基于EMD和LS-SVM的中长期径流预报

提出将EMD与LS-SVM模型相耦合的新的径流中长期预测方法,采用EMD分解年径流序列,应用LS-SVM模型预测和重构IMF分量.基于岷江紫坪铺水文站年径流资料预测和检验该模型,并与单独的LS-SVM模型及BP神经网络模型比较.实例结果表明,该方法预报精度高,预测径流行之有效.     

基于经验模态分解的年径流组合预测模型

针对年径流量时间序列非线性、非平稳的问题,采用经验模态分解法(EMD)实现对年径流的多时间尺度、多层次分解,获得简单且平稳性较好的分量,分别选择合适模型对各分量不同变化规律进行合理预测分析,再将各分量预测值结合,重构原始序列年径流预测值,进而建立基于EMD的年径流组合预测模型,并应用于桂江流域年径流预测中.结果表明,该模型预测结果稳定可靠、精度较高,具有推广应用价值.     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

基于MEEMD与排列熵的风电功率超短期预测研究

针对EMD方法存在模态混叠和IMF分量过多等问题,文章提出了一种基于MEEMD与排列熵的风电功率超短期预测方法。首先,利用MEEMD将原始时间序列分解得到各IMF分量,避免模态混叠。然后,计算各IMF分量的排列熵值,将熵值相近的分量合并,有效降低计算量。最后,用模糊树方法分别建立各分量预测子模型,通过叠加得到风电功率预测值。基于某风电场实际运行数据的预测结果表明,该方法的预测精度较高且运算速度较快,适用于风电功率的超短期预测。     

基于EEMD-ANN的水库年径流预测

以三峡水库为例,基于集合经验模态分解(EEMD)及人工神经网络方法对水库年径流进行预测。首先利用Mann-Kendall和Pettitt法对水库年径流序列进行突变检测,获得平稳径流序列,然后采取EEMD方法分解径流序列,得到固有模态函数(IMF)和残差,最后对不同IMFs和残差分别建立人工神经网络预测模型,叠加所有模型预测结果得到年径流预测值。结果表明,基于EEMD-ANN的年径流预测模型优于自回归模型和人工神经网络模型,其预测结果与实测值的相关性更强,预测误差分别减少了11.4%、8.7%。同时,构建EEMD-ANN预测模型时需考虑径流序列的突变特征,采取平稳径流序列的预测效果更优。     

基于EEMD-WOA-LSSVM的超短期风电功率预测

针对风电场输出功率不稳定特性造成风功率预测精度不高问题。采用集合经验模态分解(EEMD)将风功率信号分解为若干个平稳的子序列,可避免经验模态分解(EMD)出现错误的本征模态函数(IMF)分量;利用相空间重构对分解获得的平稳子序列进行重构;提出一种鲸鱼算法(WOA),优化风功率平稳子序列重构参数和最小二乘支持向量机(LSSVM)参数;从而建立EEMD-WOA-LSSVM风功率预测模型。以某风电场为例,采用所建立预测模型对风功率进行仿真分析,实验结果表明EEMDWOA-LSSVM预测模型的风电功率预测精度更高。     

基于VMD-SSA-LSTM的月径流预测模型及应用

为提高月径流预测精度,提出了变分模态分解(VMD)和麻雀搜索算法(SSA)与长短期记忆神经网络(LSTM)相耦合,建立了月径流预测模型(VMD-SSA-LSTM)。首先利用VMD对历史径流数据进行分解,然后依据SSA对LSTM的参数进行寻优,并将分解出的月径流分量输入到LSTM神经网络,最后将每个分量的预测值相加,得到月径流预测值,并以福建池潭水库1950～2019年的月径流数据对模型进行验证。结果表明,与LSTM、VMD-LSTM模型相比,VMD-SSA-LSTM模型的预测精度更高,为开展月径流预测工作提供了一种新的选择。     

