双模型结合进一步降低预测均方根误差和均方根相对误差的方法

前期研究工作提出了以预测均方根相对误差最小为回归目标的方法(Minimization of prediction relative error,MPRE),它能使得预测结果的均方根相对误差更小。偏最小二乘法(Partial least squares,PLS)是以预测均方根误差为回归目标,能使得预测结果的均方根误差更小。基于多模型结合的思想,提出将MPRE与PLS相结合的双模型结合多元校正方法。本方法步骤为:(1)分别采用MPRE与PLS法对校正集建模;(2)计算阈值;(3)分别采用已建立好的MPRE与PLS模型进行预测;(4)将预测结果与阈值进行比较,得到预测结果。通过对酒精的近红外光谱与汽油紫外光谱进行定量分析结果表明,本方法可进一步减小预测均方根误差与相对误差。

基于信噪比评价的阈值优选小波去噪法

在汽车自动变速器台架试验中,需要对角加速度信号进行消噪滤波。小波阈值去噪是计算量较小、滤波效果较好的消噪手段,但采用不同的小波基匹配不同的阈值规则可能会对去噪效果产生影响。为探寻相对最优组合,该文构建了近似观测信号的仿真信号,然后对该信号做了去噪实验,计算信噪比(SNR)和均方根误差(RMSE),并以此作为评价指标,从而得到相对最优的匹配组合,最后将该组合用于角加速度信号消噪处理过程,取得了较好的滤波效果。小波阈值去噪在处理含噪信号时具有效率较高、稳定性好、不易失真的特点;使用SNR结合RMSE可以对任何消噪结果作客观评判;不同的含噪信号,可能需要用到不同的小波基函数,同时匹配不同的阈值选取规则。

基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测

基于青岛某办公建筑2015年全年逐时总用电能耗及空调用电能耗数据,利用kmeans聚类算法对其进行聚类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为BP神经网络的输入,预测未来24小时的建筑总用电和空调用电,该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP负荷预测相对误差在5%以内,而kmeans-BP负荷预测算法控制在±2.5%以内;BP预测得到的均方根误差和平均绝对百分误差范围分别在4.6～9.0之间、2.3%～4.4%之间,kmeans-BP将该误差缩小到3.1、2.0%以内,对于负荷预测精度要求上是阶跃性的突破。