阳黑子活动预测

针对太阳黑子时间序列非平稳、混沌及难以预测等特性,建立一种基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的组合预测模型。将太阳黑子时间序列通过经验模态分解方法分解为一些不同时间尺度的本征模函数分量和剩余分量,分别对其构建样本,输入到Elman神经网络进行训练和预测,得到各个分量的预测值,并对这些预测值进行求和,得到最终预测结果。对比仿真结果表明,该模型预测精度较高。     

基于粒子群算法优化参数的VMD-GRU短期电力负荷预测模型

为了更有效提取电力负荷数据中的特征信息，从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量，提高电力负荷预测精度。针对变分模态分解(variational mode decomposition, VMD)参数设定经验与主观性较强，提出一种基于粒子群算法(particle swarm algorithm, PSO)优化参数的变分模态分解和门控循环单元(gated recurrent unit, GRU)的组合模型短期电力负荷预测方法，先通过粒子群算法对VMD最佳影响参数组合进行搜寻，得到最佳效果的分解子序列，减少不同趋势信息对预测精度影响。然后运用GRU网络，针对各子序列分量建立基于GRU的预测模型。最后叠加各子序列预测结果得到短期电力负荷的最终预测值。实验结果表明，相对于相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine, SVM)、GRU模型和EMD-GRU模型以及未经优化VMD-GRU模型，此模型具有更高的负荷预测精度。     

基于CEMD-CNN-LSTM的中长期电力负荷预测

针对诸多复杂因素影响电力负荷在中长期运行阶段中的预测准确度的问题,提出一种卷积神经网络（CNN）与长短期记忆网络（LSTM）混合的预测算法,从而达到优化负荷预测性能的目的。CNN-LSTM混合预测算法利用模态分解法将负荷数据进行分解,并将其转化为本征模态分量IMF及残差两个部分。同时,引入k均值聚类方法,确定最优聚类标签,搭建神经网络并完成数据输入。在形成特征向量的过程中,运用神经网络挖掘数据间的各类特征并进行预测。最后,采用线性相加的形式处理预测结果,获取预测负荷。仿真结果表明了CNNLSTM混合预测算法在预测速度与精度上的性能更为优越。     

基于EEMD和FastICA的单通道背景声舱音盲源分离

针对单通道信号盲源分离(blind source separation,BSS)模型的极端欠定问题,提出利用总体经验模态分解(ensemble empirical mode decomposition,EEMD)将单通道混合信号分解成多个瞬时频率本征模态函数(intrinsic mode function,IMF)分量...     

基于二次分解的改进时间序列超短期风速预测研究

提出了一种基于CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-VMD (variational mode decomposition,VMD)二次分解的ARIMA (autoregressive integrated moving average model,ARIMA)-GARCH (generalized autoregressive conditional heteroskedasticity,GARCH)超短期风速预测方法。首先采用自适应噪声完整集成经验模态分解将原始风速信号分解,产生一系列特征互异的本征模函数(intrinsic mode functions,IMF)。接着计算各本征模函数的样本熵(sample entropy,SE)以量化其复杂性,对复杂性较高的分量采用变分模态分解进行二次分解。然后对各分量分别建立ARIMA模型,引入GARCH模型消除异方差特性。最后将各分量预测结果线性叠加。通过对西北某风电场风速数据进行预测,证明了所提模型的有效性,与CEEMDAN分解和ARMA (autoregressive moving average,ARMA)-GARCH相结合的模型比较,平均绝对误差减少了7. 1%。     

基于神经网络的建筑能耗混合预测模型

为了提升建筑能耗预测的精度、鲁棒性和泛化能力,提出树种算法（TSA）优化的径向基函数（RBF）神经网络与长短时记忆（LSTM）神经网络结合的混合预测模型. 采用基于自适应噪声的完全集成经验模态分解算法,将建筑能耗数据分解为1组本征模态函数（IMF）分量和1个残余分量,利用样本熵算法将各分量划分为高频分量和低频分量. 采用最小绝对收缩与选择算子（LASSO）方法进行特征选择. 分别利用TSA算法优化后的RBF模型与LSTM模型对低频分量和高频分量进行预测,并叠加重构得到最终预测结果. 模型评估结果表明,混合预测模型的精度为98. 72%. 相比于RBF、TSA-RBF、LSTM模型,所提模型的预测效果更好,且具有较强的鲁棒性和泛化能力,能够更为有效地用于建筑逐时电力能耗预测.     

交叉口短时流量CEEMDAN-PE-OSELM预测模型

为提高交叉口短时交通流预测精度,以历史交通流量数据为基础,提出一种基于自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-排列熵(permutation entropy,PE)-在线序贯极限学习机(online sequential extreme learning machine,OSELM)组合预测模型(CEEMDAN-PE-OSELM).首先对交通流历史时间序列数据进行CEEMDAN分解,得到多个本征模态函数(intrinsic mode function,IMF)分量;通过PE算法对IMF分量进行重组,形成具有复杂度差异的重组子序列.然后,分别构建重组子序列OSELM预测模型,将预测结果相加得到最终预测流量.最后选取一实际交叉口,进行模型验证分析.结果表明:CEEMDAN-PE-OSELM模型的MAE、MAPE和MSE的值均低于其他模型,预测误差最小;EC值为0.963,高于ARIMA模型的EC值(0.898),最接近于1,预测精度最高,稳定性最好.就同一预测模型而言,经过CEEMDAN-PE处理的模型的各项误差明显降低,预测精度有所提高.     

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.     

基于集合经验模式分解的ARIMA行业售电量预测模型

售电量的准确预测是电力市场课题研究的重要内容之一,目前已有许多模型用于售电量预测。在此背景下,考虑售电量时间序列的非线性、波动性和周期性,提出基于集合经验模式分解和自回归积分滑动算法的预测模型。该模型首先对售电量时间序列进行集合经验模态分解,通过添加白噪声得到不同时间尺度分布的售电量时间序列,分解后得到一系列相对平稳的本征模态函数和趋势项,然后利用自回归积分滑动算法对各平稳化本征模态函数和趋势项分别进行预测,得到各分量的预测结果,最后将分量预测结果叠加得到最终的售电量预测值。基于历史统计售电量数据的预测结果分析表明,基于集合经验模式分解的 ARIMA模型具有良好的预测精度。     

基于EEMD-CNN-GRU的短期风向预测

为了提高短期风向的预测精度,提出一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元网络（Gated Recurrent Unit,GRU）的混合模型：EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点,先利用EEMD将数据分解成多个分量;再运用CNN的局部连接和权值共享来提取分量中的潜在特征;最后,使用GRU对CNN所提取的潜在特征进一步构建特征,叠加各分量的预测值,得到最终预测结果.实验结果表明：相对于BP神经网络和长短期记忆网络（Long Short-Term Memory,LSTM）等其他模型,本文所提出的预测方法取得了良好的性能.