基于局部高斯过程的短期风速预测

准确的风速预测对于风电场和电力系统的稳定运行具有重要意义。本文提出一种基于局部高斯过程的短期风速预测方法。首先,把总的训练样本集按固定长度的时间窗划分成许多个子训练集。然后,运用局部高斯过程模型对各个子训练集进行建模,通过最小化训练集的预测误差为优化目标,用改进粒子群算法求取模型的最优超参数。最后,对某实测风速数据进行风速预测分析,结果表明基于局部高斯过程的短期风速预测能有效提高风速预测精度。     

基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。     

基于相空间重构与卡尔曼滤波计算组合的短期汇率预测

用微熵率法求得相空间重构的最优嵌入维数及时滞,应用最优嵌入维数及时滞对一维汇率数据进行延时嵌入相空间重构.然后,应用卡尔曼滤波算法在重构后的相空间中对汇率系统进行建模与预测.实验结果与遗传(GA)神经网络预测进行了比较,实践表明,该算法在短期汇率预测中,速度及准确率上均优于GA神经网络.     

基于相空间重构的GQPSO-WNN短时交通流预测

交通流预测有助于减少交通拥堵和交通事故发生。在定量分析交通流变化过程的混沌特性以及可预测性基础上,提出一种基于相空间的GQPSO-WNN的混合预测模型。引入遗传算法,使用混合优化后的量子粒子群算法初始化小波神经网络的各项参数,克服网络因初始值设置不当造成无法收敛或陷入多个局部极小值的问题。由于神经网络输入的随机性,采用重新构建交通流时间序列的相空间技术,用重构后的数据作为输入样本。实验结果表明,与WNN、PSO-WNN预测模型相比,该模型可以更加准确预测交通流,算法收敛性也有明显提高。     

相空间重构和支持向量机相融合的网络流量预测

针对网络流量非线性、突变性和混沌性特点,利用相空间重构和支持向量机参数的天然联系,提出一种相空间重构和支持向量机相融合的网络流量预测方法。将网络流量预测精度作为建模目标,采用粒子群算法对空间重构和支持向量机参数进行组合优化,建立最优网络流量预测模型。仿真实验结果表明,相对于传统网络流量预测方法,该方法更加能够刻画网络流量复杂的变化特点,有效提高了网络流量的预测精度。     

基于改进粒子群优化神经网络的超短期风速预测

为减小风速预测的误差,该文引入混沌映射与收缩因子的方法对传统PSO粒子群算法进行改进,动态调整粒子群的权重,提高粒子群初期全局搜索能力、后期局部搜索能力以及收敛速度。将改进的粒子群算法对BP神经网络初始权值与偏置进行寻优,最后将改进PSO粒子群优化的BP神经网络对实际工程中的风速进行预测,采用平均相对误差和平方根误差衡量预测结果,结果表明改进后的PSO-BP预测方法均好于BP神经网络、PSO-BP风速预测方法和仅引入收缩因子的PSO-BP算法,验证了算法改进的正确性,使预测误差减小。     

基于小波分析和相空重构相融合的风速预测

研究风速准确预测问题,针对风速具有随机性、间歇性以及混沌性,且含有大量噪声,造成预测精度误差.为提高风速预测精度,提出一种小波分析和相空间重构相融合的风速预测方法.首先采用小波技术消除风速历史数据,然后用混沌理论对数据重构,最后数据输入到支持向量机训练,并采用遗传算法优化支持向量机参数,建立最优风速最优预测模型.结果表明,相对传统预测方法,小波分析和相空间重构预测方法更能准确刻画风速的复杂变化特点,提高了风速的预测精度,也为其它非线性预测问题提供了一种新的研究思路.     

基于高斯变异粒子群优化的短期负荷预测

针对现有短时预测方法精度不高及电网负荷数据不确定性变化的问题,提出一种基于高斯变异粒子群优化(GPSO)的长短时记忆神经网络(LSTM)负荷预测模型,实现对短时负荷数据的高精度预测。方案首先对负荷序列数据进行预处理,提升数据之间的相关性。进一步引入非线性惯性权重加速粒子收敛速度,同时结合自适应高斯变异操作减小粒子陷入局部最优的风险,从而提升了PSO算法的寻优能力。实验结果证明,改进的粒子群优化算法能够提升LSTM模型的预测性能,验证了提出方法的有效性。与已有的预测模型相比,GPSO-LSTM模型有着更优的预测能力。     

基于相空间重构小波神经网络的短期覆冰预测

针对输电线路覆冰问题,提出一种基于相空间重构小波神经网络的短期覆冰预测模型。以云南昭通某110 kV输电线路覆冰厚度监测数据为基础,首先求取覆冰时间序列最大李雅普诺夫(Lyapunov)指数,对覆冰厚度进行非线性的动力学分析,确定序列具有混沌特性;其次由C-C法对系统进行相空间重构,找出数据变化的局部规律性;最后采用小波神经网络对相空间轨迹进行预测,并通过蚁群算法优化预测模型参数。实验表明:模型具有良好预测能力,对抗冰工作具有实际指导意义。     

