基于EMD分解与ARMA模型的电力负荷预测

随着智能电网的发展以及整个社会用电的发展,短期负荷的预测对与整个电力系统来说越来越重要,笔者提出了一种基于EMD分解和ARMA预测模型的预测方法,对原始电力负荷数据先进性EMD分解,然后再对每个EMD分量单独进行ARMA模型预测,根据MATLAB仿真结果表明,笔者方法对比与直接用ARMA模型进行预测,预测精度明显提高。     

基于 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于EMD分解法的大坝变形预测模型及应用

针对传统模型对脉动时间序列的预测效果较差的情况,结合经验模态分解(EMD)、相关向量机(RVM)理论以及改进粒子群算法(IPSO)的优点,提出一种基于EMD分解法的大坝变形预测模型。首先利用EMD分解法对大坝变形时间序列进行分解和重构,使非平稳的大坝变形时间序列平稳化,再以RVM理论为基础进行预测,核函数选用高斯核函数,并采用改进粒子群算法(IPSO)进行寻优,最终建立EMD-RVM(IPSO)大坝变形预测模型。通过实例计算得到,SVM、RVM和EMDRVM(IPSO)三种模型的平均残差分别为5.29 mm、3.13 mm、0.97 mm,并且EMD-RVM(IPSO)模型的预测值误差均控制在5%以内。这证明EMD分解法对非平稳时间序列的预处理可有效提高预测精度,相比于标准SVM模型和RVM模型,EMD-RVM(IPSO)模型的预测精度更高,且结构稀疏度更好,在实际工程中具有一定的可行性。     

基于EMD-FOA-BP神经网络的大坝变形预测研究

建立了以经验模态分解法(EMD)和果蝇算法(FOA)优化BP神经网络为基础的EMD-FOA-BP大坝变形预测模型,该模型首先利用EMD将大坝变形序列分解成相对平稳的分量,再根据各分量的特点构造不同FOA-BP模型并进行预测,叠加各分量预测值得到最终预测结果。结果表明,EMD-FOA-BP模型的自适应能力、学习能力及非线性映射能力较强,在大坝变形预测应用中能有效提高精度,预测精度较FOA-BP模型有所提高,且明显优于BP神经网络模型和GA-BP模型。     

基于EMD-LSTM模型的河流水量水位预测

基于经验模式分解方法和长短期记忆网络(empirical model decomposition and long short-term memory network,EMD-LSTM)模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特征序列使用LSTM模型进行预测,最后叠加各个序列预测值,得到最终的预测结果。以南水北调工程某河流每隔1 h的瞬时流量、流速和水深监测数据为研究对象,采用EMD-LSTM模型进行建模,试验结果表明,该模型能够实现水位、水速和瞬时流量连续12 h和6 h的准确预测,且比LSTM模型具有更高的预测精度,可为水位预判和水资源的实时调度提供决策依据。     

基于EMD-FBI-ELM模型的径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明：EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。     

基于EMD-LSTM-ANFIS模型的年径流预测研究

为提高径流预测精度,提出基于经验模态分解(EMD)和长短期记忆(LSTM)神经网络、自适应神经模糊推理系统(ANFIS)相结合的径流预测模型。通过EMD将原始径流序列分解成多个更具规律的分量序列,利用自相关函数法(AFM)和虚假最邻近法(FNN)对每个分量序列进行相空间重构,确定输入、输出向量,建立EMD-LSTM-ANFIS预测模型,并构建EMD-LSTM、EMD-ANFIS、LSTM、ANFIS作对比模型,利用建立的5种模型对云南省龙潭站年径流进行预测及对比分析。结果表明:EMD-LSTM-ANFIS模型对实例年径流预测的平均相对误差为3.18%,平均相对误差较EMD-LSTM、EMD-ANFIS、LSTM、ANFIS模型分别降低55.0%、65.2%、68.1%、78.4%,具有更高的预测精度和更强的泛化能力。EMD-LSTM-ANFIS模型用于径流预测是可行和可靠的。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于EMD的SVM支持向量机模型在朝阳旱灾预测中的应用

