径流混沌时间序列的模糊支持向量机预测模型研究及其应用

针对径流混沌时间序列固有的确定性和非线性特点,以传统的支持向量机预测模型为基础,通过引入模糊隶属函数来考虑气候和流域下垫面条件变化,建立了径流混沌时间序列的模糊支持向最机预测模型.通过三种方法对长江寸滩站实际月径流时间序列的预测模拟结果对比,表明本文建立的模型具有更高的模拟精度,是一种有效的径流时间序列预测模型.     

基于蚁群算法的支持向量机中长期水文预报模型

支持向量机算法（SVM）具有可靠的全局最优性和良好的泛化能力,尤其适用于中长期水文预报中有限样本的学习,然而该算法的成功与否很大程度上取决于其参数的选择,而常规经验选取方法往往不能获得满意效果。本文建立基于蚁群算法参数优化的支持向量机模型（ACO-SVM）,利用蚁群算法（ACO）基于进化的随机搜索策略对支持向量机参数进行识别。以福建省安砂水库的月径流预报为例,进行建模仿真,将模拟结果与时间序列方法（ARMA）、人工神经网络方法（BP-ANN）所获得的预报结果进行对比分析。结果表明,在拟合精度方面,ACO-SVM模型相比ARMA模型和BP-ANN模型有不同程度的提高,且增幅较大,且具有较好的泛化性能。     

基于随机森林遥相关因子选择的月径流预报北大核心CSCD

流域径流过程与大尺度气候因子之间存在遥相关关系,如何从众多的水文、气象、大气环流及洋流等因子中找出与径流密切关联的因子,是中长期径流预报的一个难题。将基于贝叶斯优化的随机森林模型应用于对水文、气象、气候因子构成的高维度因子集进行因子选择,根据变量重要性评分挑选对月径流影响较大的预报因子,构建广义回归神经网络、极限学习机、支持向量回归径流预报模型。将该方法应用到金沙江流域,相较于线性相关法,基于随机森林输入因子选择的方法提高了模型泛化性能;遥相关因子的引入既实现了流域月径流高精度预报,又从物理机制上提供了支撑。     

基于惩罚加权支持向量机回归的径流预测模型

径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。     

雨季段中长期预报模糊聚类模型及其应用

为了克服对中小流域作径流预报时收集预报因子的困难，在中长期径流模糊聚类预报模型基础上，结合径流的周期变化规律，提出了雨季段中长期模糊聚类预报模型。该模型从雨季段径流的周期性规律中提取预报因子，把模糊聚类预报模型从年径流预报推广至雨季段径流预报。在对丰潭水电站雨季段径流的预报中，取得了满意的结果。     

基于贝叶斯框架的LS-SVM中长期径流预报模型研究

为解决最小二乘支持向量机模型采用交叉验证方法确定模型参数耗时较长的问题,将贝叶斯证据框架理论用于最小二乘支持向量机模型参数的优选.选用径向基核函数,建立了中长期径流预报模型.采用岷江紫坪铺水文站1937～2007年的年径流资料进行模型的预测和检验,并与交叉验证方法优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较.研究结果表明,基于贝叶斯框架下的最小二乘支持向量机径流预报模型具有较好的预报精度.     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

船舶横摇运动实时在线预报方法

为进一步提高支持向量机预报模型在船舶横摇运动预报中的精确度以及实时性,提出一种利用混沌理论和在线最小二乘支持向量机的实时在线预报方法.在混沌动力系统相空间重构的基础上,采用饱和关联维数法对船舶横摇运动的时间序列进行混沌特性判定,并建立混沌在线最小二乘支持向量机实时预报模型.对某船横摇运动时间序列进行预报,仿真结果表明,...     

