Holt-Winters与ARIMA模型在电离层总电子含量预报中的比较

利用IGS中心发布的15天TEC数据作为样本,采用Holt-Winters加法、Holt-Winters乘法和ARIMA模型分别进行5天的TEC值预报。分析了太阳活动、纬度、预报时长对3种模型预报精度的影响。实验结果表明,3种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期的预报精度要优于活动活跃期。在平静期,3种模型在高纬度地区的预报效果大致相同;在中、低纬度地区加法模型的预报效果要优于另外两种模型。在活跃期,3种模型在高纬度地区的预报效果大致相同;中纬度地区乘法模型和ARIMA模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于ARIMA模型。加法模型精确预报时长可以达到5天左右,而乘法模型和ARIMA模型只能达到3天左右。     

Ｈｏｌｔ-Ｗｉｎｔｅｒｓ与 ＡＲＩＭＡ模型在电离层总电子含量预报中的比较

利用 ＩＧＳ中心发布的 １５天 ＴＥＣ数据作为样本,采用 Ｈｏｌｔ Ｗｉｎｔｅｒｓ加法、Ｈｏｌｔ- Ｗｉｎｔｅｒｓ乘法和 ＡＲＩ- ＭＡ模型分别进行 ５天的 ＴＥＣ值预报。分析了太阳活动、纬度、预报时长对 ３种模型预报精度的影响。实 验结果表明,３种模型的预报精度会随着纬度的降低、预报时长的增加而呈下降趋势;电离层活动平静期 的预报精度要优于活动活跃期。在平静期,３种模型在高纬度地区的预报效果大致相同;在中、低纬度地 区加法模型的预报效果要优于另外两种模型。在活跃期,３种模型在高纬度地区的预报效果大致相同;中 纬度地区乘法模型和 ＡＲＩＭＡ模型预报效果要优于加法模型;在低纬度地区,加法模型和乘法模型的预报效果要优于 ＡＲＩＭＡ模型。加法模型精确预报时长可以达到 ５天左右,而乘法模型和 ＡＲＩＭＡ模型只能达到３天左右。     

BP神经网络和ARIMA模型的变权组合电离层TEC预报

针对电离层总电子含量(TEC)非线性、非平稳性的特性,提出基于BP神经网络和差分自回归移动平均模型(ARIMA)的最优非负变权组合预报模型,并将其应用于TEC预报。利用IGS中心提供的不同经纬度的电离层平静期、活跃期TEC数据,分别采用BP神经网络模型、ARIMA模型和变权组合模型对TEC进行5 d预报。实验结果表明:在电离层平静期和活跃期变权组合模型预报5 d的平均相对精度分别为94. 7%和88. 9%,其中预报残差小于3 TECu的分别达到89. 3%和78. 5%,较单一模型的预报精度有明显提高。     

ＢＰ神经网络和 ＡＲＩＭＡ模型的变权组合电离层 ＴＥＣ预报

针对电离层总电子含量（ＴＥＣ）非线性、非平稳性的特性,提出基于 ＢＰ神经网络和差分自回归移动 平均模型（ＡＲＩＭＡ）的最优非负变权组合预报模型,并将其应用于 ＴＥＣ预报。利用 ＩＧＳ中心提供的不同经纬 度的电离层平静期、活跃期 ＴＥＣ数据,分别采用 ＢＰ神经网络模型、ＡＲＩＭＡ模型和变权组合模型对 ＴＥＣ进 行 ５ｄ预报。实验结果表明：在电离层平静期和活跃期变权组合模型预报 ５ｄ的平均相对精度分别为 ９４.７％ 和 ８８.９％,其中预报残差小于 ３ＴＥＣｕ的分别达到 ８９.３％和 ７８.５％,较单一模型的预报精度有明显提高。     

基于粒子滤波的电力机械设备状态在线监测

为提升电力机械设备状态在线监测的效果，提出基于粒子滤波的电力机械设备状态在线监测方法。通过人工萤火虫群算法改进粒子滤波算法后，借助随机子空间算法构建改进粒子滤波算法所需状态方程。利用该状态方程获取电力机械设备正状态观测矩阵和输出矩阵数值，并将其看作模态参数，依据该模态参数计算粒子滤波状态序列和电力机械设备振动状态变量数值后，构建粒子滤波器，使用该滤波器去除电力机械设备振动信号内干扰噪声后，对电力机械设备振动信号实施归一化处理，得到粒子权重概率和改进粒子滤波监测数值。通过设置振动信号监测步长和阈值，计算监测信号与采集信号差值，使其与所设阈值进行对比，获取电力机械设备状态在线监测结果。实验结果表明，该方法监测的电力机械设备信号最大偏差数值仅为0.003 dB,具备较好的信号跟踪能力，且具备较好电力机械设备振动监测能力。