短时含噪时间序列混沌识别方法及其应用

考虑到已有混沌识别方法需要大量无噪声数据的要求 ,提出了利用径向基函数网络的模式识别思想来去除短时含噪数据中的噪声并扩展数据的方法 ,然后根据最大Lyapunov指数的定义计算最大Lyapunov指数值。实例结果表明了本文方法的有效性。

基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测

针对混沌时间序列演化复杂,数据非平稳特征及噪声严重影响混沌时间序列短期预测精度的问题,提出了基于前向差分、改进小波包去噪和外因输入的非线性自回归网络(FD-IWPD-NARX)的非平稳含噪混沌时间序列(NNCTS)在线组合预测方法。在滚动时域框架下,采用前向差分平稳窗口内时间序列数据,改进小波包去噪阈值函数改善数据去噪效果,最后通过串并行闭环NARX神经网络对平稳去噪的混沌时间序列进行训练和测试。结果表明,前向差分和提出的改进小波包去噪可以有效提升NARX神经网络的预测性能;与不分窗NARX神经网络、循环神经网络(RNN)和标准长短期记忆网络(LSTM)相比,FD-IWPD-NARX网络可基于少量数据完成模型训练,在预测精度方面具有优势,且每窗模型的训练平均时长缩短至0.12 s,具有在线应用潜力。

采用反正切变换降低小波去噪对野值的敏感性

对存在野值和较强噪声的非平稳时间序列,为提高小波阈值去噪在低频信号分解中的准确性和稳健性,采用反正切变换将原始非平稳时间序列转换成新的更平稳的序列,以提高信噪比,并抑制野值的不利影响。通过解析分析,解释了反正切变换抑制野值的成因,并优化了其中的参数。采用已知信号的数值实验(仿真)证明,反正切变换能够提高对野值的抵抗能力,改善小波阈值去噪的效果。应用于风速时间序列的去噪表明,新方法能够有效抑制风速里的野值,获得更符合实际的风速信号。

基于小波去噪的极限学习机功率预测

风电功率预测精度影响风电场的安全稳定运行。风速序列具有非平稳性,针对风速序列的波动性,提出了一种基于小波去噪的极限学习机的风电功率预测模型。该模型运用小波去噪的方法对风速时间序列进行了小波分解,采用极限学习机建立了风电功率预测模型,最后通过具体的风电场实验,分析验证其有效性。