基于小波广义回归神经网络耦合模型的月径流预测

针对中长期水文预报方法预测结果精度低的问题,将离散小波变换(DWT)与广义回归神经网络(GRNN)耦合,建立了月径流预测模型。通过DWT处理将原始月径流序列分解重构为确定性成分和随机性成分两个分量,对两个分量的GRNN模型预测结果叠加作为预测值的方法称为WGRNN1模型。将WGRNN1模型与剔除随机序列的GRNN模型(WGRNN2)和不进行离散小波变换的GRNN模型结果进行对比,采用平均绝对误差(MAE)、确定性系数(DC)和相关系数(R)为模型评价指标。将模型应用于黑河干流莺落峡站的月径流预测,结果表明:模型WGRNN2的评价指标优于WGRNN1,且这两个模型预测效果都优于GRNN模型。说明与离散小波变换的耦合可以提高GRNN模型对月径流的预测精度,同时剔除随机成分的小波广义回归神经网络模型有更好的预测效果,可应用于实际生产。     

融合大气环流异常因子的径流预报研究

径流预报对区域水资源开发与管理具有重要的作用,当前的研究主要聚焦在先进的算法而忽视了丰富预报因子对提高径流预报精度的贡献。本研究以泾河径流为例,将遗传算法(GA)和回归支持向量机模型耦合,建立了改进的支持向量机回归模型(GA-SVR)。预报变量在常规预报因子(降雨与蒸发)的基础上增加了对径流影响较强的大气环流异常因子。结果表明,预测变量未含大气环流异常因子的情况下,GA-SVR模型的预测精度和泛化能力皆优于神经网络模型(ANN);考虑大气环流异常因子后,GA-SVR模型预测精度进一步提高。由此说明,SVR模型耦合GA后可提高月径流的预报精度,考虑大气环流异常因子后其预测精度可进一步提高。     

基于模态分解和支持向量机的风电功率组合预测

针对风电功率序列的不确定性和随机性特征,提出基于聚类经验模态分解(EEMD)和支持向量回归机(SVR)的风电功率预测模型。同时,为克服支持向量回归机依赖人为经验选择学习参数的弊端,采用纵横交叉算法(CSO)优化支持向量回归机学习参数。首先,利用聚类经验模态分解将原始风电功率序列分解为一系列复杂度差异明显的子序列。然后,分别对每子序列单独建立CSO-SVR预测模型。最后,叠加各子序列的预测值得到实际预测结果。实例研究表明,所提模型能获得优良的风电功率预测结果。     

基于 RCNN-SVR组合模型短期风电功率预测

提出一种回归卷积神经网络与支持向量回归组合模型 (RCNN-SVR),采用该模型预测短期风力发电功率. 首先搭建了一种回归卷积神经网络 (RCNN)模型;由于 RCNN 存在计算量大的问题,因此利用 RCNN 从数据集中 提取特征因素,并用特征因素训练支持向量回归 (SVR)对风电输出功率进行预测;最后采用某风电场数据集进行验证,结果表明 RCNN-SVR模型比单独使用的传统 RCNN 模型或支持向量机具有更高的准确率.其中,RCNN-SVR 模型的 CV-RMSE、MAE和 MAPE分别为０．０９９８、０．３９２８和０．５４６８,说明 RCNN-SVR模型有效地提高了预测精度 和输出结果的稳定性.     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列;然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

基于惩罚加权支持向量机回归的径流预测模型

径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。     

基于混沌分析的月径流序列耦合预测模型及其应用

针对北方地区月径流年内年际变化幅度大、单一方法难以预测以及径流时间序列预测时,非线性模型阶数难以确定的特点,提出基于混沌分析的月径流序列耦合预测模型。该模型从时频分析角度出发,把月径流序列分解成不同的频率成分,并以相空间重构为基础进行混沌分析,然后分别采用支持向量机进行预测。以淮河支流沙河上游某水库月径流预测为研究实例,得出了较满意的预测结果,为径流预测提供了一条新途径。     

基于遗传算法优化参数的支持向量机燃煤发热量预测

利用支持向量回归机(SVR)和遗传算法(GA)对煤的低位发热量建模,采用遗传算法对支持向量机预测模型的各项参数进行寻优,为减少所选参数对训练样本的依赖性,引入交叉验证的思想,以推广能力最好的一组参数作为最终参数.将优化参数代入 SVR 模型,得到基于遗传算法的支持向量回归机(GA-SVR)模型.通过对电厂入炉煤的试验数据进行分析,并且与常规 SVR 模型和 BP 神经网络模型(BP-ANN)进行对比,以验证该模型的可靠性和精确性.结果表明,该方法可准确地预测燃煤发热量.     

