基于双层优化VMD-LSTM的农村超短期电力负荷预测

稳定的供电是农村发展建设的有力保障,而电力负荷水平是建设效果的重要衡量标准,因此建立精确的负荷预测模型可以更准确直观显现电力负荷情况,为供电公司制定决策提供有力支撑。由于LSTM负荷预测模型在数据预测方面存在收敛性差、预测精度不高等问题,为提高模型的预测精度,提出一种基于双层优化VMD-LSTM的超短期电力负荷预测方法。首先提出麻雀算法优化变分模态分解(sparrow variational mode decomposition,SVMD),通过SVMD将原始数据转化为模态分量(intrinsic mode functions,IMF);其次采用改进樽海鞘群算法(association salp swarm algorithm,ASSSA)优化LSTM模型。通过引入4种策略增强标准樽海鞘算法优化能力;最后将各模态分量分别代入到新模型并进行叠加预测。选取辽宁省某市某乡村10kV变压器真实历史负荷数据,以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、拟合度(R²)作为评价指标,并与其他基础预测模型进行对比,结果表明,改进后的算法在计算...     

小波分解架构下降水量灰色预测方法研究

针对灰色模型在降水量预测中精度较低、稳定性差等问题,选取朝阳地区1996~2011年的降水量为试验数据,引入小波分析理论,对小波分解与灰色模型结合的方法进行研究,从而改进灰色模型的预测精度。运用小波强大的多分辨率分析能力,将降水量数据分解为不同的高频分量和低频分量,分别根据高、低频分量的不同特性选取不同的预测方法,对降水量低频部分进行灰色建模预测;降水量高频部分采用波形预测的方法进行预测,最后合成两部分预测结果。结果表明:低频分量数据的平均灰色模拟精度为0.066;高频分量数据的波形模拟精度为0.159,采用小波多分辨率分解与灰色预测模型相结合的预测方法结果比传统灰色预测精度提高53.4%。     

基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。     

基于小波分解的凡纳滨对虾养殖水体水质的仿真研究

依据凡纳滨对虾养殖水体中测定的水质数据,利用ARMA 模型和神经网络模型两种方法对水质动态进行预测和分 析,提出了一种基于小波分解且针对凡纳滨对虾养殖水体水质预测的ARMA 模型,且ARMA（p,q）模型中的p 值和q 值分别为4和2。预测结果表明,所建立的预测模型精度较高。将ARMA 模型预测的结果与神经网络预测的结果进行了对比后发现,基于小波分解的ARMA 模型对对虾养殖水体水质预测的有效性和准确性优于神经网络预测模型。     

基于贝叶斯与元学习的氨氮浓度预测模型优化

针对小样本数据下氨氮浓度模型预测精度不高、收敛速度较慢的问题，采用长短期记忆网络（long short-term memory，LSTM）建立氨氮浓度预测模型，并利用贝叶斯优化算法和元学习机制对模型进行优化。其中贝叶斯优化算法用来优化预测模型的超参数，同时给出模型参数的初始值，再使用Meta-LSTM算法学习模型梯度并允许优化器之间进行参数共享和更新，最终实现对氨氮浓度预测模型的优化。将该方法与LSTM、GRU和RNN模型进行对比试验，结果显示，研究所建模型对氨氮浓度预测的均方根误差、平均绝对误差和均方误差分别为0.027 6、0.023 9和0.000 76，均优于其他预测模型。表明基于贝叶斯和元学习的氨氮浓度预测模型对小样本数据建模有效，可以实现网络快速收敛，精度满足水产养殖中氨氮浓度预测需求。     

科技成果转化过程分析

选取2002~2013年我国石油进出口贸易量的数据进行建模分析。首先运用小波分析理论将贸易量数据进行分解,识别出数据的主要特征和细节特征,针对不同特征进行识别和平稳性检测和参数估计,建立相应的ARIMA模型,并进行预测加权合成。仿真结果表明,小波分析结合ARIMA组合模型的预测精度远远大于为改进的ARIMA预测模型,从而为科学合理的决策提供更为精确的预测模型。     

小波变换—BP 神经网络的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。     

原油船海上航行升沉运动Bayes-LSTM预测方法

为了更好地预测船舶在海上航行中的升沉运动，提高船舶海上航行与作业安全水平，以10×104 t级原油船为研究对象，利用船舶模型运动过程数值模拟软件STAR CCM+构建其仿真模型，由无液货舱与半载液货舱两种情况及0.5λ、1.0λ、1.5λ（λ=6.16 m）3种波长组合构成6种工况，获取6组升沉运动数据，并将其以8:2的比例划分为训练集与测试集，利用贝叶斯算法优化后的长短期记忆神经网络（Bayes-LSTM）模型进行模型升沉运动预测，将预测结果与长短期记忆神经网络（LSTM）模型的预测结果进行对比。结果表明：Bayes-LSTM模型比LSTM模型的预测精度最大提高3倍以上，显示出Bayes-LSTM模型对船舶海上航行与作业过程中升沉运动预测的优势。（图5，表2，参21）     