基于EMD和长短期记忆网络的短期电力负荷预测研究

针对电力负荷非线性、非平稳性、时序性等特点,提出了一种基于EMD-LN-LSTM的短期电力负荷预测模型。利用经验模态分解(EMD)将经数据预处理之后的原始电力负荷数据分解为有限个内涵模态分量(IMF)和一个残差分量,以降低负荷序列的非平稳性和复杂度。将分解后的各分量分别输入到长短期记忆网络(LSTM)中进行预测,同时利用层标准化(LN)对LSTM进行规范化处理,优化网络模型。对各分量预测值进行重组,求出最终的负荷预测结果。以多伦多真实数据为算例,分别使用EMD-LN-LSTM模型和其他模型进行预测,结果表明:EMD-LN-LSTM模型24 h平均绝对百分比误差相较于RNN模型、LSTM模型分别降低了3.600%、1.864%,而拟合优度均高于RNN模型、LSTM模型,表明该模型能够更好地拟合负荷曲线,具有较高的预测精度。     

基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测

由于太阳辐射的随机性很大,同时考虑到传统方法建立的单一最小二乘支持向量机(least square supportvector machine,LSSVM)模型精度不高,该文提出一种基于经验模态分解(empirical mode decomposition,EMD)局部均值分解(local mean decomposttion,LMD)和与机器学习方法 LSSVM联合的逐时太阳辐照度预测模型。先利用信号处理算法EMD及LMD将时间顺序数据分解成一系列相对平稳的分量序列,再对各子序列分别建立LSSVM预测模型,最后将各子序列预测结果进行叠加得到最终预测值。仿真结果表明,该模型取得比单一模型更好的预测效果,均方根误差精度可提高24.59%。     

基于经验模式分解和时间序列分析的风电场风速预测

针对风速时间序列的非线性和非平稳性,该文提出将经验模式分解(Empirical Mode Decomposition,EMD)和时间序列分析方法相结合对风电场风速进行预测,以探寻更为准确有效地风速预测方法.首先,运用EMD对原始风速序列进行预处理,将其自适应地分解成一系列不同尺度的模式分量,这样能够突出原始风速时间序列不同的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列分析法分别建立相应的模型并进行预测,这样既简化了建立的模型又降低了预测的成本;最后将各分量的预测值叠加得到风速序列的预测值.算例结果表明,该方法大幅提高了风速预测精度.     

Energy futures and spots prices forecasting by hybrid SW-GRU with EMD and error evaluation

Forecasting energy market volatility by artificial neural network has long been a focus of economic research. Based on the discriminatory attitude to the historical price information, a novel hybrid forecasting model of gated recurrent unit with stochastic time effective weights (SW-GRU) is proposed and applied to global energy prices forecasting with empirical mode decomposition (EMD). Since crude oil and gasoline count much in global energy markets, the futures and spots prices of them are adopted in the present research. After real energy price series is decomposed into intrinsic mode functions (IMFs) and a residual, the forecasting IMFs and residual in the test set can be performed by SW-GRU and utilized to calculate the prediction prices. With several error criteria and double-scale complexity invariant distance, the forecasting errors of proposed model SW-GRU with EMD and other models are evaluated and compared. According to the empirical study in energy markets, the forecasting model of SW-GRU with EMD is distinguished from other models by its best performances.     

Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method

Wind speed is the major factor that affects the wind generation, and in turn the forecasting accuracy of wind speed is the key to wind power prediction. In this paper, a wind speed forecasting method based on improved empirical mode decomposition (EMD) and GA-BP neural network is proposed. EMD has been applied extensively for analyzing nonlinear stochastic signals. Ensemble empirical mode decomposition (EEMD) is an improved method of EMD, which can effectively handle the mode-mixing problem and decompose the original data into more stationary signals with different frequencies. Each signal is taken as an input data to the GA-BP neural network model. The final forecasted wind speed data is obtained by aggregating the predicted data of individual signals. Cases study of a wind farm in Inner Mongolia, China, shows that the proposed hybrid method is much more accurate than the traditional GA-BP forecasting approach and GA-BP with EMD and wavelet neural network method. By the sensitivity analysis of parameters, it can be seen that appropriate settings on parameters can improve the forecasting result. The simulation with MATLAB shows that the proposed method can improve the forecasting accuracy and computational efficiency, which make it suitable for on-line ultra-short term (10 min) and short term (1 h) wind speed forecasting.     