基于遗传算法与支持向量回归的发电机运行参数趋势预测

针对支持向量回归(SVR)模型在设备运行参数趋势预测中。根据人为经验选取模型参数导致预测精度不高的问题,提出了一种使用遗传算法(GA)优化SVR模型参数的方法(GA-SVR)。将该方法应用于发电机定子线圈出水温度的实时趋势预测中。结果表明,相较于SVR模型,GA-SVR具有更高的预测精度,能够满足电厂对发电机运行参数变化的趋势预测精度要求。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

基于改进的回归支持向量机模型及其在年径流预测中的应用

针对回归支持向量机(SVR)惩罚因子C和核函数参数g的选取对模型性能有着关键性影响以及在实际应用中存在参数选取等困难,提出基于启发式算法的PSO-SVR和GA-SVR年径流预测模型,以云南省落却站年径流预测为例进行实例研究。首先,利用SPSS软件选取年径流影响因子,确定输入向量;其次,基于粒子群算法(PSO)、遗传算法(GA)基本原理,采用PSO、GA优化SVR惩罚因子C和核函数参数g,构建PSO-SVR和GA-SVR多元变量年径流预测模型,并构建基于网格划分(GS)与交叉验证(CV)算法相结合的GS-SVR模型作为对比模型。最后,利用所构建的模型对实例进行预测分析。结果表明:PSO-SVR和GA-SVR模型对实例后16年年径流预测(随机5次平均)的平均相对误差绝对值分别为2.53%、2.79%,最大相对误差绝对值分别为7.11%、6.64%,平均绝对误差分别为0.1394、0.1527,预测精度和泛化能力均优于GS-SVR模型,表明PSO和GA能有效对SVR惩罚因子C和核函数参数g进行优化。PSO-SVR和GA-SVR模型具有预测精度高、泛化能力强以及稳健性能好等特点。相对而言,PSO-SVR模型性能略优于GA-SVR模型。     

基于正则极限学习机的非平稳径流组合预测

针对径流时间序列固有的强非线性和非平稳性特征,提出了一种将集合经验模式分解（EEMD）、样本熵（SE）和正则化极限学习机（RELM）相结合的非平稳日径流预测方法（ES-RELM）。为充分提取径流序列的局部信息以提高预测精度,利用EEMD-SE将径流序列分解为一系列差异度明显的子序列,然后根据各子序列的迥异特征构建了不同的RELM模型对各子序列进行预测,最后将各个子序列的预测结果叠加从而得到最终预测结果。将该模型应用于金沙江下游控制站屏山站的日径流预报中,与九种模型对比结果表明,该方法能有效提高日径流预报精度,是一种高效稳定的径流预报模型,为实现高精度实时径流预报提供了可能。     

帷幕灌浆量区间预测的Bootstrap-IGWO-SVM模型研究

由于帷幕灌浆注灰量预测过程中存在地质参数、预测模型和输入数据的不确定性,传统的点预测结果存在误差,并且难以对不确定性进行量化。针对上述问题,本研究提出基于Bootstrap方法和改进灰狼算法的支持向量机(Bootstrap-IGWO-SVM)的帷幕灌浆量区间预测模型,量化了预测模型的不确定性。首先通过Bootstrap算法对初始训练集抽样生成样本数据集;其次,通过灰狼优化算法对惩罚因子C、RBF核函数方差g和损失因子p进行参数寻优,提高SVM算法的预测精度;再次,利用非线性收敛因子、动态权重因子、概率混沌图谱和Levy飞行对灰狼算法进行改进,解决灰狼算法局部搜索和全局搜索的平衡问题;最后,对构建的数据集分别使用IGWOSVM算法和随机森林方法分别预测得到系统误差和随机误差,并将两者累加得到总体误差,进而通过构建正态分布模型得到注灰量区间预测结果,实现了预测模型不确定性的量化。结果表明,改进的IGWO-SVM的预测精度为RMSE=85.32,R²=0.53,MAE=45.64,相比GWO-SVM方法(RMSE=96.58,R²=0.40,MAE...     

