基于模态组合的短期负荷预测方法

随着电力市场化改革的深入推进,电力系统运行呈现出更强的灵活性和不确定性,对短期负荷精准预测提出了更高的要求.为有效协调发电、输电、配电、用电的关系,增强电力系统日运行调度的安全稳定性,该研究提出了一种基于模态组合的短期负荷预测方法.从时域和频域2个维度提出了负荷序列和影响因素序列分解评价方法,得到改进的变分模态分解法(...     

基于最小二乘支持向量机的中国粮食产量预测模型研究

粮食产量预测是制定农业政策的重要依据。针对农业生产系统的特征,在统计学习理论和结构风险最小化原理的基础上,建立了基于最小二乘支持向量机的时间预测模型。预测结果表明该模型具有较高的预测精度,为粮食产量预测提供了一条新的途径。     

基于经验模态分解与BP神经网络的农机总动力增长预测

为提高农机总动力增长变化预测结果的准确性和可靠性,根据农机总动力增长变化与其影响因素之间具有在各时间尺度明显的非线性波动特征,提出以1986—2013年农机总动力增长为研究对象,分别对农机总动力增长及其影响因素时间序列数据进行经验模态分解(empirical mode decomposition,EMD),对得到的各时间尺度下的波动分量分别建立BP神经网络预测模型。将EMD-BP网络预测结果与多元线性回归、支持向量机、BP神经网络进行对比分析,结果表明:基于EMD-BP网络建立的农机总动力增长预测模型,拟合和预测平均相对误差分别为0.99%和1.29%,相关决定系数约为0.999,均方根误差为316.35 MW,模型评价等级为"好",各项精度评价指标都优于其他方法,因此该预测模型精度高、可靠性强。研究成果为农业机械化发展规划的制定和出台相关政策提供有效参考。     

基于FSA-LSSVR模型的安徽省耕地变化预测

针对耕地变化内部规律及其外部驱动因子的特点,利用鱼群算法优化最小二乘支持向量机回归（FSA-LSSVR）模型,探讨耕地变化预测模型,为耕地保护政策制定提供参考依据。结果表明:鱼群算法的全局搜索能力能使支持向量机算法有效地收敛到参数γ和σ的全局最优解;FSA-LSSVR模型的预测精度指标远高于多元线性、GM（1,1）和BP神经网络模型,且优于FSA-SVM,求解速度明显优于SVM。FSA-LSSVR模型可以解决SVM内部参数难以确定的问题,适用于多因素参与的高维非线性的耕地变化预测,而且速度快、精度高,具有推广价值。     

排列熵优化改进变模态分解算法诊断齿轮箱故障

为了准确提取齿轮箱中复合故障特征,该文选用变模态分解(variational mode decomposition,VMD)对振动信号进行处理,它能够将信号分解为多个固有模态函数(intrinsic mode function,IMF),但需预设分解层数k和惩罚因子;因此,为了能够自适应地确定分解层数k,该文提出了排列熵优化算法(permutation entroy optimization,PEO),该算法可以根据待分解信号的特点自适应的确定分解层数k;同时,为了解决VMD算法对噪声的敏感性,该文根据噪声辅助数据分析的思想,提出了改进VMD算法(modified variable modal decomposition,MVMD),该算法首先添加成对符号相反的高斯白噪声到原始信号,再利用VMD算法对其进行分解,经过多次循环,原始信号中的噪声相互抵消,而后将每次循环得到的每层IMF分别进行集成平均。利用该算法分别对含有多故障特征的齿轮箱仿真信号及实测信号进行处理,均提取出了故障特征。该文所提方法对封闭式功率流试验台进行复合故障提取,160和360 Hz的故障频率分别被提取出。该方法为齿轮箱复合故障诊断提供新思路。     

