用时间序列预测电力系统负荷

对电力系统的负荷可用各种方法进行预测。本文应用时间序列的分析方法，即把负荷随着时间的变化看成一个时间序列，同时又把这时间序列分成确定的和平稳随机的两部分。在以最近的负荷历史资料的基础上，分别建立数学模型，前者为确定的时间函数方程，后者为自回归——滑动平均方程。最后用格林函数或条件期望方法进行负荷预测。本文以××系统的实际数据在DJS-131机上进行了二种情况的预测：一是预报后一天(提前24小时)；二是预报下一个月(提前一个月)。     

水文时间序列逐步回归随机组合预测模型及其应用

由于气候因素和下垫面因素的综合影响，水文时间序列表现出复杂的非线性，包括确定性成分和随机成分，如月径流序列、日均流量序列等。这些预报对象如果不加处理直接用AR（p）建模进行预测误差较大。文中介绍了通过对非平稳序列提取周期项和趋势项后的余差序列建立AR（p）模型进行水文中长期预报的组合预测方法，并以嘉陵江北碚站7月最大洪峰流量序列为例对组合模型进行验证，结果比较满意。     

大坝监测分析中的时间序列叠合模型

叙述了用时间序列叠合模型建立大坝监测预报模型的2种基本方法：统计-时间序列模型和确定性时序叠合模型。通过统计软件SPSS实现2种时序叠合模型的实例表明，在环境量记录完整的情况下，统计-时间序列模型比单纯的统计回归模型精度要高；在缺少环境量监测或与环境量的因果关系不明显的情况下，用确定性叠合模型分析和预报大坝监测效应量的测值，精度也很高，并能够分离出趋势性分量、周期分量和随机平稳分量，分析的结果简单明了，是大坝监测分析中一种比较好的方法。     

超短期负荷预报与动态经济调度

本文对超短期负荷预报和动态经济调度算法进行了探讨。 文中把负荷分成确定分量和随机分量两部分。离线提前24小时的负荷预报(经三次样条后)为 在线超短期负荷预报提供了一个外部输入(确定性分量)。采用高级AR模型拟合时间序列法进 行超短期负荷预报，并利用实际系统的数据对这方法进行了计算，得到满意的结果。 本文提出一个与超短期负荷预报结合在一起的动态经济调度递推算法。用稀疏对偶单纯形法 求解每时段的经济功率分配，所用内存少，计算时间短。实例计算证明：动态经济调度算法 能够提前看到当前发电机组的出力是如何影响将来一段时间内机组的经济功率分配，能提供 更好的负荷跟踪功能和提高系统运行的经济性。     

超短期负荷预报与动态经济调度

本文对超短期负荷预报和动态经济调度算法进行了探讨。 文中把负荷分成确定分量和随机分量两部分。离线提前24小时的负荷预报(经三次样条后)为 在线超短期负荷预报提供了一个外部输入(确定性分量)。采用高级AR模型拟合时间序列法进 行超短期负荷预报，并利用实际系统的数据对这方法进行了计算，得到满意的结果。 本文提出一个与超短期负荷预报结合在一起的动态经济调度递推算法。用稀疏对偶单纯形法 求解每时段的经济功率分配，所用内存少，计算时间短。实例计算证明：动态经济调度算法 能够提前看到当前发电机组的出力是如何影响将来一段时间内机组的经济功率分配，能提供 更好的负荷跟踪功能和提高系统运行的经济性。     

自适应多相关短期负荷预测

本文应用自适应和多相关原理提出一个短期负荷预测的方法，根据系统负荷在不同周期的相 关性，对时差日相关，日相关和周相关负荷时间序列建立三个相同形式的一阶线性递推负荷 模型，三个估计负荷按最佳的比例进行加权合成得最佳的负荷预报值。模型参数根据最近29 天样本进行计算，这样不仅内存需求少，而且样本每日更新，使递推的参数能自适应地反应 季节特点和近期负荷变化趋势，因而提高了预报的精度。为了使建立的模型残差负荷部分更 好的接近平稳随机过程，对样本数据进行了适当的平滑处理。 本算法使用国内某网的样本数据测试，连续预报28天负荷，每日的平均误差小于3%，连续预 报240天负荷，每月的平均误差小于2.3%。由于算法简单，内存容量小，精度能和人工预报 相当，因此是一个可以试用的算法。     

