基于LSTM和时间序列分析法的短期风速预测

短期风速对输电线路影响巨大,由于短期风速的随机性和非线性特性,使得短期风速难以精确预测。提出了一种将长短时记忆网络和时间序列分析法相结合的组合预测算法来实现对短期风速的预测。首先,利用时间序列分析法对短期风速进行预测得到预测结果和预测残差,然后利用长短时记忆网络对预测残差进行预测,最后将两种方法得到的预测结果进行线性组合得到最终的预测结果序列。为验证所提出的算法的实际效果,将提出的算法与时间序列分析法、长短时记忆网络以及BP神经网络等进行对比。实验结果表明,组合算法有效提高了短期风速序列预测精度,是一种可行的分析方法。     

基于PSO-BP神经网络的股市预测模型

为解决股市短期预测中BP神经网络法对初始权值敏感、易陷入局部极小值和收敛速度慢等问题,基于全局随机优化思想的粒子群优化(PSO)算法,对BP神经网络的初始权值进行了优化,建立了PSO-BP神经网络股市预测模型.并通过实例分析与传统BP神经网络预测法进行对比,结果表明该方法收敛速度明显提高,有效降低了训练误差,避免了陷入局部极小值,达到了较高的预测精度,在股市短期预测中具一定的实用价值.     

基于GRNN全信息神经网络的超短期风速预测研究

为了更好地研究风功率预测,风速预测显得至关重要.国内神经网络文献均只表现出了短期风速预测,而对于超短期风速预测的神经网络数学模型却相对稀少.引入了GRNN神经网络,详细说明了该方法的超短期风速预测原理并建立了数学模型;为了使超短期风速预测精度有一个良好的对比性分析,将影响风电输出功率的各NWP(numerical weather prediection)信息(包括风速、风向、气温、气压)进行组合,以国内某风电场2014年5月份的各NWP数据进行算例分析,实验结果表明,GRNN全信息神经网络可以达到很好的预测精度,而且运算网络的稳定性甚优.     

基于BP神经网络的飞机娱乐系统采购短期预测

针对传统航材采购决策行为的局限性,研究了基于BP神经网络的航材采购短期预测方法,拟在建立BP神经网络模型的基础上,将BP神经网络模型运用到航材采购量短期预测中来,根据历史数据建立BP神经网络对其进行训练形成飞机娱乐系统采购量预测模型。阐明神经网络在决策时能提供更多的支持信息,实现采购数量科学化。并进一步通过预测结果说明基于神经网络的航材采购量短期预测是一个行之有效的方法,为民航航材集中采购的理论和方法提供借鉴和参考。     

基于小波神经网络法的短期风电功率预测方法研究

基于小波与BP神经网络,提出一种小波与BP神经网络结合的方法对短期风电负荷进行预测。运用小波能够精确地提取时间序列的细微特性和BP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了小波神经网络预测模型,经实际数据证明该方法提高了预测的精确性。     

一种短期电力负荷预测方法

针对短期电力负荷预测中影响因素多、变化随机、非线性等特点,提出一种相似日的优化BP神经网络短期电力负荷预测方法。考虑到短期负荷波动的影响因素较多,相似日的选取综合了气象因素、日期因素和时间距离因素。同时,在负荷预测中常用的BP神经网络预测方法的基础上,引入遗传算法对BP神经网络算法的初始权值和阈值寻优进行改进。仿真表明优化BP神经网络算法与相似日结合的方法预测时在稳定性和精确度方面得到较大的提高。     

网络流量组合预测模型研究

研究优化网络管理系统,高精度的短期负载预测对提高网络性能和服务质量意义重大.为了解决各种传统的单一预测方法在网络流量预测中存在不能有效利用资源的问题,提出了一种BP神经网络最优组合的预测方法.将单一预测方法所得到的预测值作为BP神经网络的输入样本,相应历史流量数据的实际值作为样本的输出,经过样本训练达到期望精度,应用BP神经网络模型进行预测.仿真实验结果表明,新模型具有良好的预测效果,比传统的单一预测模型具有更高的预测精度和更好的自适应性.     