基于混沌分析的月径流序列耦合预测模型及其应用

针对北方地区月径流年内年际变化幅度大、单一方法难以预测以及径流时间序列预测时,非线性模型阶数难以确定的特点,提出基于混沌分析的月径流序列耦合预测模型。该模型从时频分析角度出发,把月径流序列分解成不同的频率成分,并以相空间重构为基础进行混沌分析,然后分别采用支持向量机进行预测。以淮河支流沙河上游某水库月径流预测为研究实例,得出了较满意的预测结果,为径流预测提供了一条新途径。     

融合大气环流异常因子的径流预报研究

径流预报对区域水资源开发与管理具有重要的作用,当前的研究主要聚焦在先进的算法而忽视了丰富预报因子对提高径流预报精度的贡献。本研究以泾河径流为例,将遗传算法(GA)和回归支持向量机模型耦合,建立了改进的支持向量机回归模型(GA-SVR)。预报变量在常规预报因子(降雨与蒸发)的基础上增加了对径流影响较强的大气环流异常因子。结果表明,预测变量未含大气环流异常因子的情况下,GA-SVR模型的预测精度和泛化能力皆优于神经网络模型(ANN);考虑大气环流异常因子后,GA-SVR模型预测精度进一步提高。由此说明,SVR模型耦合GA后可提高月径流的预报精度,考虑大气环流异常因子后其预测精度可进一步提高。     

基于灰色和马尔科夫系统理论的需求侧响应能力预测

近年来,随着分布式电源、电动汽车、智能用电器在用户侧接入比例越来越高,可以调动的需求侧资源将越来越丰富。探究多重变量对需求侧响应的影响,提出基于灰色关联度的多阶灰色预测模型和马尔科夫链模糊矩阵相结合的预测方法,对长期需求侧响应能力进行预测。采用的多阶灰色预测模型主要考虑到了负荷自变量的时间特性以及多重外在变量的相关性,而灰色关联度分析方法可以定量的研究事物之间的关联程度,当状态变量和时间变量是离散数据时,马尔科夫链对灰色理论中间累加过程中产生的误差有较好的调整效果,因此采用马尔科夫链模糊矩阵对预测误差进行修正,提高了长期需求侧响应能力的预测精度。结合我国上海市近10年的负荷数据,验证了所提预测方法的有效性。     

模糊理论在中长期负荷预测中的应用

本文先介绍三种用模糊理论进行中长期负荷预测的方法的数学模型，即模糊指数平滑法，模糊线性回归法和模糊聚类预测法，然后以邢台地区实际预测为例，给出预测结果，并对三种方法进行了比较和误差分析，实践证明了这三种方法具有比传统方法预测精度高、预测误差小的优点，应予推广使用。     

基于模糊信息粒化和长短期记忆网络的短期风速预测

针对风速点预测无法对预测结果进行风险评估、区间预测难以满足电网精细化要求,以及现有静态预测方法难以描述风速序列长期相关性的现象,提出一种基于模糊信息粒化(Fuzzy Information Granulation,FIG)和长短期记忆(Long Short-Term Memory,LSTM)网络的动态预测模型。该方法先对风速序列进行模糊信息粒化,提取出粒化后数据的最大值(区间上界)、最小值(区间下界)和平均值。其次采用ADAM算法优化的LSTM网络对各粒化数据进行动态建模,得到能描述风速波动性的区间预测结果和点预测结果。算列表明,所提动态模型的预测效果比其它基本模型的预测效果更好。     

基于Vine Copula的短期径流预报不确定性分析

定量分析短期径流预报序列的不确定性特征,对于提高水库短期运行计划的可靠性具有重要意义。针对常用多元椭圆Copula或阿基米德Copula难以有效刻画短期径流预报不确定性特征的问题,本文引入了Vine Copula对不同径流量级及不同预见期下预报不确定性进行定量评估,进而分析了先验信息对于后续时段预报不确定性的影响。以雅砻江流域锦西水库为例进行验证,结果表明：相较于传统多元Copula函数,Vine Copula构建的相对预报误差联合分布均能通过假设检验且拟合效果最好,模拟结果的统计量与实测数据相差较小;通过利用调度期内已经发生的相对预报误差信息,可以有效减小后续时段相对预报误差期望值及90%置信水平分位距,降低预报的不确定性。     