为提高旱灾预测精度,本文运用EMD（经验模态分解法）与SVM（支持向量机）的组合模型对朝阳地区51a（1968-2018）旱灾情况进行预测研究,利用不同模型的独特优势,提高旱灾的预测精度,从而降低单一旱灾预测模型存在的弊端。结果表明：基于EMD的SVM支持向量机模型在朝阳旱灾预测中的应用取得了较好的预测精度,预测值均方误差（MSE）为0.000 5,决定系数（R2）为0.992,均优于SVM支持向量机预测模型的结果,将该模型应用在朝阳地区旱灾预测中具有一定的可行性。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于马尔科夫链残差修正的EMD-MELM混凝土坝位移预测模型

基于经验模态分解(EMD)、改进的极限学习机(MELM)以及马尔科夫链,提出了一种新的混合模型。由于混凝土坝的变形可看成静水压力、环境温度和时间效应而产生的变形,前两者体现总变形中的周期性分量,后者体现为总变形中的趋势性分量,所以在数据预处理阶段,利用经验模态分解技术将坝体总位移序列分解为趋势分量位移和周期分量位移,选择多项式函数预测趋势分量位移,提出了一种改进的极限学习机,即均值学习机集成(MELM),采用MELM模型对周期分量进行预测。再使用马尔科夫链修正模型对两个模型的拟合残差进行修正预测,叠加各预测值得到最终预测值。在某混凝土坝的应用表明,该组合模型的拟合及预测精度明显优于传统模型,具有操作简便、预测精度高、训练速度快等优点。     

基于机器学习的重力坝变形监测统计模型及应用

为了提升重力坝变形监测模型精度,文章采用极限学习机(ELM)、基于网格搜索和交叉验证的支持向量机、基于模拟退火遗传算法优化的BP神经网络(GASA-BP)三种机器学习方法对经验模态分解(EMD)重构的周期项进行训练和预测,并与传统的最小二乘法进行对比分析。结果表明,机器学习算法可以有效提升模型的拟合及预测精度。     

基于经验模态分解和支持向量机的日径流预测研究

准确的径流预测是水资源开发利用的重要依据，但预测难度大。为提高日径流预测精度，以榕江流域南河东桥园站日径流为例，建立了经验模态分解(EMD)和支持向量机(SVM)耦合的日径流预测模型。首先，利用经验模态分解将日径流系列分解为若干子过程，再采用支持向量机深度学习模型分别对每一个子过程进行预测，最后将每个预测结果相加得到原日径流数据的预测结果。研究表明：EMD-SVM组合模型相对于SVM、BP、LSTM单模型具有更好的预测性能。     

基于EMD的小波神经网络模型预测大坝变形

针对大坝变形预测中非平稳非线性的数据处理问题,以及小波神经网络(WNN)在预测中无法实现自适应多分辨率分析的不足,提出一种基于经验模态分解(EMD)的小波神经网络预测模型(EMD-WNN)。利用经验模态法将变形时间序列分解成具有不同物理尺度特征的变形分量,以便降低其非平稳性;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量,并分别对其建立WNN模型;最后叠加各预测值即为最终预测结果。算例与多元回归模型、BP神经网络模型和WNN模型对比分析表明,该算法预测精度较高,可用于大坝变形预测。     

基于经验模态分解和LSTM模型的滑坡位移预测

建立高精度的位移预测模型对滑坡的提前预报具有重要意义,然而以往的研究多是选用静态预测模型,无法满足滑坡的动态特性。鉴于此,以三峡库区新滩滑坡为例,选用了近期较为流行的长短时记忆网络(LSTM)模型来对滑坡滑动前的累积位移进行动态预测。首先选用经验模态分解法(EMD)将滑坡累积位移分解成趋势项和周期项,然后利用多项式函数预测趋势项位移;再利用动态LSTM模型预测周期项位移;最后将各分量位移累加得到最终的模型计算值。结果表明:LSTM模型预测结果的均方根误差为17.07 mm,相关性系数达0.999,具有较高的预测精度,为"阶梯状"滑坡位移的预测提供了一种可行的思路。     