基于聚类的超闭球算法短期风速预测研究

具有较高精度的超短期风速预测有着重要的作用,它对建立和保障并网运行风电场风电功率预测预报系统有着举足轻重的作用.但是,由于风速的影响因素较多,且存在着巨大的波动性、随机性,以及较高的自相关性.这些因素,极大地影响了传统的风速预测方法.因此,探究一种短期风速预测方法是十分必要的,此方法以聚类的小脑超闭球算法为基础,此超闭球方法,对减少数据输入的地址碰撞有着很好的作用,提高了学习速度,另通过模糊聚类对输入数据确定节点数和节点值,提高了学习精度.仿真结果证明基于聚类的小脑超闭球网络相比应用较为成熟的BP神经网络等能很好地预测未来1h风速.     

基于ARIMA与BP的水利工程投资预测模型研究

为了提高时间序列短期预测的精度,提出了把ARIMA模型和BP神经网络模型进行组合预测的思路.将该组合模型应用在南水北调在建工程项目投资预测中,利用多种定阶准则对不同ARIMA模型的预测效果进行比较,指出多种定阶准则各有利弊;然后利用BP神经网络将不同ARIMA模型预测值进行进一步组合预测.实验结果表明,组合模型充分发挥了两种模型各自的优势,比单一的预测方法具有更高的精度,在时间序列短期预测中预测效果良好.     

综合改进BP神经网络算法在股价预测中的应用

BP神经网络用于股市等非线性系统的预测具有非常强大的能力。针对标准BP神经网络算法存在收敛速度慢和易陷入局部极小点问题,提出附加动量法和动态调整学习率法相结合的综合改进BP算法。建立了基于改进算法的股票价格预测系统模型,并对青岛海尔股票价格进行了预测。仿真结果表明,相对于标准BP算法,综合改进的BP算法能明显加快网络的收敛时间,用于股价短期预测是有效可行的,并且能够达到较高的准确性,具有一定的实际应用价值。     

基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。     

基于自适应遗传算法的股票预测模型研究

为了解决单一神经网络模型很难满足股票预测建模要求的问题,提出一种基于遗传算法的粗糙集属性约简方法和神经网络相结合的预测模型。在该模型中,改进了自适应性遗传算法的交叉算子与变异算子。基于该遗传算法的粗糙集属性约简相比传统的粗糙集属性约简,其具有更强的求解最小属性约简的能力,解决了神经网络预测时训练速度慢、内存开销大等问题;在数据预处理过程中,引入聚类分析,有效解决了连续属性离散化的问题。实验结果证明,该预测模型具有较高的预测精度,在时间序列的股票预测中是相当有效的。     

Functional-type Single-input-rule-modules Connected Neural Fuzzy System for Wind Speed Prediction

Wind is one kind of clean and free renewable energy sources. Wind speed plays a pivotal role in the wind power output. However, due to the random and unstable nature of the wind, accurate prediction of wind speed is a particularly challenging task. This paper presents a novel neural fuzzy method for the hourly wind speed prediction. Firstly, a neural structure is proposed for the functional-type single-input-rule-modules (FSIRMs) connected fuzzy inference system (FIS) to combine the merits of both the FSIRMs connected FIS and the neural network. Then, in order to achieve both the smallest training errors and the smallest parameters, a least square method based parameter learning algorithm is presented for the proposed FSIRMs connected neural fuzzy system (FSIRMNFS). Further, the proposed FSIRMNFS and its parameter learning algorithm are applied to the hourly wind speed prediction. Experiments and comparisons are also made to show the effectiveness and advantages of the proposed approach. Experimental results verified that our study has presented an effective approach for the hourly wind speed prediction. The proposed approach can also be used for the prediction of wind direction, wind power and some other prediction applications in the research field of renewable energy.      

基于蚁群粒子群的模糊神经网络交通流量预测

实时准确的交通流量预测是智能交通诱导和交通控制实现的前提和关键。针对城市交通流的特点,建立了模糊神经网络预测模型,并将全局优化的蚁群算法和粒子群算法组成递阶结构优化模糊神经网络的参数。算法中,主级为蚁群算法,进行全局搜索;从级为粒子群算法,进行局部搜索。仿真结果表明该模型能够取得比梯度下降法更高的预测精度。     

