基于周期自回归模型的短期负荷预测

通常，周期自回归（ＰＡＲ）模型适于处理短周期时间序列。故进行电力系统短期负荷预测时，由于周期长度大，阶数高，待估计的参数剧增，难以实现。本文在一定的假设条件下，建立了短期负荷的周期自回归预测模型，提出了相应的算法，并编制了计算分析程序。对一实际系统的负荷预测表明，本文的模型和算法具有很高的预测速度和良好的预测精度。

利用周期自回归模型对宏观经济综合景气状况的预测与分析

本文介绍了周期自归模型的建模过程，并利用其对反映我国宏观经济综合景气状况的合成指数序列进行了预测与分析。

周期相关时间序列与周期自回归模型

介绍了周期相关时间序列和周期自回归模型,并研究了周期自回归时间序列的稳定性及周期性,得到了它为周期相关时间序列的一个充要条件,推广了文献[1]的结论.

高维周期向量自回归模型的精度矩阵的假设检验

由周期性向量自回归模型生成的精度矩阵(逆协方差矩阵)是一个块状三对角矩阵.在此精度矩阵的基础上,提出了一种新的块状迹函数,用于检验两个精度矩阵的块状迹相等,并研究了在零假设下的渐近行为.数值实验表明,这种块状迹函数检验方法与常用的检验方法相比,具有简洁易算和功效优良的特点.

中国经济周期具有国际趋同性吗——基于周期自回归模型的实证检验

经济开放条件下,一国经济周期是否具有国际趋同性,对于该国经济政策的制定与实施具有重要影响。为检验中国经济周期是否具有国际趋同性,本文构建了周期自回归模型,并选取中国、美国、英国和日本1996年1季度至2012年1季度的GDP数据,以及1996年1月至2012年5月的CPI数据进行实证检验,其主要结论是:无论是GDP增长率还是CPI增长率的变动趋势所表征的中国经济周期,与世界主要发达国家的经济周期并不相同,既不像美国和日本那样变换频率较高,状态转换频繁,也不像英国那样变换频率较低,状态转换缓慢,中国经济周期不具有国际趋同性。这一研究结论能够为中国制定符合自身发展的经济政策和推动国民经济的可持续增长提供重要依据。

周期随机系数自回归模型的统计推断

文章研究了一阶周期随机系数自回归模型的性质和参数估计问题。首先讨论了该模型均值函数、方差函数以及协方差函数的周期平稳性。其次讨论了当误差服从正态分布时模型参数的估计问题,给出了模型参数的矩估计和最小二乘估计,并通过随机模拟对这两种估计方法进行比较。最后将上述方法用于实际数据的建模拟合分析。结果表明所提出方法具有较小的误差。

基于线性相关分析的周期自回归短期负荷预测

对配电系统短期负荷预测的周期自回归模型和配电负荷的周期性进行了研究。采用相关分析法对配电负荷的周期特性作了深入地分析,研究结果表明配电负荷的日周期性比周周期性更明显;基于配电负荷的时刻相关性分析,挑选出对预测结果起决定性作用的特征输入量,据此提出了改进的配电负荷日周期PAR预测模型。实例研究表明,该模型较常规PAR预测模型的预测速度更快、精度更高。

一种基于SARIMA-LSTM模型的电网主机负载预测方法

随着智能电网的不断发展,如何提高对信息设备运行状态的预测准确率以及设置适应数据变化的动态阈值区间是电网IT运维面临的巨大挑战。为了解决这些问题,提出了组合时间序列预测模型(SARIMA-LSTM),即在传统周期性ARIMA模型(SARIMA)的基础上,引入深度学习领域的LSTM模型,并摒弃了过去精度低、效果差的误差拟合方法,使用误差自回归方法来补偿预测结果。该模型可以学习到传统ARIMA模型无法捕捉到的误差波动规律,解决其无法预测非线性数据的问题。实验结果表明,在实际预测电网内存负载数据时,与ARIMA模型和SAIRIMA模型相比,SARIMA-LSTM模型可以实现更高的预测精度。

