基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。

基于GA-LSSVM深基坑墙体侧斜滚动预测模型研究

针对基坑墙体侧斜数据的小样本和非线性特征,提出一种基于GA-LSSVM模型的基坑墙体侧斜的时间序列滚动预测方法。采用三次样条插值法对基坑墙体侧斜的时间序列进行预处理,运用遗传算法(GA)对最小二乘支持向量机(LSSVM)进行参数寻优,寻找最优参数模型,建立GA-LSSVM时间序列滚动预测模型,预测结果采用相关系数R和均方误差(Mean Squared Error,MSE)进行评价。该方法用于广州某地铁车站基坑墙体侧斜的预测分析,并和未经参数优化的最小二乘支持向量机预测模型进行对比分析,结果表明该预测模型的相关系数高,均方误差小,预测结果较为精准。

青藏铁路格拉段沿线风速短时预测方法

青藏铁路大风监测预警系统采用时间序列法实现沿线风速的短时预测。利用时间序列法对经过1min平均化处理后的非平稳实测风速序列建立ARIMA(11,1,0)模型,进行超前3步预测计算,获取第3 min平均预测风速,预测平均绝对误差为2.237 2 m.s-1。针对时间序列法第3 min平均预测风速精度低的问题,采用提出的滚动式时间序列法修正时间序列法预测计算步骤,重新获取第3 min平均预测风速,预测平均绝对误差减小为1.1670 m.s-1。使用最小二乘法拟合样本每分钟内最大实测风速和该分钟平均风速的相关系数K,通过K为1.142 8修正滚动式时间序列法第3 min平均预测风速,获取滚动时间序列法第3 min最大预测风速,预测平均绝对误差为2.090 4 m.s-1。滚动式时间序列法第3 min平均风速、最大风速的两者预测均满足精度要求。滚动式时间序列法已经在系统中使用。

基于改进型灰色预测的核电站汽轮机趋势预测

核电站的汽轮机机械故障大多数是由微小故障逐步发展造成的,所以有必要对核电站汽轮机设备状态的演变趋势进行预测。基于GM(1,1)模型,提出一种基于时间序列的滚动改进型灰色预测算法,并利用该算法对汽轮机振幅持伪征参数趋势进行预测研究。预测结果表明,所研究的预测方法能够对核电站汽轮机设备的运行状态进行较为准确的演变趋势预测,且预测结果可以为核电站汽轮机的故障预警以及设备失效预警提供可靠的依据。该研究不仅提高了核电站运行的安全性,而且可为汽轮机状态运维和状态检修提供参考依据,具有广阔的应用前景和较高的实用性。

小波分解和ARIMA模型相结合的短期风速预测

风速时间序列的非平稳性使得对其预测比较困难。论文首先对风电场的小时平均风速数据采用基于传统的滚动时间序列模型进行短期预测,针对原始序列的非平稳性和异常点的干扰,利用小波分解理论对原始风速进行小波分解与重构,然后对重构后的概貌部分和细节部分分别采用ARIMA模型进行预测,累加结果得到未来时段的预测风速,经比较分析可知,小波ARIMA模型的预测效果优于传统的滚动时间序列模型的预测效果。

运载火箭类周期测试数据特征预测方法研究

鉴于我国运载火箭测试数据判读工作现状,研究测试数据的预测算法,有助于预判故障趋势,提前采取措施;分析了运载火箭测试数据,提出测试数据依时间序列的分类方法;针对类周期型数据,设计了相应的特征提取算法,得出数据特征时间序列;应用滚动自回归预测算法,并将历史实际值与预测值的加权值作为当前时刻的建模数据,实现了类周期数据特征的趋势预测;该方法有助于改进运载火箭类周期型数据判读方法。