基于LMS-PNN神经网络算法在心音识别与预测中的应用

传统的PNN神经网络具有很强的容错性、学习过程简单、训练速度快等特点,本文在传统PNN神经网络的基础上,利用LMS对其在心音分类方面进行优化,进而提高心音分类与预测的准确性。LMS-PNN神经网络算法对心音的信号运用窗函数进行分帧,利用双门限法确定数据的值,运用LMS算法对相应的参数进行调试,并将去噪后的数据以mat格式保存,提取出各个心音的短时自相关系数以及短时功率谱密度,并运用PNN神经网络,抽取40000个样本数据进行训练,并将各个心音进行等级划分与预测。 从PNN神经网络的模式层输入训练数据后,通过仿真测试可得,LMS—PNN神经网络预测准确率可达可达96%以上。     

基于狼群算法的短时高速交通流量预测仿真

由于传统的短时高速交通流量预测算法的受到函数逼近能力影响,极易陷入局部极值的问题,提出基于狼群算法的短时高速交通流量预测算法。构造型前馈小波神经网络算法在多维空间内对短时高速交通流量预测,需通过构造型前馈小波神经网络算法分析随机相关多维样本逼近能力,利用改进狼群算法的全局寻优能力,提升算法搜索精度,并完成目标的搜索,根据搜索结果获取优质的函数逼近值最优解,提升构造型前馈小波神经网络算法函数的逼近能力,获取最佳短时高速交通流量预测值。仿真结果显示,上述算法的短时高速交通流量预测效果显著优于小波神经网络预测算法,且本文算法的预测精度较高,具有较高的稳定性。     

基于EEMDSE-ILSTM的风电场超短期风速预测

不可再生资源的枯竭推动着新能源的发展,风电作为目前风能利用的主要形式得到了大面积推广。但风速非线性、非平稳性、时序性的特点对风机本身和电力系统都会产生不利的影响,因此精准的风速预测已经成为亟待解决的关键课题。基于组合预测方法,提出了一种EEMDSE-ILSTM风速预测模型。该模型利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）将风速数据分解为若干个分量数据集,并通过样本熵对各分量进行筛选以简化数据。将改进的鲸鱼算法与长短期记忆网络（Long Short-Term Memory,LSTM）结合,无监督生成合适的模型预测参数。在预测时依次对每个分量数据预测并将结果累加获得最终预测值。仿真结果表明,该模型与其他方法比较,显示出较好的预测精度和泛化性能。     

Wind Speed Prediction Using Chicken Swarm Optimization with Deep Learning Model

High precision and reliable wind speed forecasting have become a challenge for meteorologists. Convective events, namely, strong winds, thunderstorms, and tornadoes, along with large hail, are natural calamities that disturb daily life. For accurate prediction of wind speed and overcoming its uncertainty of change, several prediction approaches have been presented over the last few decades. As wind speed series have higher volatility and nonlinearity, it is urgent to present cutting-edge artificial intelligence (AI) technology. In this aspect, this paper presents an intelligent wind speed prediction using chicken swarm optimization with the hybrid deep learning (IWSP-CSODL) method. The presented IWSP-CSODL model estimates the wind speed using a hybrid deep learning and hyperparameter optimizer. In the presented IWSP-CSODL model, the prediction process is performed via a convolutional neural network (CNN) based long short-term memory with autoencoder (CBLSTMAE) model. To optimally modify the hyperparameters related to the CBLSTMAE model, the chicken swarm optimization (CSO) algorithm is utilized and thereby reduces the mean square error (MSE). The experimental validation of the IWSP-CSODL model is tested using wind series data under three distinct scenarios. The comparative study pointed out the better outcomes of the IWSP-CSODL model over other recent wind speed prediction models.     

Performance analysis of modeling framework for prediction in wind farms employing artificial neural networks

This paper introduces the concept and practice of Neural Network architectures for wind speed prediction in wind farms. The wind speed prediction method has been analyzed by using back propagation network and radial basis function network. Artificial neural network is used to develop suitable architecture for predicting wind speed in wind farms. The key of wind speed prediction is rational selection of forecasting model and effective optimization of model performance. To verify the effectiveness of neural network architecture, simulations were conducted on real time wind data with different heights of wind mill. Due to fluctuation and nonlinearity of wind speed, accurate wind speed prediction plays a major role in the operational control of wind farms. The key advantages of Radial Basis Function Network include higher accuracy, reduction of training time and minimal error. The experimental results show that compared to existing approaches, proposed radial basis function network performs better in terms of minimization of errors.