基于SARIMA-GS-SVR组合模型的短期电力需求预测

短期电力需求预测在合理分配电力利用、减少能源浪费和增强电力系统的并网运行方面具有重要作用。应用单一的季节自回归移动平均模型对电力需求预测将限制预测精度。为了提高SARIMA的预测精度,文中提出了SARIMA-GS-SVR组合预测模型。采用网格搜索算法将SARIMA预测的残差带入支持向量回归模型进行参数训练,并将寻优的最佳参数带入SVR对残差进行预测。将得到的残差预测结果和SARIMA预测结果加和进行综合分析。建立SARIMA、SVR、GS-SVR和SARIMA-GS-SVR预测模型,以加利福尼亚州电力需求历史数据为例,对该地某日24 h的电力需求进行预测。为了体现模型整体的优越性,选用指数平滑法作为无关基准模型进行实验对比。实验结果表明,相比SARIMA,SARIMA-GS-SVR的预测精度提高了29.181 2%,且其MAE、MAPE和RMSE3种误差指标评价值低于其它4种模型。     

黄河兰州段两岸泥石流沟形态非线性分析

以黄河兰州段两岸96条泥石流沟为例，利用分形理论的统计自相似性，对泥石流沟数的累计分布随沟道比降、汇水面积和沟道长度等形态要素的变化进行了分析，并与不同流域形态要素的分维进行了比较。认为：黄河兰州段泥石流沟的形态要素均具有统计意义上的自相似性，其中汇水面积分维最小，沟道长度次之，沟道比降最大，说明汇水面积对沟谷及泥石流形成的影响最为显著。     

基于EMD-GWO-SVR组合模型的短期风速预测

风速预测对风电场进行调度与控制具有重大意义。针对风速序列的随机性与间歇性，文中提出了EMD-GWO-SVR组合预测模型。先对原始序列进行经验模态分解，并应用GWO算法对支持向量回归模型的参数进行寻优。随后将寻优得到的最佳参数代入支持向量回归模型，并对分解后的本征模函数及残差项分别进行预测，将得到的各预测结果相加从而对风速进行预测。以甘肃省酒泉市的历史气象数据为例，建立BP神经网络、SVR、PSO-SVR、GWO-SVR、EMD-PSO-SVR和EMD-GWO-SVR6种预测模型，对该地的风速进行预测。仿真结果表明，文中提出的EMD-GWO-SVR模型预测精度相比SVR提高了61.759 8%,且其MAE、MAPE和RMSE等误差指标评价值显著低于其它5种模型。