基于随机森林算法的电力工程数据预测分析建模与仿真

针对电力工程数据量大、种类较多且传统分析模型处理效果不佳等问题,文中构建了一种基于随机森林算法的电力工程数据预测分析模型。该模型通过采集层获取各种工程数据,并在数据分析层运用经灰狼优化算法改进的随机森林算法对各种数据进行深度挖掘及学习,以获得电力工程数据的预测结果,从而满足应用层的业务需求。基于Matlab仿真平台进行数值实验论证的结果表明,所提模型的平均绝对百分比误差与均方根误差分别为4.15%、34.19万元,且均优于其他对比模型。

基于TSO-ELM的广东省电力需求预测方法

针对极限学习机(extreme learning machine,ELM)的输入层权值以及隐含层偏值的不同取值对预测结果影响较大和现有的预测模型对广东省电力需求预测精度不高的问题,提出一种基于金枪鱼群优化(tuna swarm optimization,TSO)算法优化ELM得到最优数值,构建TSO-ELM预测模型的方法。将2008—2018年广东省的6个影响因素和电力需求量数据进行归一化处理之后构建预测模型,对2019—2021年广东省的电力需求量进行预测。仿真结果表明,与SVM、BP、ELM和GWO-ELM这4种预测模型相比较,TSO-ELM预测模型具有更高的预测精度。

基于遗传算法的最大相对误差最小化组合预测

组合预测通过加权综合多个分模型预测信息提高预测精度。组合预测的效果以各种形式的误差准则评价。平均相对误差反映预测结果的总体平均效果,误差极差反映预测误差最大值和最小值的分布区间。本文以最大相对误差最小化为目标,用遗传算法求取组合预测的加权值,实例计算结果表明:平均相对误差和极差均优于各被组合分模型;在组合预测结果的基础上基于另一规则的再次组合预测,可进一步提高预测效果。

基于ARMA模型的船舶海水冷却系统参数预测

船舶海水冷却系统与船外海水直接接触,工作环境较为恶劣,而基于小波理论、灰色理论等参数预测方法受环境影响较大,为了实现对船舶海水冷却系统状态参数的准确预测,提出了根据平稳时间序列建立自回归移动平均模型(ARMA)的方法;介绍了ARMA模型原理及建模过程;选取"育鲲轮"海水冷却系统6天的状态参数作为训练样本,输入到ARMA预测模型中进行训练;在MATLAB环境下,获得预测数据;运用平均绝对百分比误差对预测模型的准确性进行验证并对误差进行分析,结果表明所建立的船舶海水冷却系统状态参数预测模型具有良好的预测能力,能有效地反应未来一段时间海水冷却系统的工作状态的变化,提示系统是否存在异常,为早期故障诊断提供有效手段,进而为船舶的稳定运营提供了条件。

基于DA-RBF模型的微电网负荷预测研究

针对传统径向基神经网络(RBF)在微电网负荷预测上精度低的问题,采用具有全局搜索以及优化能力的蜻蜓算法(DA)对RBF神经网络进行优化。利用蜻蜓算法对RBF神经网络的中心向量、宽度向量以及隐含层和输出层之间的连接权值进行优化处理,构建出DA-RBF的微电网负荷预测模型。使用夹角余弦法对负荷数据进行夹角余弦的计算从而获得相似日,确定模型的训练集和测试集数据,以此来降低数据本身对模型精度的影响。然后将选择的数据放入模型中进行仿真实验,并选择平均百分比误差(MAPE)来衡量模型精度的高低,将预测结果同DA-BP、CEEMD-RSVPSO-KELM、CPSO-LSSVM及AMPSO-BP作比较,DA-RBF的MAPE均最低,由此证明了DA-RBF在微电网负荷预测上的可行性及优越性。

基于SVM回归方法的风速预测研究

根据气象评价和大量的实地调查,以及风速对于风力发电的决定性作用,在简要介绍SVM回归方法的基础上,对RBF核函数的参数C和g进行参数寻优,建立预测模型,以误差百分比(APE)、平均百分比误差(MAPE)和平均绝对误差(MAE)来评价,其中平均百分比误差(MAPE)为1.705%,平均绝对误差(MAE)为0.1705较为理性,可以为风电场风速预测提供较好的参考。

风电场短期风速预测的MRA-SVM模型

为了提高风电场短期风速的预测精度,提出了基于多分辨率分析和支持向量机(MRA-SVM)的预测模型。模型以历史风速序列为输入对数据进行多分辨率分析,用支持向量机对分解后的单支序列分别回归预测,叠加各序列的预测结果即为最终预测值。通过对某风场10 d的实测风速进行分析,预测了未来4 h的风速。用均方根误差和平均绝对百分比误差对模型进行评价,与单一的SVM方法相比,提高了预测精度。实验证明,模型具有较强的风速预测能力,能普遍适用于风速的短期预测。