基于状态频率记忆网络的家庭短期电力负荷预测

家庭的短期电力负荷预测在智能电网中发挥着越来越重要的作用,为了进一步提高预测的精度,提出了一种基于状态频率记忆网络的家庭短期电力负荷预测模型。首先采用K均值聚类方法,将具有相同用电模式的家庭归为一类;随后采用小波降噪技术对负荷数据进行降噪处理;最后构建状态频率记忆网络模型进行批量的家庭负荷预测。该模型通过引入离散傅里叶变换将记忆状态分解为多个频率分量,并通过这些频率成分的组合来预测未来的用电量。使用均方误差、均方根误差和平均绝对误差来评估模型,与该领域上性能表现最好的长短期记忆模型相比较,文中的模型在未来一天的负荷预测中,3类误差分别降低了21.6%、11.4%、15.4%,充分验证了模型的有效性。     

基于Prophet与XGBoost混合模型的短期负荷预测

准确有效的预测电力负荷对电网的安全稳定运行具有重要的参考价值.通过对Prophet框架和XGBboost(eXtreme gradient boosting)机器学习模型的深度分析,提出了基于Prophet与XGBoost的混合电力负荷预测模型,针对大量的历史电负荷数据、日期信息、气象数据,分别构建Prophet电力负...     

基于小波分析与广义自回归条件异方差模型的短期电价预测

由于电价波动具有非线性及波动集群现象,因此提出了一种基于小波分析和广义自回归条件异方差模型相结合的短期电价预测新方法。首先应用小波分解原理将电价序列分解成低频部分和高频部分,在此基础上对各子序列分别建立广义自回归条件异方差模型并进行预测;然后利用小波理论对各子序列的预测结果进行重构,实现对原始电价序列的预测;最后以美国加州电力市场历史数据为例进行了验证,结果表明本文方法是可行和有效的。     

径流预报的极点对称模态分解-Elman网络模型

针对径流序列非线性、非平稳的特点,将极点对称模态分解(ESMD)方法与Elman神经网络模型相结合,建立了ESMD-Elman神经网络组合模型,并应用于长江上游干支流8站的年、月径流预报.首先利用ESMD方法将径流序列分解为各模态分量和趋势余项;然后利用Elman神经网络模型分别预测各平稳序列;最后加和重构得到最终预测...     

Cyclic electric load forecasting by seasonal SVR with chaotic genetic algorithm

Application of support vector regression (SVR) with chaotic sequence and evolutionary algorithms not only could improve forecasting accuracy performance, but also could effectively avoid converging prematurely (i.e., trapping into a local optimum). However, the tendency of electric load sometimes reveals cyclic changes (such as hourly peak in a working day, weekly peak in a business week, and monthly peak in a demand planned year) due to cyclic economic activities or climate seasonal nature. The applications of SVR model to deal with cyclic electric load forecasting have not been widely explored. This investigation presents a SVR-based electric load forecasting model which applied a novel hybrid algorithm, namely chaotic genetic algorithm (CGA), to improve the forecasting performance. With the increase of the complexity and the larger problem scale of tourism demands, genetic algorithm (GA) is often faced with the problems of premature convergence, slowly reaching the global optimal solution or trapping into a local optimum. The proposed CGA based on the chaos optimization algorithm and GA, which employs internal randomness of chaos iterations, is used to overcome premature local optimum in determining three parameters of a SVR model. A numerical example from an existed reference is used to elucidate the forecasting performance of the proposed SSVRCGA model. The forecasting results indicate that the proposed model yields more accurate forecasting results than ARIMA and TF-ε-SVR-SA models. Therefore, the SSVRCGA model is a promising alternative for electric load forecasting.     

Hybrid evolutionary algorithms in a SVR-based electric load forecasting model

Accurately electric load forecasting has become the most important issue in energy management; however, electric load often presents nonlinear data patterns. Therefore, looking for a novel forecasting approach with strong general nonlinear mapping capabilities is essential. Support vector regression (SVR) reveals superior nonlinear modeling capabilities by applying the structural risk minimization principle to minimize an upper bound of the generalization errors, it is quite different with ANNs model that minimizing the training errors. The purpose of this paper is to present a SVR model with a hybrid evolutionary algorithm (chaotic genetic algorithm, CGA) to forecast the electric loads, CGA is applied to the parameter determine of SVR model. With the increase of the complexity and the larger problem scale of electric loads, genetic algorithms (GAs) are often faced with the problems of premature convergence, slowly reaching the global optimal solution or trapping into a local optimum. The proposed CGA based on the chaos optimization algorithm and GAs, which employs internal randomness of chaos iterations, is used to overcome premature local optimum in determining three parameters of a SVR model. The empirical results indicate that the SVR model with CGA (SVRCGA) results in better forecasting performance than the other methods, namely SVMG (SVM model with GAs), regression model, and ANN model.