采用小波分析和神经网络的短期风速组合预测

为了提高风速的波动性与随机性预测精度,提出小波分析和神经网络组合的风速预测模型.该方法利用小波分解将风速分解为一列频率不相同的分量,并利用二插值进行重构;根据各个分量的频率特征,选择合适的模型分别进行预测;高频分量采用组合神经网络预测,低频分量采用合适的单一模型直接进行预测;将各预测值叠加得到最终预测值.算例分析表明:相较于单一预测模型,所提方法的预测精度得到大幅提升,更加贴近实际风速曲线,预测结果更具可靠性.     

一种基于BP神经网络和小波变换的网络流量预测模型

结合小波变换和BP神经网络,建立一种网络流量预测模型.首先对流量时间序列进行小波分解,得到多个尺度的小波系数序列,以系数序列和原来的流量时间序列分别作为模型的输入和输出,构造人工神经网络并且加以训练.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于互信息理论与递归神经网络的短期风速预测模型

风速的波动性和随机性为风电并网造成安全隐患,提高风速预测精度对于风电系统的稳定和风能发展十分重要.提出一种基于互信息(MI)理论和递归神经网络(RNN)的短期风速预测组合新模型(MI-RNN).该模型利用MI理论选择最优的历史风速序列长度(τ),通过每τ步预测下一时间点风速的方式,将历史风速数据输入RNN中进行模型训练,并由训练后的RNN模型输出最终的风速预测结果.将MI-RNN模型应用于风电场的风速数据集中,与传统机器学习风速预测模型进行比较,以验证模型的预测精度.结果显示,MI-RNN模型的预测精度更高,预测稳定性更强,并且能够准确预测未来风向,有望应用于含空间维度的风电场的风速预测.     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法

为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

最小二乘支持向量机在API预测中的应用

传统的空气污染指数预测模型大多是以影响空气污染指数的重要气象因子作为输入,使用BP神经网络进行建模,模型的预测精度低且收敛速度慢.针对空气污染指数时间序列的非线性及多分辨率特性,提出了一种空气污染指数的最小二乘支持向量机预测模型.首先利用小波变换对原始的空气污染指数时间序列进行多尺度分解,以各尺度上的小波单支重构序列和重要的气象因子作为输入,然后使用该模型对兰州地区的空气污染指数进行了预测,最后讨论了模型参数的优化方法并使用网格法对两个参数进行了优化.仿真结果表明,与传统的BP神经网络预测模型相比,该模型具有更高的预测精度、更快的收敛速度及更好的稳定性.     

基于花朵授粉算法的组合式风速预测

针对风速的波动性导致风电功率不稳定,严重影响电力系统的安全、稳定运行等问题,提出一种基于风速数据分解的组合式模型,该模型首先利用集合经验模态分解法将风速序列分解为频率不同的若干个分量,降低了风速序列的非平稳性。然后利用花朵授粉算法优化BP(back propagation)神经网络构建预测模型,预测各个分量的变化趋势。最后将各个分量的预测值进行叠加组合得出最终的风速预测值。仿真结果表明,所提出的组合式模型平均绝对误差控制在0.2 m·s~(-1)以内,在风速预测方面有较高的预测精度,具有广阔的实际应用前景。     

基于空间相关性和小波-神经网络的短期风电功率预测模型

为准确预测风电功率,该文提出1种预测模型。利用风速空间相关性把握风速时间序列的变化规律。将小波基函数植入神经网络的神经元节点中作为传递函数,对风电功率进行预测。对2相邻风电场短期风电功率预测算例进行仿真与对比分析。结果表明基于空间相关性和小波-神经网络(SC-WNN)的预测模型与逆传播神经网络(BPNN)和小波-神经网络(WNN)预测模型相比,平均百分比误差最大降低了0.164 3。     

基于小波与DBN的负荷预测模型

针对原始数据存在干扰以及BP神经网络和深度置信网络(DBN)局限性的问题,提出了一种小波与DBN相结合的负荷预测模型.该方法主要是先将原始负荷数据进行小波降噪,将降噪后的数据用来训练DBN模型,最后用该模型进行负荷预测.分别对比BP、DBN以及小波与DBN组合模型对负荷的预测结果与真实值的差异,仿真结果表明小波与DBN组合预测模型预测曲线趋势和真实值的一致性最好,从数据中得出BP、DBN以及组合模型预测结果的均方根误差分别为23.862、13.656和10.477,说明小波与DBN组合模型对负荷预测的准确性最高.     

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

熵在空气质量指数(AQI)预测中的应用

为了更准确地找出影响空气质量指数的气象因子与提高其预测精度,提出了基于熵、BP神经网络和时间序列模型的组合预测模型。该方法利用增加了特征变量的转移熵方法,得到影响AQI的气象因子及其影响度,将得到的气象因子与AQI实测值作为BP神经网络的输入因子和时间序列分析模型的特征因子,影响度作为BP神经网络输入因子的初始权重,构建BP神经网络预测模型和时间序列分析预测模型,最后用熵值法组合各个预测模型的预测结果。实验表明利用该方法对空气质量指数进行预测可提高其预测精度。     

基于小波分解的统计模型对小时风速的预测

为提高小时风速的预测精度,提出了基于小波分解和AR模型的混合模型(WD-AR).模型应用小波分解技术将风速序列进行多层分解,再利用AR模型分别对各分解层的风速序列进行预测,最后将预测结果叠加得到预测值.采用河西地区风速观测数据对模型进行分析验证,结果表明:WD-AR模型预测精度指标R,RMSE和MAP E值分别是0.89,0.36和27%,与AR模型相比有了较大的改善,提高了小时风速的预测精度,说明WD-AR模型具有更好的预测能力.     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

基于集合经验模态分解和改进布谷鸟算法优化BPNN的混合风速预测

风速预测在风电场的运行中扮演着重要的角色,但由于风速时间序列在统计上呈现出高维、非线性、多重周期性的复杂特征,风速被研究者认为是最难模拟和预测的气象参数之一.该文分别采取集合经验模式分解(EEMD)和离散小波去噪(DWT)对风速数据进行降噪,利用改进布谷鸟(MCS)算法优化BP神经网络(BPNN)中的权值和阈值,从而构建基于数据预处理和模型参数优化的混合风速预测模型并用来预测中国环县风电场2017年日平均风速.数值模拟结果表明EEMD-MCS-BPNN模型预测精度比混合模型EEMD-BPNN,DWT-MCS-BPNN,DWT-BPNN,MCS-BPNN和单个BPNN模型的预测精度高.     

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量的仿真实验,结果显示该模型能够对网络流量进行比较精确的预测.     

混沌理论与极限学习机的网络流量预测

提出一种混沌理论和极限学习机的网络流量预测模型.首先对网络流量时间序列进行小波分解得到不同分量,然后采用混沌理论对各分量进行相空间重构,并利用神经网络中的极限学习机进行建模,得到各分量的预测结果,最后采用对分量的预测值进行叠加组合,并采用具体网络流数据集进行模拟测试.相对于其他模型,混沌理论和极限学习机的网络流量预测模型能准确地反映网络流量的变化特性,获得更高精度的预测结果.