纵向数据下线性模型的模态回归估计

本文考虑纵向数据下线性回归模型的稳健估计问题.通过结合模态回归(modal regression)方法和二次推断函数(quadratic inference functions)技术,提出了一种基于模态回归的估计过程.证明了回归系数的估计是相合的,并给出了其渐近分布.数据模拟结果表明所提出的估计方法具有较好的稳健性和有效性.

基于模态回归的半参数部分线性模型的稳健估计

以半参数部分线性模型为对象,研究了基于模态回归的稳健估计方法。非参数部分采用B样条近似,在模型的回归中通过控制核函数的带宽来实现估计的稳健性,结合局部二次算法(LQA)和模型期望值最大化算法(MEM),提出EM估计算法,得到了参数估计以及非参数部分估计的收敛速度。通过蒙特卡洛模拟和实例分析,验证了本文方法的有效性。

基于逐步回归模态投影方法的BCC气候系统模式ENSO预报订正

本文利用国家气候中心气候系统模式(Beijing climate center climate System Model,BCC_CSM1.1m)提供的1991—2014年海表温度回报数据,将逐步回归模态投影方法(stepwise Pattern Projection Method,SPPM)应用到改进BCC_CSM1.1m模式El Nino和南方涛动(ENSO)预报研究。SPPM是一种经验性模式误差订正方法,其主要思路是在大尺度模式预报因子场中找寻出与格点观测预报变量相关性高的信号,通过投影将这种信号反演出来,然后建立回归方程得到订正后的预报结果。本文交叉检验和滚动独立样本检验的结果表明,利用SPPM可以有效地提高BCC_CSM1.1m气候系统模式的预报技巧,尤其是在热带太平洋地区以及印度洋海区,24年交叉检验Nino3.4指数提前6个月预报的相关系数技巧可以提高8%~10%,预报误差得到显著降低。不同季节SPPM订正效果略有不同,其中对秋季的预报技巧提升最为显著。与此同时,交叉检验结果还显示,SPPM对El Nino中心纬向位置的预报也有一定程度的改进。

基于模态回归的纵向部分线性模型的有效稳健估计

考虑纵向数据下部分线性模型的有效稳健估计问题.通过结合矩阵的QR分解技术和二次推断函数方法,提出了一种基于模态回归的估计过程.证明了参数分量的估计是相合的,并给出了其渐近分布.另外还证明了非参数分量的估计是相合的,并达到了最优的非参数收敛速度.数据模拟和实际数据分析结果表明所提出的估计方法具有较好的稳健性和有效性.

部分线性模型的模态正交经验似然推断

本文考虑部分线性模型的有效经验似然统计推断问题.通过结合模态回归和正交投影技术,提出了一种模态经验似然统计推断过程.证明了提出的经验似然比函数渐近服从中心卡方分布,进而构造了模型参数的置信区间.所提出的估计方法可以对模型的参数分量和非参数分量分别估计,而互不影响,具有较好的稳健性和有效性.

数据驱动的风机齿轮箱油路系统故障诊断方法

在实际生产中由于齿轮箱油路系统性能衰退使得风机在夏季较大负荷下极易导致油池温度过高而降负荷运行甚至停机情况的发生。为了评估风电机组油路系统状况,提出一种深度卷积神经网络多模态回归算法,并将一种新的初始化方式结合到网络中,以克服标准初始化残差网络梯度爆炸的问题。通过构建齿轮箱油池温度的健康状态模型,然后根据实时风机运行工况计算模型的预测值并与实际进行对比,进而可进行故障诊断。以山东某风场华锐SL1500 风机的齿轮箱油池温度为例,进行试验分析。结果表明:所提方法可以通过相关因素预测齿轮箱油池温度趋势,并根据运行数据与预测值的比较中发现潜在故障。

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MSOP的蒸汽动力系统单参数运行稳定性评估方法

针对当前蒸汽动力系统缺乏有效稳定性评估方法的问题,提出一种适用于单个运行参数的稳定性评估方法.该方法是一种复合评估方法,首先综合运用中值回归经验模态分解和奇异值分解,对运行参数的时间序列进行分解并提取其隐藏的趋势项,然后依据各分量的最佳算法参数排列熵选取分量进行重构,最后通过非平稳时间序列分析中常用的整合滑动平均自回归模型预测趋势项和扰动项的走势并提取两者的分布特征,进而计算得到运行参数在预测趋势上各点的失稳概率并由此对其稳定性进行定量评估.经实际案例验证,证明该方法能够有效评估蒸汽动力系统单参数的运行稳定性,具有一定的理论创新性和工程应用价值.

一种用于非线性非平稳波浪极短期预报的复合经验模态分解自回归模型（英文）

目的:相对于由能量平衡方程得到的数值预报模型和以神经网络为代表的非线性模型而言,自回归(AR)模型在波浪预报中具有计算效率高、自适应性强和建模所需的样本小等优点,但同时存在局限于平稳线性假设的缺陷。针对非线性非平稳波浪的极短期预报问题,提出一种复合的经验模态分解自回归预报模型,提高波浪预报精度。创新点:1.研究非线性非平稳波浪极短期预报问题,提出一种复合的预报方法;2.基于三个不同地理位置的海洋波浪实测数据对预测模型进行验证,并分析非线性非平稳性对波浪预报结果的影响。方法:1.在AR模型中引入经验模态分解(EMD)方法,形成复合的EMD-AR预报模型;2.分析实测波浪数据的非线性和非平稳性特点,并基于实测波浪数据获得AR模型和EMD-AR模型的预报结果;3.基于多种预报误差度量分析AR模型和EMD-AR模型的预报性能以及非线性非平稳性对波浪预报结果的影响。结论:1.波浪非线性和非平稳性会导致AR预报模型精度降低。预报误差中,幅值上的偏差主要由波浪的非线性引起,而相位上的偏差则是源于波浪的非平稳性;2.EMD方法能够有效地克服波浪非线性和非平稳性对AR模型在精度上所带来的不良影响,在精度上EMD-AR模型的预报结果较AR模型有较大提高。

几种统计预测方法对1998年南京降水的跨季节预测试验及分析

对1998年南京降水分别设计并开展了求和自回归滑动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型预测、经验模态分解(Empirical Mode Decomposition,EMD)预测和基于Hilbert变换(Hilbert Transformation,HT)的幅频分离预测等3种跨季节统计预测试验。结果表明:ARIMA模型预测结果存在明显的系统性误差且对夏季的降水突变现象预测困难;EMD分解预测的结果虽在降水演变趋势上有明显提高,但仍未能预测出夏季的强降水突变现象,究其原因可能是对高频分量预测效果不好所致;而基于Hilbert变换的幅频分离预测方法能够对各模态分量的瞬时频率和瞬时振幅实施隔离预测,消除两者的相互影响,显著改善高频模态的预测效果,使得最终预测结果最为理想,不仅具有最高的趋势相关性和最小的偏差,而且还较好地预测出了夏季两次强降水过程。不仅如此,在对2003年的降水预测验证中,基于Hilbert变换的幅频分离预测方法同样具有最好的预测效果,表明该方法预测效果较为稳定,为改进跨季节短期气候统计预测技术提供了一个新思路。