基于小波变换的水文时间序列分解

运用Mallat算法和Daubechies小波，介绍了基于小波变换的水文时间序列分解方法。通过小波变换，将水文时间序列分解成不同时间尺度的确定性序列和随机序列，为建立水文时间序列中长期预报耦合模型打下了基础：以长江寸滩站日平均流量和年最大流量序列为例，进行了小波变换：通过对分解后的序列进行重构，结果是满意的。     

一个短期电力负荷智能预报系统

本文介绍一个正在实际使用的短期电力负荷智能预报系统。针对电力负荷变化的非平稳性，该系统能消除异常数据对预报值的影响，能对预报结果进行检验及修正，能根据预报误差自动校正预报模型参数，能根据“近大远小”的原则进行预报，并能将多种不同的数学模型加权组合预报。该系统对节日负荷预报也有自己的特色。实际使用结果表明，该系统具有一定的智能性，对非平稳的电力负荷序列有很好的自适应性。     

非稳态条件下的中长期径流耦合预报方法

气候变化会导致水文序列的非稳态性,从而给水文预报带来新的挑战。以疏勒河上游为例,提出了一种适于非稳态条件下的新的中长期径流预报方法。根据疏勒河径流的补给来源及其受气候变化的影响,按照时间序列模型的思路,依次提取趋势项和周期项,对剩余的随机项采用基于水文-气象遥相关模型,构建了时间序列与水文-气象遥相关的耦合模型。对比分析时间序列法、水文-气象遥相关法和耦合预报法对昌马堡站径流预报的结果,发现耦合预报方法不仅精度最高、模型可信度最高,而且可以描述非稳态的趋势性变化。     

ARIMA模型在松华坝水库枯季入流预测中的应用

为探索ARIMA模型在水文中长期预报的适应性,以预报松华坝水库枯季入流为例,选取该水库主要入流控制站中和水文站枯季（11月-次年4月）径流建立数学模型进行分析预测,并与周期时间序列模型的预测结果进行对比,结果表明ARIMA模型预测精度优于周期时间序列模型预测成果,可应用于水文预报工作中。     

非平稳时间序列极值统计模型及其在气候-水文变化研究中的应用综述

伴随全球气候变暖和平均海平面持续上升,极端气象事件出现的频率增加、强度增大,气候变化已经成为导致水文极值非平稳性的一个重要原因。本文总结了气候-水文变化研究中常用非平稳时间序列极值统计模型的结构以及统计推断方法,从降雨极值变化、洪水极值变化等方面分析了非平稳时间序列极值统计模型在气候-水文变化研究中的典型应用案例。国内外研究表明:非平稳时间序列极值统计模型能体现水文极值随时间或协变量的变化情势,非平稳情况下水文极值重现期和风险的概念和计算方法与传统平稳时间序列的频率分析相比存在显著差异。最后对需要进一步研究的问题进行了展望。     

水文预报时间序列神经网络模型

水文时间序列表述的是水文水资源系统在气象环境、流域下垫面以及人类活动等因素综合作用后的输出结果,其变化规律呈现随机性和确定性特点。在大尺度条件下,水文时间序列的传统预报模型简单,且很少考虑环境噪音因素的影响。伴随现代化科学技术的快速进步,国民经济的管理部门提出了更高的水文水资源预报要求,在要求短期预报更精准的基础上,对中长期预报的要求要越来越严格。由于受到相关科技水平的制约和诸多复杂因素的影响,当前的中长期水文水资源预报还处于发展、探究阶段。     

黄河水量调度径流预报方法研究

介绍了服务于黄河水量调度的中长期径流预报技术方法、主要模型、预报系统及应用情况,并对未来黄河流域径流预报发展方向进行展望。黄河中长期径流预报模型从每个控制站点水文序列的影响因子和自身演变规律出发,根据各站点不同时期、不同影响因素,选择适当的统计方法分别建立。非汛期径流预报模型主要以前期径流、降水为预报因子,采用多元回归分析、门限回归分析和时间序列分析等方法建立;汛期径流受降雨影响强烈,流域降水主要受大气环流等因子影响,因此从前期环流因子中挑选预报因子,建立了汛期径流预报模型;天然径流量预报模型主要采用实测径流还原、时间序列分析及大气海洋物理因子相关等方法建立。黄河中长期径流预报模型及预报系统的建立,提高了黄河流域径流预报技术水平和能力,在1999—2018年20 a的水量调度中,提供了准确的年度水量预报和旬月径流预报,其中每年10月中下旬发布的花园口站年度天然径流总量预报平均误差为3.7%,最小预报误差为0.6%。     