基于人工神经网络和支持向量回归机的干旱预测

气候变暖导致南方湿润地区干旱逐渐加剧,干旱预测对于水资源优化管理、缓解旱情具有重要意义。基于不同时间尺度的标准化降水蒸散指数(SPEI)作为干旱评价指标,通过构建人工神经网络(ANN)和支持向量回归机(SVR)模型进行了预见期为1～3个月的干旱预测,并进一步构建了经验模态分解的人工神经网络(EMD-ANN)和支持向量回归机(EMD-SVR)耦合模型,以提高1个月时间尺度SPEI1的预测精度。结果表明:对时间尺度为3个月及以上的SPEI,ANN和SVR模型具有良好预测效果,且SVR模型预测精度略优于ANN模型;预见期越短,干旱预测精度越高,预见期1个月的ANN和SVR模型预测决定系数可达到0.834～0.911;ANN和SVR模型对1个月时间尺度的SPEI1预测效果较差,通过EMD及小波消噪处理后,基于EMD-ANN和EMD-SVR模型的SPEI1预测精度显著提高。     

基于多种混合模型的径流预测研究

变化环境下径流的波动不断加大,给径流的精准预报带来新的挑战。基于"分解-合成"策略的混合径流预报模型来提高预报精度是当前研究的热点之一。以往研究聚焦在单一的混合预报模型而忽视了它们的适用性研究。基于此,以渭河流域为例,在优选多元线性回归(MLR)、人工神经网络(ANN)和支持向量机(SVM)单一预报模型的基础上,分别基于经验模态分解(EMD)、集合经验模态分解(EEMD)和小波分解(WD)构建了多种混合模型,并融合了大气环流异常因子的信息。结果表明:(1)SVM模型预测精度高于ANN和MLR;(2)混合预测模型预测精度均高于单一模型,混合模型中WD-SVM的预测精度优于EMD-SVM和EEMD-SVM;(3)融合大气环流异常因子后WD-SVM模型预测精度最高,对极值预报精度的提高较为明显。     

ABC-RBF神经网络在平板坝裂缝开合度监测中的应用

为提高混凝土平板坝裂缝开合度预测精度,针对混凝土平板坝裂缝开合度监测序列呈非线性以及周期性变化的特点,将基于EMD分解优化的ABC-RBF神经网络模型应用于混凝土平板坝裂缝开合度安全监测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,可用于分析混凝土平板坝裂缝开合度的安全监测。     

基于EMD-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解（EMD）将趵突泉岩溶地下水水位分解为5个分量（4个本征模函数项和1个残余项）,以此消除水位数据的非平稳波动性;同时构建长短期记忆（LSTM）神经网络模型,并将与地下水水位动态变化密切相关的降水量（表征含水层补给项）和月平均气温值、月最高气温值、月最低气温值、水汽压值（表征含水层排泄项）作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明：EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。     

基于多模型比选耦合的降水预测

变化环境下水文时间序列的模拟预测难度不断加大,以往研究大多聚焦在模型的不同组合尝试与应用探索,但缺乏针对不同组合模型适用性与稳定性的系统研究。选择经验模态分解（empirical mode decomposition,EMD）、总体平均经验模态分解（ensemble empirical mode decomposition,EEMD）、改进的总体平均经验模态分解（modified ensemble empirical mode decomposition,MEEMD）和变分模态分解（variational mode decomposition,VMD）4种常用的分解算法,与多元线性回归（multivariable linear regression,MLR）、随机森林（random forest,RF）、BP神经网络（back propagation,BP）、卷积神经网络（convolutional neural networks,CNN）和长短期记忆神经网络（long short-term memory,LSTM）5种具有代表性的模型结合,构建20种基于“分解-预测-重构”模式的组合模型,并以华北地区密云、官厅两流域年和汛期降水为例,进行模型适用性与稳定性综合对比分析。结果表明：单一模型对密云流域年降水和汛期降水的预测结果优于官厅流域,但整体预测结果均不理想;结合分解算法后的组合模型预测结果明显优于单一模型,且该预测结果存在正负误差抵消现象,因此有助于进一步提高组合模型的整体预测精度;与基于EMD系列的分解算法相比,VMD算法对模型预测精度提升效果最显著,组合模型适用性和稳定性整体上表现为VMD-MLR＞VMD-LSTM＞VMD-BP＞VMD-CNN。