基于马尔科夫链修正的RBFNN模型在碾压混凝土重力坝变形预报中的应用

针对径向基神经网络(RBFNN)预报模型的不足,提出了一种基于马尔科夫链修正的RBFNN预报模型,以RBFNN模型的预测结果为基准,利用马尔科夫链进行误差修正,进而显著提高模型的预报精度。以某碾压混凝土重力坝的变形监测为例,建立大坝变形预报模型,并将其结果与单一的RBFNN模型的预报结果做了对比,结果表明,基于马尔科夫链修正的RBFNN预报模型精度更高,结果更符合实际。     

ARIMA-MC组合模型在大坝变形安全监测中的应用

为及时了解大坝的安全状况,在坝体变形监测资料往往不平稳的基础上,建立了ARIMA预测模型,通过马尔科夫链预测了ARIMA模型的误差,从而修正了模型的预测值,建立了ARIMA-MC组合模型,并结合实测数据验证了此组合模型的有效性。结果表明,ARIMA-MC组合模型预测精度高,具有较好的实用性。     

考虑残差的小波G-Verhulst-ARIMA大坝变形组合预测模型及应用

鉴于传统的统计模型未考虑变形中的随机扰动和混沌现象，借助小波分析、灰色Verhulst模型（G Verhulst）〖JP〗和差分自回归移动平均模型（ARIMA）分析统计模型的残差，以充分挖掘变形观测资料中的数据特性。首先利用小波分析对残差序列去噪，提取出不同频率的信号，然后分别用G Verhulst模型和ARIMA模型进行建模预测，最后将统计模型预测值和残差预测值叠加，建立了一种考虑残差的小波G Verhulst ARIMA大坝变形组合预测模型。实例应用结果表明，与不考虑残差的组合模型及使用GM（1，1）模型（EGM）代替G Verhulst模型的组合模型相比，该模型拟合和预测时的均方误差均小于其他两组模型，有效提高了预测精度，为建立大坝安全监控模型提供了新思路。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。     

ARIMA-GRNN模型在大坝安全监测中的应用

为提高大坝安全监测数据预测精度,将差分自回归移动平均模型(ARIMA)与广义回归神经网络(GRNN)相结合,建立了ARIMA-GRNN预测模型。以前期实测值和ARIMA拟合值作为GRNN网络的输入,后期实测值作为网络输出,以平均平方误差最小为原则寻找光滑因子,建立最佳的预测模型,并运用熵权法和标准离差法对各模型进行多指标综合评价。结果表明,ARIMA-GRNN模型预测精度较ARIMA模型明显提高,可应用于大坝安全监测。     

基于ARIMA-SVM方法的梯级泵站机组运行趋势预测

针对多因素参与下梯级泵站机组运行趋势预测建模困难且预测准确度低、适应性差的问题，以宁夏盐环定扬黄工程为研究对象，引入时间序列分析法，提出了基于ARIMA与SVM模型组合的泵站机组运行趋势预测方法，即选择机组运行技术参数中的能源单耗和平均负荷作为试验样本，由ARIMA建模对处理后的数据进行线性拟合，通过SVM模型对残差进行预测处理，补偿机组运行中的非线性变化，综合二者预测结果得到组合模型预测值。结果表明，最优模型为ARIMA(1,1,3)、ARIMA(2,1,1),SVM模型最优参数分别为c=38、g=0.06和c=68、g=0.18;组合模型对试验样本的预测拟合优度分别达到0.999 2、0.998 4,均方根误差分别为1.67×10^-5、3.9×10^-8,平均绝对百分比误差分别为0.036 1%、0.074 7%,说明该组合模型预测泵站机组运行趋势精度较高、效果良好，可为泵站机组运行状态监测系统优化升级提供理论基础。     

中国能源供给与消费预测分析

能源供需矛盾问题一直是我国经济社会发展中的焦点。对我国能源生产与消费的规律进行简单的分析,采用能源供需历史数据分别构建适合于我国能源生产和消费的ARIMA模型,并对2009年到2013年我国能源的供给与需求进行了预测及分析。结果表明:①预计未来5年我国能源生产与消费基本趋于平衡;②能源生产同比增长速度大于消费增长速度;③ARIMA模型能用于能源生产与消费预测,且预测误差较小。     

