基于数据分解及因果推理的设备可靠性预测模型

为解决设备的可靠性数据受多种因素影响而同时具有线性特征和非线性特征的问题,提出1种集合经验模态分解法辅助的设备可靠性预测组合模型,该模型结合差分整合移动平均自回归模型和因果推理模型。首先,对原始数据采用集合经验模态分解法,得到固有模态函数分量和余项;其次,将模态函数分量输入差分整合移动平均自回归模型得到线性分量,进而将线性分量和原始数据作差,得到非线性分量;最后,基于该非线性分量,提出因果分析模型,实现对设备可靠性的有效预测。研究结果表明:与流行的可靠性预测模型相比,组合模型分别在平均绝对误差和均方根误差指标上降低0.015 9和0.026 5,进一步证明本文所提方法的正确性和有效性。研究结果可为工业生产中提升设备可靠性预测提供新思路。

基于TVF-EMD和ARIMA模型的短时交通量预测研究

为描述短时交通量数据中的非线性和非平稳性成分,以提高短时交通量预测精度,进而促进智能交通系统的发展,本文提出了一种基于时变滤波经验模态分解(TVF-EMD)方法与差分整合移动平均自回归(ARIMA)模型的混合预测模型,即TVF-EMD-ARIMA模型。首先利用TVF-EMD对处理后的交通量数据进行分解,再对分解后的序列建立ARIMA模型进行预测。研究结果表明:相比于经验模态分解(EMD)方法和变分模态分解(VMD)方法,TVF-EMD方法分解得到的交通量序列更加平滑;混合预测模型TVF-EMD-ARIMA与单一ARIMA模型相比,其平均绝对误差、平均绝对百分比误差和均方根误差分别降低了3.6700、0.0775、5.3539。

基于MEEMD-ARIMA模型的波浪能发电系统输出功率预测

波浪能作为一种储量丰富的清洁能源,是未来理想的能源之一。但其具有较强的随机波动特性,因此,可靠地预测波浪能发电系统的输出功率能给复杂电网的调度带来极大的便利。文中提出基于改进的总体经验模态分解(MEEMD)-差分整合移动平均自回归(ARIMA)模型的波浪能组合预测。首先,基于海浪计算原理,计算混合浪的每小时平均波高与周期。其次,采用MEEMD对每小时平均波高与周期进行分解,得到一系列特征互异的本征模态函数(IMF)和余量,并将平均波高分解的结果与离散小波变换分解结果做对比。然后,将得到的分量分别建立ARIMA预测模型,通过叠加得到每小时平均波高与周期的预测值。最后,建立直驱式波浪能发电系统波高-功率转换模型,实例结果验证了该组合模型预测的有效性。

基于EMD-ARIMA组合模型的长江航运干散货运价指数预测

针对长江航运干散货运价指数(YBFI)样本点少、周期性不明显、非线性,以及非平稳特性,从分析数据内在波动性出发,提出一种基于经验模态分解(EMD)-差分整合移动平均自回归(ARIMA)组合模型.对比传统ARIMA模型、简单季节预测两种方法,EMD可对YBFI序列进行降噪分解,保留数据的内在特性;分解后的序列用ARIMA模型、三角函数拟合,效果良好.重组后分析误差,发现该组合预测模型与传统单一模型相比误差较小,预测精度更高.

基于CEEMD和LSTM-ARIMA的短期风速预测

针对风速序列具有很强的随机性和波动性,提出一种基于完备总体经验模态分解(CEEMD)、长短期记忆网络(LSTM)和自回归差分移动平均(ARIMA)的组合预测模型来对短期风速进行准确预测。首先利用CEEMD算法将原始风速序列分解为多个模态分量,降低风速序列的复杂度;然后通过排列熵(PE)把风速子模态分为高频序列和低频序列,对高频序列和低频序列分别建立LSTM和ARIMA预测模型;最后把子序列预测结果叠加起来,得到最终的风速预测值。实验结果表明,该预测模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别为8.68%、0.389 m/s,与其他预测模型的预测结果相比,预测精度有了一定提高。