变分模态分解结合深度迁移学习诊断机械故障

针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解（Variational Mode Decomposition,VMD）的优化算法与深度迁移学习（Deep Transfer Learning,DTL）模型相结合的故障诊断方法。首先,通过多种群差分进化（Multiple Population Differential Evolution,MPDE）算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征。然后在深度残差网络（Deep Residual Network,ResNet）的基础上,将ResNet网络与迁移学习（Transfer Learning,TL）模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型。最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比。结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36%,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60%、71.63%和19.68%,均低于该研究方法。MPDE-VMD +DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性。     

基于EEMD-SVM模型的北洛河上游径流预测

[目的]提高北洛河上游径流预报精度,为流域管理及水资源合理配置提供依据。[方法]以1971—2014年北洛河上游吴旗水文站实测径流资料为基础,采用EEMD-SVM耦合模型对吴旗站月径流序列进行了模拟预测,并与EEMD-ARIMA和EEMD-NAR两种耦合模型的预测结果进行对比。[结果]EEMD-SVM模型的平均绝对误差(MAE)和均方根误差(RMSE)最低,决定系数(R²)和纳什系数(NSE)最高。其中,相比于EEMD-ARIMA和EEMD-NAR模型,EEMD-SVM模型的决定系数(R²)分别提高了186.63%,49.49%。[结论]EEMD-SVM模型具有更高的预测精度和更强的非线性拟合能力,可以成功地应用于北洛河上游的月径流预报。同时,研究表明EEMD-NAR模型的预测性能高于EEMD-ARIMA性能。     

基于遗传算法最小二乘支持向量机的耕地变化预测

针对耕地变化内部规律与模拟方法进行研究,提出最小二乘支持向量机耕地变化预测方法,有效构建耕地变化与耕地变化影响因子之间复杂的非线性关系模型。利用遗传算法全局寻优功能优化最小二乘支持向量机内部参数,提高最小二乘支持向量机耕地变化预测模型精度。利用该模型对江苏无锡市1987－2000年期间耕地变化进行预测,并与多元回归、GM(1,1)、BP网络、支持向量机（SVM）耕地预测模型和实际调查耕地变化数据进行比较分析。预测精度评价结果证实,该方法耕地预测精度远高于多元回归、GM(1,1),BP网络模型,略高于SVM模型,但算法复杂度和计算效率远优于SVM预测模型,是一种有效的耕地变化预测方法。     

基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测

针对单一预测模型预测养殖pH值精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中,利用EEMD算法对原始pH值时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日-2014年9月15日期间工厂化养殖pH值进行预测,结果表明,该预测模型取得了较好的预测效果,与模拟退火优化BP神经网络(simulated Annealing-BP neural network,SA-BPNN)和遗传算法优化最小二乘支持向量回归机(genetic algorithm-least square support vector regression,GA-LSSVR)对比分析,模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923,均表明该文提出的组合预测模型具有更高预测精度,能够满足实际南美白对虾工厂化养殖pH值精细化管理需要,也为其他领域pH值预测提供参考。     

基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。     

基于改进GEP的农网短期负荷预测

针对传统基因表达式程序设计（GEP）算法初始种群的产生是随机的,变异率不能在进化的过程中做适应性的调整,对基因的好坏没有标识,在解决相类似的问题时不能利用以往的运行结果的缺点进行了改进,提出了过度繁殖、环境因子选择,自适应变异率,信息素标识基因的好坏,借鉴以往程序运行得到的数学模型的方法,并将改进后的基因表达式程序设计（IGEP）算法应用于农村配电网短期负荷预测中。预测过程是先对负荷样本进行数据预处理,消除伪数据,然后运用改进后的基因表达式程序设计的灵活表达能力,把不同日同一时刻的负荷序列作为样本,分别对平日(周一到周五)和周末的未来时刻的负荷进行分时短期预测。算例表明改进后的基因表达式程序设计算法具有较高的效率,比遗传程序设计（GP）和基因表达式程序设计（GEP）算法具有更好的预测效果。     