基于偏最小二乘回归分析的中长期电力负荷预测

针对中长期电力负荷预测,介绍偏最小二乘回归分析方法的原理,推导该算法的简化建模步骤。该方法能在最大限度保留原有数据信息的前提下,将数据信息集中在几个互不相关的主成分上,因而能有效解决建立负荷预测模型时由于样本个数较少及自变量存在严重的多重相关性,难以通过多元回归分析建立预测模型的问题。通过算例对偏最小二乘回归分析方法、最小二乘法和逐步回归分析方法进行了比较,结果表明,将偏最小二乘回归分析方法用于中长期电力负荷预测时,计算快捷,准确性高,具有较强的实用性。     

基于多级负荷智能协调的母线短期负荷预测

为提高母线负荷预测精度,提出一种基于多级负荷智能协调的母线短期负荷预测方法。首先对预测母线负荷序列进行历史负荷与当前负荷的相关性分析,再进行系统空间母线与预测母线的相关性分析,根据两次相关性分析结果合理设置算例,得到预测网络的最优输入方式,然后利用长短时记忆网络(LSTM)建立母线短期负荷预测模型,最后运用吉林省某地区的实测数据将提出模型与反向传播(BP)神经网络和支持向量机(SVM)的预测结果进行对比分析,验证本文提出的预测模型具有更高的精确度。     

基于新鲜度函数和预测有效度的模糊自适应变权重中长期电力负荷组合预测

针对传统电力负荷组合预测模型中出现的负权重、没有区别对待不同历史时段的误差对权重的影响以及变权重计算方法较为复杂等问题,文中提出一种基于新鲜度函数和预测有效度的模糊自适应变权重组合预测模型,并应用到中长期电力负荷组合预测中。利用预测有效度进行模型筛选,利用新鲜度函数体现预测中的“近大远小”原则,利用滚动时间域窗口的方法实现变权。算例表明,文中提出的组合预测模型预测精度较高,实用性强。     

电力系统中长期负荷预测的新方法

在分析灰色GM(1,1)模型缺陷的基础上,将遗传算法引入GM(1,1)模型中,对其加以改进,提出一种新的灰色预测方法,用以对电力系统的中长期负荷进行预测。通过仿真计算结果验证了该方法的正确性和有效性。     

多因素影响的灰色神经网络组合电力负荷预测

一般的电力负荷预测都是只针对电力历史负荷值做预测,而实际电力负荷是受到各种因素制约的复杂非线性系统.首先提出多因素影响的灰色神经网络组合预测模型,研究同时考虑了在各可定量分析因素影响下的负荷增长和波动二重趋势性问题.通过电力负荷预测应用的实例,对某地区电力负荷值,GDP值和各产业值进行分析,建立对应的优化组合预测模型,并与其它算法进行比较,计算结果表明,所提出的方法综合考虑了电力负荷的多种特性,能有效地提高负荷预测精度.     

含Flat Fuzzy参数的回归预测模型的探讨

在现实世界中,有这样一类不确定的现象,即事件发生与否是确定的,但其本身是不分明的。对此,如何进行回归分析,统计预测呢?这是一个具有广阔研究前景的领域。文[1]讨论了一类不分明自回归预测模型,本文则在此基础上讨论含flat fuzzy参数的线性回归预测模型。同时把这类模型推广到时间序列中去,建立了Fuzzy自回归模型。笔者运用了flat fuzzy数的有关性质,把确定flat fuzzy参数A_j,归结为求解含参变量的线性规划问题,从而避免了用经典最小二乘法时,参数A_j不可微的麻烦,成功地确定了A_j,建立了回归预测模型,这就为回归统计预测,提供了另一种方法。