基于加权秩次集对分析法的年径流预报模型

针对秩次集对分析方法在年径流预报中存在的问题,对其历史集合中的各元素所在位置与后续值的位置之间的间隔赋予了不同的影响权重,构建了年径流加权秩次集对分析预报模型,给出了模型在年径流预报应用中的步骤,利用黑河干流莺落峡站1945～2009年的实测径流资料检验了该模型的有效性,并与秩次集对预报模型、ARIMA预测模型及BP预测模型的预测结果进行了比较。结果表明,加权秩次集对预报模型的平均误差为12.29%、合格率为100%,本文对秩次集对预报模型的改进有效、可行。     

短期预测中的研究

摘要： 为降低风力发电厂并网后对电网稳定性和波动性的影响,风力发电功率的特性分析和预测显得十分重要。论文针对影响风力发电功率的气象因素,引用主成分分析和逐步回归分析2种方法,明确了风速和最低温度与发电功率的因果关系。在进行发电功率预测中以风速作为主因变量的条件,应用指数平滑模型、ARIMA模型、组合预测3种方法分别对风力发电功率进行了预测。组合预测是将前两种预测方法的优点进行组合,使预测结果的精确度得到进一步的提高。     

基于ARIMA模型对汽车工厂用电量分析与预测

研究了利用时间序列基本分析方法-ARIMA模型分析法,对汽车工厂每月用电量进行数据分析、处理、拟合、检验及预测。以2015年1月至2018年9月用电计量数据作为分析样本,使用Eviews 10软件对该时间序列进行回归建模。通过对比不同模型,最终选择ARIMA(1, 1, 1)(1, 1, 1)12模型;通过用电量预测方程,预测2018年10、11月的用电量分别为19 816 784、21 868 199 kW·h,与实际值进行对比验证,预测误差分别为3.82%和2.94%,结果显示该拟合模型对汽车工厂每月用电量具有良好的预测效果,满足直购电申报量的误差在5%以内的要求。     

配电台区中短期负荷预测方法研究

配电台区的负荷预测是台区配电扩容规划的基础工作.但受到配电台区统计数据种类单一、数据质量差甚至无法获取等因素的影响,配电台区的负荷预测存在精度低、预测模型复杂等问题.根据台区配电负荷日峰值数据表现出的周期性和渐变性,建立基于温度-负荷回归模型残差的ARIMA模型的台区配变负荷峰值预测方法.建立温度-负荷回归模型,以日最高气温为自变量,对负荷数据进行回归分析,将回归分析得到的数值与真实数据进行比较得到回归残差,建立回归模型残差序列的ARIMA模型,并进行参数估计计算,即可得到待预测日负荷预测值.预测误差率的分析结果显示,本方法的预测结果精度好,准确性高.该方法克服了台区配电负荷影响因素繁杂、差异性大、难以量化的困难,具有很强的实践性,易于推广.     

基于组合模型的月降水量预测研究

近年来,由降水量过多或过少引起的灾害日益增加,因此准确地预测降水量对人类的生活和社会的发展具有重大意义和实际应用价值。基于郑州市1990～2019年的月降水量数据,分别利用SARIMA、Prophet、LSTM单一模型对郑州市2020～2021年的月降水量进行预测。为了提高月降水量的预测精度,提出SARIMA-EMD-LSTM、Prophet-EMD-LSTM两种组合模型,实证表明这两种组合模型预测精度更高,均方根误差显著减少,其中Prophet-EMD-LSTM组合模型的预测效果相对较优。最后利用该模型对郑州市2022年4～12月的月降水量进行了预测,精度较高。     

混煤煤灰软化温度的实验研究与预测

从某电厂700MW机组锅炉取混煤灰样，在智能灰熔点测定仪上采用角锥法对其进行软化温度测定。实验结果表明，混煤煤灰软化温度与掺混比呈非线性规律。采用径向基神经网络（RBFNN）在MATLAB环境下建立了混煤软化温度的智能预测模型。为检验模型的预测效果，以实验的8个混煤煤灰作为受验样本，应用该网络模型对其软化温度进行预测。预测表明：RBFNN模型的预测结果与实验结果吻合良好，二者的最大相对误差为3．79％，平均相对误差为1．56％。预测效果远远优于线性预测模型。     

基于TRAMO-SEATS的月售电量预测方法及应用

为提高月售电量预测准确度,引入TRAMOS-SEATS季节调整方法和Hodrick-Prescott滤波法将月售电量分解为趋势分量、季节分量、循环分量和不规则分量,消除了各分量之间的相互影响。采用ARIMA方法对趋势分量进行预测,采用Holt-Winters加法模型对季节分量进行预测,采用历史同期同类平均值法对循环分量和不规则分量进行预测,最后得到月售电量预测结果。应用实际算例对月售电量进行预测并与实际数据进行对比,验证法方法的正确性与有效性。     