基于Elman神经网络的锦屏一级水电站年平均径流量集合预报研究

为预报锦屏一级水电站年平均径流量,根据其1960~1999年逐年年平均径流量与上年(1959~1998年)逐月74项大气环流指数的相关关系,选出相关性高且与年平均径流有物理联系的大气环流指数作为预报因子;利用多个Elman神经网络建立年平均径流量的集合预报模型,并采用锦屏一级水电站1960~1999年的逐年年平均径流量和筛选的预报因子数据对模型参数进行率定,2000~2011年的逐年年平均径流量对模型预报效果进行检验。结果表明,基于Elman神经网络的单一模型的范化能力较好,多模型的集合预报精度比单一模型的预报精度有进一步提高,可为锦屏一级水电站水资源调度提供参考。     

基于HHT和R/S分析的黄河上游年径流序列演变模式分析

为揭示年径流在不同时间尺度下的变化规律及径流序列的演变模式,采用希尔伯特-黄变换（HHT）法分析黄河上游的天然年径流序列,就可分解得到不同尺度下的固有模态函数;再结合重标度极差（R/S）法分析了各阶固有模态函数及天然径流量,得到赫斯特指数（Hurst）和分维数,进而探索了河川径流时间序列的演变趋势、分形特征等。结果发现,黄河上游1930～1986年的天然年径流量具有自相似性和持续的长程相关性,且Hurst指数与周期具有正相关关系。     

基于Wavelet-Anfis模型的陈家湾水库长期径流预测

针对径流序列特性变化复杂且难以预测的问题,提出了基于Wavelet-Anfis的径流预测模型。首先对长期径流序列进行拟合得到原始信号,通过Sym8小波对该信号进行尺度为4的分解,得到对应的低频信号A4和高频信号D1~D4,利用Anfis对这些分解信号逐步训练以确定最佳模型,从而预测出低、高频信号预测期的序列值,最后将各预测序列重构回原尺度生成径流预测值。将该方法应用于陈家湾水库年径流序列中,并与直接Anfis预测结果进行对比。结果表明,Wavelet-Anfis模型预测值的相对误差较小,且具有较快的收敛速度,既有效又准确。     

基于小波分析的BP网络预测模型及其在年径流预测中的应用

鉴于小波变换序列中尺度系数系列和小波系数系列变化特征存在较大差异,提出了一种新的小波分析与BP网络结合方式,即建立两个BP网络分别对两类系数系列进行预测,再对各小波变换系数的预测值进行小波重构,获得原序列的预测值。将该模型应用于二滩电站入库年径流量预测,结果表明该模型预测精度高,可为水电站提供可靠的入库年径流预测结果。     

基于能量熵重构与支持向量回归的水电机组状态趋势预测

针对水电机组运行状态趋势预测的问题,提出了一种基于能量熵重构(EER)与支持向量回归(SVR)的混合预测模型。先针对复杂非平稳监测信号,利用快速集成经验模态分解(FEEMD)算法将其分解为多个本征模态函数(IMFs)分量和单个残余分量;然后基于能量熵(EE)理论对各分量进行重构,以有效降低分量的复杂度;最后,将生成的重构本征模态函数(RIMFs)作为SVR的输入,训练模型参数得到最优的SVR,用于预测机组状态发展趋势。与实例对比分析表明,所提混合预测模型具有较高的预测精度,为机组运维策略的制定提供了一定的指导。     

优化的灰色拓扑模型在年径流预测中的应用

由于河川径流具有变化剧烈、波动频繁的特点,采用常规水文预报方法的预测效果较差。为此引进灰色拓扑方法,在优化原始GM(1,1)模型的基础上,通过改进拓扑预测的矛盾点筛选方法,建立了优化的灰色拓扑预测模型群,对梨园河流域的实测年径流序列进行模拟和预测,发现所建模型的拟合曲线与实测序列的变化趋势一致,比传统的灰色拓扑方法具有更高的精度。结果表明,改进的灰色拓扑模型能够有效克服振荡序列的非线性影响,可作为研究区域的径流预报和水资源分析的参考依据。