MPARMA模型EM算法及观测信息矩阵的计算

混合周期自回归滑动平均模型(Mixture Periodical Autoregressive Moving-Average-MPARMA)是一类新的用于描述周期时间序列中非线性特征的非线性模型,由于MPARMA模型的参数较多,传统的参数估计方法的推导十分冗繁。利用EM(Expectation Maximization)算法,研究了混合周期自回归滑动平均模型的参数估计方法,讨论了EM估计的标准差,详细推导了观测信息矩阵和缺损信息矩阵的计算公式。蒙特卡洛模拟实验结果表明,EM算法是一种简单有效的MPARMA模型参数估计方法。

PARMA模型参数最小绝对偏差(LAD)估计量的极限分布

在最优化理论基础上,采用相对较稳健的最小绝对偏差(LAD)估计方法,首先研究了周期自回归滑动平均(PARMA)模型参数估计问题,得到了PARMA模型LAD估计量的渐近分布.其次对该模型的LAD估计作了进一步的讨论,给出更一般假设条件下模型参数LAD估计量的渐近性质。

智能大厦中央空调系统的分析与建模(英文)

为了对智能大厦的中央空调系统进行优化调度和节能管理 ,对该系统进行了节能分析与建模 .并以一个实际系统为例 ,利用该模型和基于遗传算法的周期自回归模型 (PARM)得出中央空调设备的优化运行策略 .

应用小波分析进行短期负荷预测

小波分析是一种新兴的数学工具 ,它能任意地提取短期负荷序列的细节。通过使用小波分析 ,可以在任何水平上分析短期负荷序列 ,它对信息成分采取逐渐精细的时域与频域处理 ,尤其对突发与短时的信息分析具有明显的优势。本文将小波分析引入了短期负荷预测 ,针对电力系统本身具有的负荷以天 ,周 ,年为周期发生波动的特点 ,使用周期自回归模型有选择的对分解序列进行预测 ,并对直接使用周期自回归 ( PAR)模型的预测结果及先使用小波分析处理的预测结果进行了比较 。

马特拉算法在遥测数据短期预测中的应用

为了提高遥测数据预测的精度和实时性,针对遥测数据的非平稳性和周期性特点,引入小波分析的预测技术,提出了一种对遥测数据序列进行不同频段上的分解方法:遥测数据时间序列依据选定的N阶多贝西小波和分解尺度值2分解为低频分量和高频分量,针对不同分量建立了基于马特拉算法、周期自回归模型和指数平滑法的时间序列短期预测模型,各分量预测结果经小波变换的逆算法重构后输出.仿真实验结果表明该方法满足遥测数据工程预测要求,能够有效地解决遥测数据的短期预测问题.通过对遥测数据短期预测结果的研究分析可提前判断卫星潜在的趋势,为指挥人员的正确决策提供科学依据.

基于Mallat算法的在推理机集群负载均衡中应用研究

针对航天器的健康管理问题,采用预测技术可提前预知航天器故障,为航天器的故障排除赢得了宝贵时间,从而提高了航天器运行安全性和可靠性。针对遥测数据的非平稳性和周期性特点,引入Mallat算法的时间序列短期预测模型。通过推理机进程负载均衡软件的实际运行结果分析,预测结果边界和实际数据突变的趋势基本一致,预测数据与实际数据相似度在95%以上。

小波分析在遥测数据预测中的应用研究

随着航天技术的飞速发展,航天器数量的增加,在轨运行的风险也随之增大,如何保证航天器的安全性和可靠性就显得尤为重要。预测技术可提前预知航天器故障,为航天器的故障排除赢得了宝贵时间,从而提高了航天器运行安全性和可靠性。论文针对遥测数据的非平稳性和周期性,引入了基于小波分析的预测技术解决此类数据的预测问题,建立了基于Mallat算法的时间序列短期预测模型。实验证明预测曲线与实际曲线基本吻合。