地铁进站客流量SARIMA与GA-BP神经网络组合预测模型

为提高地铁进站客流量预测精度,提出一种基于SARIMA模型和GA-BP神经网络的客流量组合预测模型,通过已有客流相关数据构建预测客流量的SARIMA模型和GA-BP神经网络模型作为组合模型的子模型,再利用拟合SARIMA模型的最大季节回归多项式个数确定组合模型因变量个数,之后结合季节周期和子模型的预测值确定组合模型的因变量,并基于子模型预测值的平均绝对百分比误差(MAPE)确定组合模型的因变量权重,最后进行实例验证。结果表明:当预测个数为5个时,组合预测模型的MAPE为3.11%,介于子模型之间但优于传统的线性组合模型;当预测个数为10个时其MAPE为5.13%,优于所有对比模型。

基于思维进化神经网络的细纱断裂强度预测

探讨一种基于思维进化算法优化BP神经网络的细纱断裂强度预测方法。利用思维进化算法对BP神经网络的阈值和权值进行优化,发挥在全局寻优方面的优势。试验结果表明:基于思维进化算法优化BP神经网络预测模型比单一的BP神经网络预测模型具有更高的准确性,该模型的细纱断裂强度预测值与实测值之间的平均绝对百分比误差和均方根误差下降明显。认为:基于思维进化算法优化BP神经网络模型具有更好的综合预测性能。

一种新的改进加权模糊时间序列

通过分析邱望仁提出的加权模糊时间序列模型,指出其建立模糊关系矩阵中的不足.为此,文章重新定义所要考虑隶属度对应的模糊关系和预测所需的模糊逻辑关系矩阵,建立改进的加权模糊时间序列模型.利用均方误差MSE和平均绝对百分比误差MAPE对比分析本文提出的模型和邱望仁加权模型的预测精度,验证文章建立模型的有效性;考虑取不同隶属度个数时改进模型预测精度的变化情况,验证文章建立模型的稳定性.

基于SVM回归方法的风速预测研究

根据气象评价和大量的实地调查基础上,风速对于风力发电有决定性作用,在简要介绍SVM回归方法的基础上,对RBF核函数的参数C和g进行参数寻优,建立预测模型,以误差百分比(APE)、平均百分比误差(MAPE)和平均绝对误差(MAE)来评价,其中平均百分比误差(MAPE)为1.705%,平均绝对误差(MAE)为0.1705,较为理想,可以为风电场风速预测提供较好的参考价值。

一种新的组合权重在组合预测模型中的应用

为了提高组合预测的精度,提出了一种新的组合权重计算方法,该方法通过将平均绝对百分数误差(MAPE)和最小二乘法相结合来确定组合预测模型的权重值。将这种新的组合权重方法应用到组合模型中,并对湖北省国内生产总值(GDP)进行预测。首先,建立了差分自回归移动平均(ARIMA)模型和指数曲线回归模型;然后,用MAPE和最小二乘法确定组合模型的权系数,在此基础上将两种权系数进行组合,形成组合权重。预测结果表明:该组合权重与单一权重相比,可将组合模型的预测精度提高约0.3%。

基于人工蜂群算法的改进研究与实现

参数的选择直接影响着最小二乘支持向量机(LSSVM)的泛化性能和回归效验,是确保LSSVM优秀性能的关键.为了解决以上问题,对人工蜂群算法(ABC)进行了改进,引入新解越界处理方法,研究了一种基于双种群策略的蜂群算法,同时提出提出一种运行时参数调整方法,然后验证优化后的算法IIABC的准确性与健壮性.燃气回归分析采用平均绝对百分比误差(MAPE)作为IIABC算法基准方法,实验结果表明基于IIABC-LSSVM预测结果比IABC-LSSVM有着更高的准确性.

基于改进递归网络的智慧楼宇负荷预测方法

针对智慧楼宇负荷类型复杂且多变导致的负荷预测精度低等问题,提出了一种基于改进递归网络的智慧楼宇负荷预测方法.该方法在深度神经网络多隐层结构的基础上增设了关联层,使深度递归神经网络(DRNN)模型具有动态特性,并利用改进粒子群优化算法对模型权值空间进行优化,进而实现楼宇负荷的准确预测.基于不同类型楼宇的实验结果表明,所提方法的预测误差约在±0.3 MW的范围内波动,其均方根差与平均绝对百分比误差分别为0.27 MW和1.05%,且预测误差均小于其他对比方法.

