基于新陈代谢无偏灰色神经网络的水质预测模型

针对水质参数样本数据少且非线性的特点,建立了新陈代谢无偏GM(1,1)与BP神经网络的组合预测模型,将通过新陈代谢无偏GM(1, 1)模型得到的数据集作为BP神经网络的输入,原始序列作为神经网络的期望输出,训练得到最佳BP神经网络。将该组合模型应用于乐山岷江大桥断面溶解氧浓度的预测,结果表明,相对误差均在3%以下,与传统灰色神经网络水质预测模型相比,该模型具有实时性及预测精度更高的优点。     

基于TPA机制改进的VMD-GRU抽水蓄能机组振动预测

针对抽水蓄能机组振动趋势预测中振动信号时间序列非线性、非平稳性极强导致常规预测方法难以进行精确预测的问题,提出变分模态分解（Variational Mode Decomposition,VMD）结合时序模式注意力（Temporal Pattern Attention,TPA）机制改进的门控循环单元（Gated Recurrent Units,GRU）神经网络的抽水蓄能机组振动预测方法。利用VMD算法首先将振动信号序列分解为若干个本征模态分量（IMF）,降低时间序列的非平稳性,结合其他特征参数,构建预测输入矩阵。将输入矩阵放入TPA改进的GRU神经网络中训练,利用神经网络强大的非线性特征提取能力,达到精准的预测效果。最后将本方法与GRU-TPA、结合常规注意力机制（AM）的VMD-GRU预测方法进行对比发现,基于TPA改进的VMD-GRU预测方法效果更好,能够更加准确地预测振动信号的时间变化趋势。     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于季节指数调整的循环神经网络风速时间序列预测

提出一种基于季节指数调整的神经网络风速预测方法.针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测.通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列.这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种...     

基于小波分析与神经网络的光伏电站功率预测方法

针对光伏电站输出功率时间序列表征出来的周期性非平稳特性,提出一种基于多尺度小波分解和神经网络相结合的光伏功率预测方法。将光伏电站输出功率时间序列在不同尺度上进行小波分解,得到逼近信号和多层细节信号。利用神经网络逼近非线性函数的能力,选择理论计算太阳辐照强度和气象环境逼近信号作为逼近信号神经网络模型的输入,选择气象环境细节信号作为细节信号神经网络模型的输入。输出结果叠加合成得到原始光伏电站输出功率序列预测值。算例分析表明,该文提出的将光伏电站输出功率时间序列分解为周期性逼近信号和准平稳细节信号,并分别采用神经网络建立预测模型的方法保证算法的收敛性和预测精度。     

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。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

一种基于深度学习的FRS-CLSTM风速预测模型

为了实现高精度的风速预测,提出一种基于深度学习的模糊粗糙集(FRS)-神经网络(CLSTM)风速预测模型,该模型由FRS和CLSTM深度学习模型2部分组成。首先由FRS对自然特性时间序列参数进行属性约简,对庞大的数据集进行数据降维;然后结合风电机组风速软测量理论,优化确定CLSTM深度学习模型的输入参数;最后CLSTM深度学习利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性,进而得到最终的预测风速。以某风电场实测数据为例进行仿真测试,结果表明所提出的FRS-CLSTM风速预测方法可有效提高风速的预测精度。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

基于熵权时序模型的超短期风电功率预测

针对风电具有较强的随机性和波动性,传统的单一预测方法难以准确描述其规律且预测精度较低的问题,提出风速熵和功率熵的概念,在时间序列法的基础上分别采用基于风速和基于功率的预测方法,并根据风速熵和功率熵的计算结果动态设置预测点的权值,建立风电功率的熵权时序模型。算例分析结果表明,所提方法能有效提取风速及功率历史数据中的有用信息,提高超短期风电功率预测精度,预测结果的准确率和合格率均优于神经网络法、时间序列法和基于风速法。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

城市用水量组合预测模型及其应用

针对城市用水量时间序列包含逐步增长趋势、季节性趋势及不确定性的非线性波动特点,单一预测模型往往很难充分反映原始数据中全部的有效信息,结合季节性时间序列模型(SARIMA)和BP神经网络二者优点,构建了一种新型的组合预测模型,对上海市用水量进行不同时间尺度的预测。结果表明,在不同时间尺度上组合预测模型均比单一预测模型精度高、预测质量稳定。     

基于虚拟仪器的水库水质预测系统

为预测水库水质变化趋势,在水质实测数据的基础上,基于螺旋线元胞自动机原理组织样本数据,建立了BP神经网络预测模型,研制了灵活开放的虚拟仪器预测系统.系统在LabVIEW平台下结合C++编程实现,测试结果表明,所建模型精度高、简单易用、具有很强的可操作性和实用性,可适应不同的用户和环境.     

联合模糊聚类和多样本SSO优化SVR的配电通信网络流

针对电力通信网络流量预测问题,提出了一种联合模糊聚类和多样本群居蜘蛛优化（social spider optimization,SSO）SVR的配电网络流量预测方案。针对配电网络流量时序非线性、周期性特点,首先采用自适应模糊聚类方法（adaptive fuzzy C-means clustering）对流量样本数据进行预处理,实现了样本数据聚类自动划分,有效降低了流量数据短相关性对预测精度的影响;然后利用多样本SSO优化算法（multi-sample social spider optimization algorithm）对SVR预测模型参数进行优化,通过引入多样本、网格迭代进化策略,从而得到不同流量数据聚类对应的最佳SVR参数组合;最后,运用多样本SSO优化SVR模型对预测数据进行预测分析。仿真结果表明,同ARIMA、神经网络等配电网路流量预测模型相比,提出的预测方案预测精度提高了18.8%~34.1%。     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息。目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱。文章以时间分辨率为5 s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法。该方法结合了变分模态分解方法和长短期记忆神经网络。首先,通过变分模态将风速序列分解为一系列信号;然后,建立多任务学习的共享层,使用长短期记忆神经网络提取各分解信号中的共享参数,深度挖掘分享子序列预测任务间的信息;最后,建立多任务学习的特定任务层,借助多个LSTM并行预测分解后的风速子序列,并将多个预测结果叠加得到风速实时预测结果。算例结果表明:所提多任务学习模型在10步、5步预测中的均方根误差总体均值分别为0.80 m/s和0.71 m/s,与经过变分模态分解和未经过变分模态分解的单任务模型预测相比,所提模型均方根误差总体均值在10步预测中分别降低了35.5%和39.8%,在5步预测中分别降低了24.5%和45.8%。     

基于LS-SVM的基坑变形时间序列预测模型

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,构造滚动时间窗.,以已有的实测时间序列为样本,利用最小二乘支持向量机(LS-SVM)建立基坑预测模型,应用网格搜索算法优化模型参数,连续滚动地多步预测基坑变形.实例结果表明,该模型预测效果优于BP神经网络,具有所需数据少、推广能力强等优点.