农业云视频平台虚拟机负荷预测半监督偏最小二乘法模型

为了优化基础设施资源的效率,农业云视频平台虚拟机布局算法需要了解虚拟机当前和未来的资源工作效率,尽可能准确地预知下一步工作,如服务部署,虚拟机的部署、迁移或停止.然而,通常在预测中使用的样本非常小,可用于分析的数据有限.因此,该文研究设计了一个考虑时间因素,基于小数据集学习的滑动窗口模型.此外,鉴于现有的预测算法仍然有很大的改进误差率的空间,该文中采用基于滑动窗口与最小二乘法和半监督学习的数学方法相结合,提出了一种半监督偏最小二乘法(semi-supervised partial least squares,SS-PLS)的方法来计算上述预测.该文中,分析了在虚拟机使用SS-PLS负荷预测的可行性和优势.试验结果表明,基于滑动窗口模型结合SS-PLS,使得预测精度有了显着的改善,即均方根误差为1.77786,平均绝对误差是1.3312,平均绝对误差百分比为0.23836,三者的增量分别5.47%、6.37%、6.12%.该研究可为云平台中虚拟机资源管理和优化提供一种参考方法.     

基于EWT-KMPMR组合模型的光伏电站短期功率预测

为提高光伏电站短期功率预测的精度,提出一种基于经验小波变换(empirical wavelet transform,EWT))和核最小最大概率回归机(kernel mini max probability machine regression,KMPMR)的组合预测模型,对晴天、阴天和雨天3种天气类型下的光伏电站出力分别进行了预测分析。该文首先采用EWT将相似日光伏功率序列分解为具有特征差异的AM-FM分量,然后根据各AM-FM分量的变化特点建立相应的KMPMR预测模型分别进行预测并叠加得到最终预测结果。试验结果表明,相比SVM方法,该文方法在晴天、阴天和雨天可提高预测精度(MAE)分别为56.19%、54.15%和76.33%;相比EMD-KMPMR方法,在降低近一半左右计算规模的同时,可提高预测精度(MAE)分别为9.42%、38.74%和64.52%。以阿克苏地区光伏电站实际运行数据进行试验验证表明,该文方法在3种天气类型下均可取得较高的预测精度。     

基于改进型极限学习机的日光温室温湿度预测与验证

日光温室温湿度模型是其结构设计与控制的重要基础,因日光温室系统具有大惯性、强耦合、非线性等特性,采用机理分析法,难以建立其准确的数学模型,导致日光温室控制效果差。神经网络建模能更加灵活地得到日光温室系统的参数,但传统的极限学习机(extreme learning machine,ELM)存在隐含层神经元激励函数固定,只考虑经验风险(即训练误差最小化),而导致过拟合等问题。为了实现对日光温室内温湿度环境因子的综合控制,需要进一步提高日光温室环境因子的预测精度,该文将基于正交基函数的改进型极限学习机对日光温室环境因子进行辨识,并利用经验模态分解(empirical mode decomposition,EMD)方法确定网络隐含层节点数,建立了日光温室温湿度环境因子预测模型。利用所建立的模型对日光温室内的温度和湿度等环境因子进行预测结果表明:温度模型有效性为0.9434,湿度模型有效性为0.9208,实测值与预测值的拟合关系比较理想,说明基于正交基函数的改进型极限学习机对日光温室进行系统辨识是可行的,且对日光温室智能控制的发展有一定的参考价值。     

基于GA-LSSVM和近红外傅里叶变换的霉变板栗识别

为克服板栗近红外光谱变量多、共线性强等缺点,该文对标准正态变量变换预处理后的板栗近红外光谱进行傅里叶变换,并用不同方法建模,提高识别精度。采用试探法提取近红外光谱傅里叶系数,建立了基于最小二乘支持向量机分类器的霉变板栗识别模型。当提取前35点傅里叶系数时,板栗的平均识别正确率为93.56%;构造GA-LSSVM算法,建立的霉变板栗识别模型所用傅里叶系数减少为13点,对测试集中合格板栗、表面霉变板栗和内部霉变板栗的平均识别正确率分别为95.89%、100%和98.25%,板栗的总体平均识别正确率提高到97.54%。为霉变板栗的识别提供了快速鉴别分析方法。