基于经验模态分解和小波神经网络的温室温湿度预测

温室温湿度的准确预测有助于及时调节温室小环境,温湿度预测模型是温室控制的重要基础,提高预测精度有助于提高生产水平。针对温室系统具有非线性、非平稳性等特点,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和小波神经网络(wavelet neural network,简称WNN)的温室温湿度组合预测方法。首先,利用经验模态分解方法将原始时间序列分解成一系列分量;然后对各分量分别构建小波神经网络模型进行预测;最后叠加各子序列得到预测值。结果表明,运用EMD-WNN组合的温度模型有效性为0. 993 4,湿度模型有效性为0. 978 1,且优于单独WNN模型和BP神经网络模型的预测结果,可有效提高短期温室温湿度预测的精度。     

基于小波变换的GM(1,1)-ARIMA组合模型对粮食产量的预测

为提高粮食产量的预测精度,针对粮食产量的数据特点,提出了在小波变换的基础上,结合GM(1,1)模型与ARIMA模型的优点,建立GM(1,1)-ARIMA组合预测模型。首先,通过小波变换对非平稳序列进行分解,得到近似分量和细节分量;针对各分量序列的不同特征,采用灰色GM(1,1)模型对近似分量进行趋势预测,为进一步提高趋势信号的预测精度,使用灰色GM(1,1)模型对预测序列进行残差修正;然后,采用ARIMA预测模型对分离出的细节分量进行预测;最后,通过小波重构得到粮食产量的预测值。预测结果表明,基于小波变换的GM(1,1)-ARIMA模型的拟合平均误差为0. 69%,通过对2011—2014年粮食产量的预测,其预测平均误差低于1%,为粮食产量预测提供了一种新的技术途径。     

基于改进GM（1，1）模型的沉降监测数据处理方法探讨

在分析GM（1，1）预测模型存在不足的基础上，提出了GM（1，1）模型的改进形式。运用序列算子作用和加权均值的方法来增强原始序列数据的光滑度；考虑到沉降监测数据序列既含有线性趋势又有指数增长趋势，用GM（1，1）和线性回归的组合模型对其进行建模和分析。实例分析表明，改进后的GM（1，1）模型可以提高预测精度，从而满足工程实际要求。     

基于新维无偏灰色马尔可夫模型的大坝沉降预测研究

【目的】基于组合预测思想,结合灰色理论与马尔可夫预测方法的特点构建一种新的预测模型,为大坝沉降量的中长期预测提供支持。【方法】通过对传统灰色系统模型的优化改进,简化建模步骤并提高模型预测精度。在此基础上,借助于马尔可夫模型处理时间序列的随机性波动,克服灰色模型对随机波动性大的序列预测精度较低的局限性,并利用新信息优先原理,构建新维无偏灰色马尔可夫组合预测模型。将构建的新维无偏灰色马尔可夫组合模型应用于大坝沉降量的预测。【结果】构建的模型预测平均误差由原来的1.7%降低为1.0%,且预测误差的变化波动性减小。同时,随着预测期数的增加,相对于传统灰色模型,改进后的组合模型的预测精度进一步提高。【结论】与传统计算方法相比,所建立的新维无偏灰色马尔可夫组合预测模型计算量小、预测精度较高,且该模型保留了传统灰色模型短期预测精度高的优点,提高了模型的中长期预测能力,适用于大坝沉降量的中长期预测。     

星载GF-5 AHSI 高光谱影像不同光谱波段土壤有机质 含量预测精度比较

【目的】探讨星载高分五号（GF-5）高光谱影像不同光谱波段对SOM 含量预测精度差 异，明确有效光谱波段范围，以便提高SOM 含量高光谱预测精度。【方法】该研究以黑龙江 省建三江农垦区为研究区域，将GF-5 可见短波红外高光谱相机（AHSI）获取的高光谱数据 划分为可见光- 近红外（VNIR）、短波红外（SWIR）和VNIR-SWIR 3 种不同光谱波段，并 将光谱反射率进行了9 种光谱数学变换；分别采用多元逐步回归（MLSR）和偏最小二乘回 归（PLSR）构建SOM 含量预测模型，评价分析了3 种不同光谱波段预测SOM 含量的精度差 异。【结果】在MLSR 模型中，VNIR-SWIR 的对数倒数一阶微分SOM 含量预测精度相对较 高，验证精度决定系数R2 val 为0.383，均方根误差RMSEP 为5.009；在PLSR 模型中，VNIR 反射率的SOM 含量预测精度较高，验证精度R2 val 为0.359，RMSEP 为4.170。【结论】GF-5 AHSI SOM 含量预测精度较高的光谱波段为VNIR 和VNIR-SWIR。卫星数据质量、研究区域 自然条件、数据预处理过程、建模方法选择等因素共同影响SOM 含量预测模型精度，通过 技术和方法改进，GF-5 数据预测SOM 含量的潜力更大。     