混合神经网络的包壳峰值温度预测研究

为了准确、高效的预测包壳峰值温度,本文提出了一种卷积神经网络-长短期记忆网络的混合神经网络模型。通过混合神经网络模型,充分提取数据局部特征的同时对时间序列信息进行充分的学习,实现了包壳峰值温度的预测。数据结果表明:卷积神经网络-长短期记忆网络的混合神经网络模型单次事故分析时间降低为0.55 s的同时具备很高的准确性和稳定性。峰值预测精度、序列预测精度、超限概率预测精度、平均绝对百分比误差分别达到了99.527%,91.098%,95.371%,2.522%,均方根误差为49.065。相较于传统的BP神经网络和卷积神经网络方法,卷积神经网络-长短期记忆网络的混合神经网络模型也体现出了明显的优势。

基于修正因子的雾天可变限速控制交通流模型

分析雾天可变限速控制作用下高速公路的特性,提出基于雾天修正因子的在线自调整可变限速交通流模型。雾天修正因子通过Takagi-Sugeno(T-S)模型根据高速公路实时能见度与曲面半径在线自我调整,进而实现雾天可变限速交通流模型自我调整。采用灰狼算法对交通流模型参数及T-S模型参数进行优化调整。采用速度与密度的平均绝对百分比误差对模型性能进行评价。使用VISSIM与MATLAB进行仿真研究,仿真结果表明:相比于一般可变限速交通流模型,本文提出的交通流模型在速度和密度的辨识精度方面分别提升了41.5%和10.5%,可以更加准确地反映雾天可变限速作用下高速公路的特性。

基于季节性ARIMA模型的新零售精准预测

本文旨在建立新零售的精准预测模型,首先通过对新零售目标商品的主要指标数据进行数据预处理,接着建立Pearson相关系数模型,使用Python分析得到热力图,确定销售量具有较好的预测性并存在自相关性,将其作为本文预测模型的重要决策变量,然后建立差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,简称ARIMA),同时考虑商品由于季节所造成的影响,并优化成季节性ARIMA预测模型,最后使用平均绝对百分比误差(MAPE)评估模型,得到预测误差百分比均值为19.33%。本文模型预测误差小,对新零售商品的预测具有指导意义。

基于长短时记忆网络(LSTM)的蟹塘溶解氧估算优化方法

水中溶解氧含量低会影响螃蟹的成活率,保证低溶解氧时刻溶解氧的预测精度非常重要。目前,溶解氧传感器价格昂贵且易遭受腐蚀,因此通过相关变量来间接估计溶解氧浓度有重要的意义。本研究在长短时记忆网络(LSTM)模型的基础上,优化LSTM反向传播时的损失函数,提出了提高低溶解氧含量估算精度的溶解氧预测模型(LDO-LSTM)。LDO-LSTM的损失函数是在平均绝对百分比误差(MAPE)基础上,根据溶解氧值的变化趋势和溶解氧浓度大小,分别赋予不同权值的权重函数,并通过均方根误差(RMSE)和平均绝对百分比误差(MAPE)来评估LDO-LSTM和LSTM在不同范围的溶解氧估算能力。对模型的测试试验结果表明:在溶解氧高于6mg/L时,LDO-LSTM和LSTM的RMSE、MAPE差值稳定在0.1左右;在溶解氧低于6mg/L时,LDO-LSTM的RMSE值和MAPE值分别比LSTM低0.25和0.139,说明了LDO-LSTM网络不但可以保证整体溶氧预测精度,而且能够提高较低溶解氧值的估算精度。本研究对于降低水产养殖成本、提高溶解氧估算精度有着重要的作用。

多元统计分析在区域经济发展中的预测研究

传统分析方法在解决区域经济发展预测中,容易出现信息丢失的情况,导致人均GDP和GDP增长率的预测结果存在偏差,因此提出多元统计分析在区域经济发展中的预测研究。首先对多元统计分析进行概述,建立区域经济发展预测模型,运用多元统计分析筛选影响因子,输入指标完成区域经济发展预测。模拟预测结果显示,运用多元统计分析的预测方法与传统预测方法相比,人均GDP和GDP增长率预测结果的平均绝对百分比误差低,提高了区域经济发展预测的准确度。

考虑政策效力影响的分布式光伏装机容量预测

针对光伏政策对分布式光伏装机容量预测精度影响较大这一问题,基于系统动力学理论,提出一种考虑光伏产业政策效力影响的分布式光伏装机容量预测模型,并采用改进哈里斯鹰算法对模型中供给型、需求型、环境型政策效力影响系数的取值进行寻优计算。利用所搭建的模型对我国2018-2030年分布式光伏装机容量进行了仿真预测和数据分析。结果表明,与未考虑光伏政策效力的系统动力学模型、基于哈里斯鹰算法优化的政策效力模型、灰色系统预测法及二次指数平滑法相比,在历史数据回测上,该模型预测结果更加准确,平均百分比误差与均方根误差分别为2.86%和3.581 4 GW,均低于其他几种方法。在光伏装机容量的未来数据预测上,符合产业发展规律,更具参考价值。