基于EEMD-GRNN的降水量预测分析

为验证EEMD-GRNN降水量预测模型的准确性,基于南京地区年降水量数据对其进行研究,并与GRNN模型和BPNN模型进行对比。结果显示,EEMD-GRNN模型在年降水量预测上较GRNN模型和BPNN模型具有较高的预测精度,且预测结果可信,为提高降水量预测精度提供了新方法。     

灰关联模式识别与预测方法在河南省黄河中游流域夏季雨量中长期预报中的应用

基于三门峡、郑州、卢氏、孟津、济源和孟州站6~8月累积雨量资料,采用灰关联模式识别与预测方法进行了中长期雨量预测,预报验证期为5年。结果表明,6个站点的预报合格率均大于等于60%,总体上看丰水年的预报合格率大于枯水年,其中卢氏站的预报合格率最好,达到100%;三门峡站2006年、孟津站2002年和2006年预报相对误差较大,原因在于其实测值在各自站点从小到大排序中排位靠前,可见灰关联模式识别与预测方法在预测极小值时效果较差。     

PCA-ARIMA模型在国际水电工程项目风险预测中的应用

为有效预测少量数据下的国际水电工程项目风险问题,选取国际水电工程有关经济、社会和政治维度的16个风险指标,利用主成分分析法(PCA)对1984～2012年的29个训练数据进行降维,提取综合风险指标输入ARIMA模型进行风险预测拟合,并与2013～2017年的验证数据集做误差分析。结果表明,模型有效改善了传统风险分析法样本需求量高的缺点,风险预测结果与验证数据集在4年内的对比平均误差率低于2%,可见模型准确、可行。     

基于人工鱼群-径向基神经网络的NOx预测模型

针对燃煤电厂脱硝系统入口NOx质量浓度迟延较大、难以测量的问题,提出了人工鱼群算法(AFSA)优化径向基神经网络(RBFNN)预测模型.利用互信息确定模型输入变量,运用K-近邻互信息算法预估迟延时间;采用具有强泛化能力的RBFNN建立相空间重构的辅助变量和主导变量的预测模型,并运用AFSA确定RBFNN的最优参数组合,克服输入规律不明和参数随机性的影响.最后将AFSA-RBFNN预测模型与RBFNN、PSO-RBFNN预测模型进行对比验证.结果表明:AFSA-RBFNN预测模型的均方根误差、平均绝对百分比误差最小,运行时间最短,表明该模型的泛化能力、预测精度明显优于其他模型,并能够解决粒子群算法的局部收敛和运行时间长的问题.     

基于小波分析的两种神经网络耦合模型在月径流预测中的应用

为提高河川径流的中长期预报精度并延长其预见期,采用小波分析充分提取有用信息,基于BP神经网络和GRNN神经网络,构建了两种小波神经网络耦合模型,测试了Daubechies族中9种母波函数对模型模拟效果的影响,并采用合格率(Q_(QR))、平均相对误差(M_(MPRE))、均方根误差(R_(RMSE))和确定性系数(N_(NSE))等指标评价了模型精度。将该模型应用于金沙江流域向家坝水文站未来1~5个月的径流预报,结果显示,相比于传统BP和GRNN模型,耦合模型具有明显优势,且基于小波分析的BP模型预报结果更接近实测值,预报精度更高,其未来4个月的平均相对误差在±20%以内。表明小波分析方法能充分挖掘隐藏在原始数据中的有用信息,可有效提高耦合模型的预报精度延长预见期,在径流预测方面有明显的优越性。     

基于ARIMA-SVM组合模型的光功率趋势预测新方法

针对电力通信系统光纤线路未来状态趋势预测问题,提出一种基于自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)-支持向量机(Support Vector Machine,SVM)组合模型的光功率趋势预测法。根据光功率数据的非线性和时变性特点,首先利用小波变换将其分解并重构,然后设计一种基于混合核函数的SVM预测模型,对重构后的数据分别构建ARIMA模型与基于混合核函数的SVM模型并预测,最后组合2种模型的预测结果实现光功率趋势预测。分别采用ARIMA模型、径向基函数(Radical Basis Function,RBF)模型、SVM模型、ARIMA-RBF模型与该模型进行实验并对比,结果表明,基于混合核函数的ARIMA-SVM组合模型对光功率趋势预测最为准确,其预测精度及计算速度都有了显著提高,为未来光功率趋势发展提供了一种有效可行的预测新方法。