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。     

基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个频率不同的分量;然后,利用变分模态分解(VMD)算法进一步分解频率最高的分量,得到K个相对稳定的分量,其中,K由各分量与利用VMD算法分解得到的残差的相关系数确定;接着,建立基于高斯核和多项式核的混合核最小二乘支持向量机(LSSVM)预测模型,对所有分量进行预测,并利用蝗虫优化算法优化混合核函数的参数;最后,将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明,与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比,基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高,能有效反映太阳辐照度的变化规律。     

基于EMD分解的AR模型在年径流预测中的应用

为提高年径流中长期预测的精度,提出了一种新的时间序列预测方法——基于EMD分解的AR模型,以汾河上游上静游、汾河水库、寨上和兰村四座水文站1956~2000年的年径流序列为例,首先利用经验模态分解(EMD)方法将四座水文站的年径流序列分解为若干个固有模态函数(IMF)分量和一个残余项分量,然后运用自回归(AR)模型分别对各阶IMF进行预测,最后将各阶预测值重构得到年径流量预测值与单独运用AR模型的预测结果进行比较。结果表明,运用基于EMD分解的AR模型对汾河上游年径流进行预测,其预测精度比单独运用AR模型的预测精度有明显提高,表明该方法可行、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.     

基于VMD-GRU与非参数核密度估计的月径流区间预测方法及应用

提高径流预测的适用性对水资源的合理开发和高效利用具有重要意义。针对传统点预测方法无法有效描述预测结果的不确定性问题,提出了基于VMD-GRU和非参数核密度估计的月径流区间预测方法。首先采用变分模态分解(VMD)将月径流序列分解为一系列相对平稳的子序列,然后利用门控循环单元(GRU)分别预测各子序列,叠加得到最终的点预测结果,最后在点预测的基础上,应用非参数核密度估计进行月径流区间预测,并将提出的VMD-GRU模型与GRU、极点对称模态分解-门控循环单元(ESMD-GRU)和完全集合经验模态分解-门控循环单元(CEEMDAN-GRU)模型进行对比。结果表明,该模型点预测精度明显高于其他模型,同时非参数核密度估计为径流区间预测提供了合理的波动范围,可为管理决策提供参考。     

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EEMD-Xgboost组合模型的渭北流域月径流序列模拟研究

为提升月径流序列的模拟精度,利用集合经验模式分解（EEMD）析出原始流量数据的模态分量,将极限梯度下降（Xgboost）作为预测函数,构建了基于EEMD-Xgboost的月径流预测模型,并应用EEMD-Xgboost模型训练了黄土坮塬区漆水站1951～1996年月径流序列变化规律,预测了1997～2020年的月径流量。结果表明,与单一Xgboost模型相比,EEMD-Xgboost模型的Nash-Sutcliffe效率(N_NSE)提升了20.27%、均方根误差(R_RMSE)减小了93.23%;且EEMD-Xgboost模型优于EEMD-ELM、EEMD-RF模型(N_NSE分别提高2.30%、3.49%;R_RMSE减小2.64%、11.75%)。EEMD-Xgboost混合模型集合了数据自适应分析与非线性映射的优点,改善了传统单一模型的预测能力。     

基于集合经验模态分解和相关向量机的风电功率实时预测研究

由于风电功率时间序列的非线性非平稳性特征,将一种基于集合经验模态分解(EEMD)和相关向量机(RVM)的预测模型引入到风电功率实时预测中。首先对风电功率时间序列采用集合经验模态分解,降低序列的非平稳性;其次对各子序列建立相关向量机预测模型;最后将得到的各子序列预测结果叠加就得到最终的功率预测值。利用该方法对吉林省某风电场进行功率预测,研究表明,该文所提出的预测模型能有效地提高预测精度,对工程有较高的利用价值。     

基于EEMD-ACS-LSSVM的短期风电功率预测

建立一种集成经验模态分解(EEMD)和改进最小二乘支持向量机(LSSVM)相结合的短期风电功率预测组合模型,以提高风电场输出功率的预测准确率。首先运用EEMD将功率历史数据分解为一系列相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后采用相空间重构将已分解的子序列进行重构,接着对重构后的子序列分别建立合适的预测模型,降低预测风险,使用自适应布谷鸟算法(ACS)优化最小二乘支持向量机参数,寻找全局最优解;最后将各个子序列的预测结果叠加得到最终预测结果。通过对新疆某风电场输出功率进行预测,结果验证了EEMD-ACS-LSSVM模型的有效性,具有更好的跟踪效果、预测精度。     