灰色预测模型在我国油菜产量预测中的应用

油菜产量的准确预测对油菜种植面积有重要的指导价值。将能排除数据干扰性的弱化算子引入GM（1,1）模型,建立了基于改进的GM（1,1）模型的我国油菜产量预测模型,最后通过实例演算,运用改进的GM（1,1）模型预测我国油菜产量具有较高的预测精度。     

基于EMD与K-means的ILSTM模型在池塘溶解氧预测中的应用

为提高池塘溶氧量预测精度并改善预测结果滞后的情况,本研究提出基于经验模态分解(empirical mode decomposition,EMD)与K-means聚类的改进长短期记忆神经网络(improved long short-time memory,ILSTM)模型。利用皮尔森相关性分析与主成分分析结合的方法对原始数据进行特征提取,对溶氧量进行EMD分解,将选出的环境参数与溶氧量各分量一起生成样本集,并对其进行K-means聚类。针对同类中不同分解分量建立相应ILSTM预测模型,并用网格搜索、五折交叉验证与早停法进行超参数选取。对未来1 h池塘溶氧量进行预测,并与LSTM、ILSTM、LSTM-SVR、EMD-LSTM、EMD-ILSTM模型进行对比试验。结果显示,ILSTM与LSTM模型相比,RMSE、MAE与MAPE分别下降了50.46%、63.20%与68.96%,证明ILSTM模型能缓解传统LSTM模型预测的滞后情况。EMD-ILSTM模型与ILSTM模型相比,RMSE、MAE与MAPE分别下降了53.22%、46.74%与38.19%,证明EMD算法能提高预测精度。EMD...     

灰色理论预测方法在地理学中的应用研究

介绍了灰色预测理论,针对地理学问题引入马尔可夫链修正GM（1,1）预测模型,并依据气象数据的特性对该模型进行改进,形成适应于气象数据预测的改进的等维无偏递补GM（1,1）马尔可夫预测模型。最后,以哈尔滨市气温和风力数据进行了模型预测验证。结果表明：利用改进的模型进行气象预测,效果令人满意。     

农村电网中长期负荷改进灰色预测研究

农网中长期负荷预测在农村电网发展规划编制中占有重要地位,而其关键是数学模型的建立,灰色模型是一种较好的预测方法,但传统的灰色预测精度不够好。通过分析一种改进方法,即通过对原始数据进行开次方处理降低预测模型的模型系数,再对数据平滑处理生成新的数据序列进行灰色建模预测,基于重庆地区农村用电量的实际数据分析表明,本改进方法比以往方法较大地提高了预测精度,其中改进无偏灰色模型开二次方预测精度最高,未来数年的农村用电量预测结果可为编写农村发展规划提供重要的参考价值。     

组合预测法在林分断面积生长预估中的应用

林分断面积生长模型的研究是林分因子建模中的主要对象,研究提高林分断面积生长模型的预测精度十分重要。组合预测法能够对不同模型的预测结果进行组合,把不同模型的预测误差分散化,从而提高预测精度。基于北京山区油松定期清查数据,根据残差的方差最小原则确定组合预测中各模型的权重,将单木水平预测所得的林分断面积与林分水平预测所得的断面积进行组合预测。结果表明:组合预测法预测林分断面积的精度比单一水平(单木水平、林分水平)预测的精度都高,同时组合预测法也改进了林分断面积预测模型的兼容性。     

城市用水量非线性组合预测方法研究

利用小波网络构造模型的优化组合函数,建立了城市用水量非线性组合预测模型.将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子.实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,能够有效提高预测精度,克服了线性组合预测方法适应性不强的问题.     

基于优化 EEMD 和支持向量机的国内大豆价格预测

【目的】国内大豆的价格易受到多种因素的影响,具有非线性等特点,很难进行准确的预测。为 了提高预测精度,提出一种优化的 EEMD-SVR 集成预测方法。【方法】为解决 EMD 分解中存在的模态混叠和 端点效应问题,使用 EEMD 和平行延拓法结合的优化方法,加入白噪声并在原始序列两端延拓出多个极值,将 大豆原始价格分解为多个 IMF 分量,从而使数据趋于平稳。运用支持向量回归（SVR）算法对各分量进行预测, 引入遗传算法寻找参数最优解,对各分量的预测结果进行再次集成,重构大豆市场价格预测值。【结果】为了 检验优化组合模型的预测效果,采取多种模型进行比较,结果发现预测指标 MSE、RMSE、MAPE 都有明显提高。 【结论】采用优化的 EEMD 分解算法和支持向量机的组合模型,可以有效抑制 EMD 分解的端点效应和模态混叠 问题,相对于其他传统预测模型,预测效果更好。