基于LSTM和时间序列分析法的短期风速预测

短期风速对输电线路影响巨大,由于短期风速的随机性和非线性特性,使得短期风速难以精确预测。提出了一种将长短时记忆网络和时间序列分析法相结合的组合预测算法来实现对短期风速的预测。首先,利用时间序列分析法对短期风速进行预测得到预测结果和预测残差,然后利用长短时记忆网络对预测残差进行预测,最后将两种方法得到的预测结果进行线性组合得到最终的预测结果序列。为验证所提出的算法的实际效果,将提出的算法与时间序列分析法、长短时记忆网络以及BP神经网络等进行对比。实验结果表明,组合算法有效提高了短期风速序列预测精度,是一种可行的分析方法。     

基于相空间重构的汇率预测研究

汇率在宏观经济政策、商业经营和个人决策制定上的作用越来越重要,使其成为了研究的热点。根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机的强大的非线性映射能力,提出了一种基于支持向量机回归的超短期汇率预测方法,并建立了模型,对美元港币的即时汇率进行了实证计算,且与BP神经网络模型进行了比较。结果表明,所建立的模型能很好地跟踪即时汇率的变化趋势,预测精度比较高且算法运行速度比BP神经网络模型快得多。     

粒子群算法优化相空间重构参数的网络流量预测模型

在网络流量预测过程中,相空间重构参数是影响预测性能的重要方面,传统参数分开优化,为了提高网络流量的预测精度,提出一种粒子群算法优化相空间重构参数的网络流量预测模型(PSO-BPNN);首先将BP神经网络作为学习算法,然后采用粒子群算法对相空间重构参数——延迟时间和嵌入维进行联合优化,并重构网络流量序列,最后以小波BP神经网络建立最优络流量预测模型,并采用仿真实验对模型性能进行分析,结果表明,PSO-BPNN提高了网络流量的预测精度。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

复合协方差函数高斯回归的网络流量建模与预测

为了获得更优的网络流量预测结果,提出一种复合协方差函数高斯过程(GP)的网络流量预测模型。首先采用复合协方差函数构建GP模型,然后对网络流量训练集进行训练,找到协方差和均值函数的最优参数,最后建立网络流量预测模型,并与支持向量机、神经网络、传统高斯过程进行网络流量的单步和多步预测对比测试。结果表明,相对于对比模型,复合协方差函数GP模型更加能够辨识非线性的网络流量变化趋势,提高了网络流量的预测精确性,是一种有效的复杂网络流量变化预测方法。     

基于相空间重构理论的电力负荷预测

研究电力负荷预测问题。针对电力负荷既受非线性变量的影响又受自身混沌性质的影响,单一预测方法无法同时完善地映射其复杂关系,导致预测精度较低。为进一步提高电力负荷预测准确度,融合相空间重构理论与支持向量机,提出了一种人工智能的新电力负荷预测方法(PSR-SVM)。首先以对数线性平稳法对初始电力负荷数据进行去趋势处理。然后基于粒子群算法对相空间重构参数与支持向量机参数进行同步优化,以最优延迟时间τ和嵌入维m进行电力负荷序列相空间重构,并以支持向量机及其最优参数构建非线性电力负荷预测模型。最后以某电力公司1978～1998的电力负荷进行仿真,结果表明,新模型预测精度明显高于参比模型,是一种高精度、可行的电力负荷预测方法。     

基于高斯过程回归的上市股价预测模型

在新股上市价格的科学优化预测问题的研究中,由于金融数据复杂,特别是新股价格存在极强的无序性。传统股票价格预测方法只能采用线性变化规律进行准确预测,无法对非线性股票价格进行有效建模,降低股价预测精度。为了提高股票价格预测精度,提出一种高斯过程回归的新股上市价格预测模型,通过提取影响新股上市价格形成的指标因素,用其训练纳斯达克(NASDAQ)新股上市价格的历史数据,以粒子群算法优化高斯过程的超参数来预测新股上市价格。将8家公司的上市股票作为实例进行分析,预测结果表明,高斯过程回归的方法提高股票价格预测精度,能够有效地适用于新股上市价格预测。     

基于EMD-GRNN和概率统计结合的短期风速预测

文中参照风电场原始数据,依据风速的特性,提出了一种基于EMD-GRNN和概率统计结合的短期风速预测算法。首先对原始数据进行预处理,然后对原始风速进行经验模态分解(EMD),获得原风速的所有基本模态分量(IMF);接着对各分量数据进行重构得到训练样本和预测样本,利用训练样本训练GRNN网络,使网络具备预测能力;最后对各个分量输出的数据进行概率统计。仿真实验表明,与单独的神经网络预测方法相比,结合概率统计的EMD-GRNN预测模型,具有更好的预测精度和稳定性。     

基于PSO-BP混合算法的短期电力负荷预测

将粒子群优化算法和BP神经网络算法相结合,形成粒子群一神经网络（PSO—BP）混合算法,建立了涉及各种影响因素的短期负荷预测模型。运用所建立的PSO-BP混合算法和BP算法的负荷预测模型进行短期负荷预测,比较所得结果可知,PSO-BP混合算法预测精度较高,效果较好。