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

基于集成经验模态分解和量子细菌觅食优化的风速预测模型

基于风速时间序列内在规律特性,为改善经验模态分解(EMD)模态混叠现象,提出基于集成经验模态分解(EEMD)的风速组合预测模型。同时,针对预测模型参数选择问题,将量子力学的思想引入细菌觅食优化的繁殖算子中,结合量子空间下概率分布模型完成参数寻优。4种算法的参数优化结果表明,改进算法具有更好的全局寻优性能并能提高模型泛化能力。将其应用于组合预测模型中,仿真表明,基于EEMD预测模型能较好地消除EMD的模态混叠现象,具有更高的预测精度。     

基于EEMD的SOA-KELM风电功率概率性短期区间预测

针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。     

基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解（VMD）、极限学习机（ELM）、长短时记忆（LSTM）的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。     

基于核极端学习机的短期风电功率预测研究

随着风力发电的大规模发展和并网运行,风电场输出功率的精确预测对电力系统的运行具有重大意义。针对风力发电功率具有非线性和非平稳的特性,利用经验模态分解和核极端学习机结合的方法对短期风力发电功率预测进行研究。通过经验模态分解把风电功率时间序列分解成为一系列相对平稳的子数据序列,对每个子数据序列采用核极端学习机算法分别进行模型建立与预测,把每个预测模型得到的子数据序列预测值相加获得最终的风电功率预测值。基于此方法的某风电场输出功率实例数据预测仿真结果表明,该方法的预测模型能更好地跟踪风电功率的变化,预测误差比单独KELM方法减小7.6%,比EMD-SVM方法减小1.7%,能够在一定程度上提高风电功率预测的准确性。     

基于总体平均经验模态分解与改进Elman神经 网络的风功率组合预测

风功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于总体平均经验模态分解（EEMD）和改进Elman神经网络的短期风功率组合预测方法。首先利用EEMD分解将风功率序列按不同波动尺度逐级分解,得到不同频率的分量以缓解风功率序列的非平稳性,然后对各分量分别建立改进的Elman神经网络预测模型进行预测,最后叠加各分量的预测结果得到最终预测数据。仿真结果表明,该方法不仅可以有效缓解风功率非平稳性对于预测精度的影响,还可以避免传统方法的模态混叠问题,具有较高的预测精度和适应性。     

一种风电机组轴承健康劣化趋势预测方法

以风电机组轴承为研究对象,利用SCADA监测有关参数,计算这些参数与轴承温度的相关系数,对其归一化后得到各参数的影响权重,然后基于温度特征量构建轴承健康劣化度模型。应用改进的集合经验模态分解(EEMD)将具有非平稳性特性的劣化趋势分解为一系列相对平稳的分量,采用时间序列神经网络模型分别预测各类分量,叠加所有预测分量得到最终预测结果。结果表明:本文方法的预测精度较高,提高了与实际劣化度曲线的吻合程度。     

基于EEMD去噪和集对理论的风功率实时预测研究

提出一种基于整体平均经验模态分解(EEMD)去噪和改进秩次集对分析的风电功率实时预测模型。首先利用EEMD将风电功率时间序列进行分解,得到有限个本征模态分量(IMF)和一个趋势分量;然后将高频IMF分量中与原始序列相关性较小的分量作为噪声滤除,将余下的分量进行重构得到消噪序列;最后利用秩次集对分析法对消噪序列进行预测。在建立秩次集对分析预测模型时,考虑风电功率幅值在建立联系度中的作用,改进联系度的建立过程。采用3个不同装机容量的风电场的实测风电功率数据进行仿真实验,结果表明:该文所提出的预测模型具有优越的预测性能,并显示出良好的普适性。     

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VMD与GRU的抽水蓄能机组振动趋势预测

鉴于有效预测振动信号可为抽水蓄能机组的性能劣化及故障等预警提供重要依据的问题,提出一种基于变分模态分解(VMD)与门控循环单元神经网络(GRU)的抽水蓄能机组振动信号预测方法。首先,对原始的振动信号进行VMD分解,得到一组相对平稳且频率不同的本征模态函数(IMF),以减少不同频率信息间的相互影响;然后,针对各子序列分别构建GRU时序预测模型,并采用自适应矩估计算法(Adam)对各分量GRU预测模型进行优化;最后叠加各子序列预测结果得到抽蓄机组振动信号的预测值,并构建ANN、GRU、VMD-SVM、VMD-ANN 4种预测模型进行对比。试验结果表明,与所构建的4种预测模型相比,VMD-GRU预测模型在有效性及预测精度等方面效果显著,在实际工程中非常具有应用意义。