基于云模型的非一致性年径流预测

采用云模型和非一致性水文计算法对岷江流域年径流建立预测模型,利用非一致性计算法将水文序列分成相对一致的随机性成分和非一致的确定性成分,再分别对确定性成分和随机性成分进行云模型的不确定性推理,最后根据时间序列分析的分解与合成理论进行数值合成,得到最终的预测值。通过与传统预测方法相比较,非一致性云预测方法有较高的预测精度和推广应用价值。     

风光水互补系统时间序列变量概率预报框架

风光水互补系统实时调度受风速、太阳辐射强度、径流和电力负荷等时间序列变量的不确定性影响,如何准确预报这些变量并量化预报的不确定性是风光水互补系统面临的关键难题。为此,本研究提出一种基于深度学习模型的时间序列变量概率预报框架。首先,从时间序列数据中挖掘特征输入并采用相关系数对生成的特征进行初选;其次,基于深度学习模型和高斯过程回归构建时间序列变量概率预报模型,同时分别通过0-1规划思想和贝叶斯优化算法实现特征组合优化和超参数优选;进而,从确定性预报、概率预报和可靠性3个方面对预报模型进行全面评价;最后,以雅砻江流域风光水互补先期试点示范基地作为研究对象,分别在径流、风速、光伏和负荷4个数据集上与目前7个不同的时间序列变量预报模型进行全面对比,验证本研究提出预报框架的精度和概率综合性能。     

基于EEMD-AR模型的丹江口水库年径流随机模拟与预报

基于水库历史年入库径流序列组分分析和识别,采用线性趋势回归检验法、有序聚类法、方差线谱法等方法,推求出序列趋势项、跳跃项及周期项等确定性成分,提出基于集合经验模态分解法(EEMD方法)的水库年径流自回归随机模拟模型(EEMD-AR),并应用于丹江口水库的年径流随机模拟和预报中。通过EEMD分解,解决了当丹江口水库历史年径流序列为非平稳序列时不能直接应用自回归模型(AR)进行随机模拟和预报的问题。模拟结果表明,EEMD-AR模型能较好地模拟丹江口水库年径流序列并保持原历史序列的统计特性,且模型预报精度符合要求。     

基于标准年和相空间重构的水文预报方法

文中提出了一种基于标准年和混沌分析的中长期水文预报方法。首先对最近若干年的水文时间序列进行标准年和剩余分量混沌特性分析;然后计算出时间序列与标准年差值余项的差分序列;最后利用相空间重构理论对此差分序列进行混沌预测,得到预报结果。实例计算表明此方法是可靠的。     

时间序列模型在吉林西部地下水动态变化预测中的应用

运用时间序列分析理论对吉林西部地下水位动态变化进行了分析和预报。首先采用多项式拟合提取水位动态的趋势分量，而后运用频谱分析方法中的谐波分析提取其中的周期成分，利用自回归（AR）模型模拟随机分量，最后将三者线性叠加建立预报模型，并给出了模型精度检验方法。通过模型分析，可知该区地下水位变化存在两个主要周期（1年和7～9年），揭示了地下水位的季节性变化和多年变化规律。2002年以后的预报结果表明部分地区的地下水位将持续下降，应及时加以控制。     

基于BP-ARIMA的混凝土坝多尺度变形组合预报模型

针对大坝变形常规统计预报模型在监测信息挖掘时的优势单一性及预报精度欠佳等问题,视大坝变形观测资料为非平稳时间序列,从影响大坝变形的因素出发,将其分为周期性影响因素与随机影响因素,利用多尺度小波分析方法将大坝变形监测序列分解并重构,结合BP神经网络与自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)对其随机信号与系统信号分项训练预报,并将其预报值相叠加,据此,应用时间序列原理提出了一种基于BP-ARIMA的混凝土坝多尺度变形组合预报模型。工程实例分析表明,所建组合模型较常规模型能够有效挖掘监测信息中所蕴含的有效成分,预报精度显著提升,且计算分析过程简便,为高边坡及水工建筑物中其他监测指标的预报提供了新方法。     

株洲水文站水位数据时间序列分析

在水文计算中，一般假定水文现象在时间序列上是相互独立的随机事件。文中利用混沌分形研究中的时间序列分析方法，采用株洲水文站的水位数据研究水文现象的分形时间序列，发现在水文观测中，水位序列并非相独立的随机序列，水文现象是具备混沌特征的复杂现象。